LePREC：作为结构化因子上分类的推理以评估法律问题的相关性

由于法律资源有限，全球超过一半的人口难以满足其民事司法需求。尽管大型语言模型（LLM）展示了令人印象深刻的推理能力，但即使在法律问题识别这一基础步骤上仍存在重大挑战。为了研究 LLM 在此任务中的能力，我们从 769 个真实的马来西亚合同法法庭案件中构建了一个数据集，使用 GPT-4o 提取事实并生成候选法律问题，由高级法律专家进行标注，这揭示了一个关键局限：尽管 LLM 生成了多样的问题候选，但其精确度仍然不足（GPT-4o 仅达到 62%）。为了解决这一差距，我们提出了 LePREC（Legal Professional-inspired Reasoning Elicitation and Classification，受法律专业人士启发的推理引出与分类），这是一个将神经生成与结构化统计推理相结合的神经符号框架。LePREC 包括：（1）一个神经组件，利用 LLM 将法律描述转化为代表多种分析因子的问答对；（2）一个符号组件，在这些离散特征上应用稀疏线性模型，学习显式的代数权重以识别最具信息量的推理因子。与端到端神经方法不同，LePREC 通过透明的特征加权实现了可解释性，同时通过基于相关性的统计分类保持了数据效率。实验表明，相较于包括 GPT-4o 和 Claude 在内的先进 LLM 基线实现了 30-40% 的提升，证实了基于相关性的因子-问题分析为相关性决策提供了更具数据效率的解决方案。