真实法庭场景下基于多阶段案件表征学习的法律判决预测
计算与语言
2021-07-13 v1
摘要
法律判决预测（LJP）是法律 AI 的一项基础任务。先前方法在伪设定下研究该主题，采用法官摘要的案件叙述作为输入来预测判决，忽视了真实法庭场景中的关键案件生命周期信息，这会威胁案件逻辑表征质量与预测正确性。本文引入了一个来自真实法庭的新颖且具有挑战性的数据集，通过利用案件的真实输入——原告诉求与法庭辩论数据，以合理详尽的方式预测法律判决；从中通过全面理解法庭辩论的多角色对话自动识别案件事实，并学习以区分诉求，从而通过多任务学习达成最终判决。基于大型民事审判数据集的大量实验表明，所提模型能更准确地刻画诉求、事实与辩论之间的交互用于法律判决预测，相较强大的最先进基线取得显著改进。此外，由真实法官与法学院学生参与的用户研究表明，神经预测结果亦可解释且易于观察，从而提升审判效率与判决质量。
引用
@article{arxiv.2107.05192,
title = {Legal Judgment Prediction with Multi-Stage CaseRepresentation Learning in the Real Court Setting},
author = {Luyao Ma and Yating Zhang and Tianyi Wang and Xiaozhong Liu and Wei Ye and Changlong Sun and Shikun Zhang},
journal= {arXiv preprint arXiv:2107.05192},
year = {2021}
}
备注
Accepted at SIGIR2021