基于注意力模型与 LLM 提示的可解释法条预测
计算与语言
2025-12-29 v1
摘要
本文探讨了自动法条预测问题，即对于给定的案件描述，预测相关法条的子集。此处“法条”一词指任何特定法案中的节、小节或条款。解决该问题将有助于多项应用，如律师 AI 助手和法律问答系统。为了使此类法律 AI 系统获得更好的用户接受度，我们认为预测结果还应附带人类可理解的解释。我们提出了两种解决带解释法条预测问题的技术—— AoS（Attention-over-Sentences）利用案件描述中句子上的注意力机制来预测与其相关的法条；LLMPrompt 则提示 LLM 进行预测并解释特定法条的相关性。AoS 使用较小的语言模型，特别是句子转换器，并以监督方式进行训练；而 LLMPrompt 以零样本方式使用较大的语言模型，并探索了标准提示与思维链提示技术。这两个模型均以人类可理解的形式为其预测生成解释。我们在两个流行数据集上，将这两种所提技术的法条预测性能相互比较，并与一组强有力的基线进行比较。此外，我们通过自动反事实方式以及人工评估来评估所生成解释的质量。
引用
@article{arxiv.2512.21902,
title = {Explainable Statute Prediction via Attention-based Model and LLM Prompting},
author = {Sachin Pawar and Girish Keshav Palshikar and Anindita Sinha Banerjee and Nitin Ramrakhiyani and Basit Ali},
journal= {arXiv preprint arXiv:2512.21902},
year = {2025}
}