面向法律判决预测的横跨多语言/领域/辖区迁移的实证研究
计算与语言
2022-09-27 v1 人工智能
机器学习
摘要
跨语言迁移学习已在多种自然语言处理（NLP）任务中被证明有用，但在法律 NLP 背景下研究不足，在法律判决预测（LJP）中则完全未被研究。我们利用包含三种语言撰写案例的三语 Swiss-Judgment-Prediction 数据集，探索 LJP 上的迁移学习技术。我们发现跨语言迁移提升了各语言上的整体结果，尤其是在使用基于适配器的微调时。最后，我们通过用原始文档的机器翻译版本扩充训练数据集，使用扩大 3 倍的训练语料，进一步提升了模型性能。此外，我们进行分析以探究跨领域与跨地区迁移的效果，即在领域（法律领域）或地区间训练模型。我们发现在这两种设定（法律领域、来源地区）下，跨所有组训练的模型整体表现更好，同时在最坏情形下的结果也有所改善。最后，当我们大胆地应用跨司法辖区迁移（用印度法律案例进一步扩充数据集）时，报告了提升的结果。
引用
@article{arxiv.2209.12325,
title = {An Empirical Study on Cross-X Transfer for Legal Judgment Prediction},
author = {Joel Niklaus and Matthias Stürmer and Ilias Chalkidis},
journal= {arXiv preprint arXiv:2209.12325},
year = {2022}
}