FAIR：一种用于准确推断判决逆转的因果框架
计算与语言
2023-07-24 v2
摘要
近年来，人工智能研究者在法律智能方面取得了显著进展。然而，现有研究尚未关注判决逆转中所蕴含的重要价值，这限制了法律智能效率的提升。本文提出了一种用于准确推断案件逆转的因果框架（FAIR），该框架基于真实的中国裁判文书对判决逆转问题建模。我们通过因果推断方法挖掘判决逆转的原因，并将所获得的因果关系作为先验知识注入神经网络。随后，我们的框架作为一个法律判决预测任务在一个具有挑战性的数据集上进行了验证。实验结果表明，我们的框架能够挖掘判决逆转中最关键的因素，且所获得的因果关系能有效提升神经网络的性能。此外，我们以 ChatGPT 为例讨论了大语言模型（LLM）在法律智能任务上的泛化能力。我们的实验发现，大语言模型的泛化能力仍存在缺陷，而挖掘因果关系可有效提高模型预测的准确率和可解释性。
引用
@article{arxiv.2306.11585,
title = {FAIR: A Causal Framework for Accurately Inferring Judgments Reversals},
author = {Minghua He and Nanfei Gu and Yuntao Shi and Qionghui Zhang and Yaying Chen},
journal= {arXiv preprint arXiv:2306.11585},
year = {2023}
}