面向人机协作的法律案例匹配Co-Matching

近期的努力旨在通过整合法律领域知识来提高AI机器在法律案例匹配方面的能力。然而，成功的法律案例匹配需要法律实践者的隐性知识，这些知识难以言说化并编码到机器中。这凸显了在高风险法律案例匹配中涉及法律实践者的至关重要作用。为此，我们提出一种称为Co-Matching的协作匹配框架，鼓励机器和法律实践者参与匹配过程，整合隐性知识。与现有仅依赖机器的方法不同，Co-Matching允许法律实践者和机器共同确定关键句子，然后以概率方式将其组合。Co-Matching引入一种称为ProtoEM的方法，用于估计人类决策不确定性，以实现概率组合。实验结果表明，Co-Matching consistently优于现有的法律案例匹配方法，在人类和机器单独匹配方面分别实现了显著的性能提升（平均分别为+5.51%和+8.71%）。进一步分析显示，Co-Matching还确保了更好的人机协作效果。我们的研究代表了人机协作在匹配任务方面的开创性努力，标志着面向未来协作匹配研究的里程碑。