面向法律判决预测的 LLM 辅助因果结构消歧与因子提取
计算与语言
2026-03-13 v1
摘要
主流基于预训练语言模型 (PLMs) 的法律判决预测方法严重依赖案例事实与判决结果之间的统计相关性。这一范式缺乏对法律组成要素和底层因果逻辑的显式建模，使模型易于学习虚假相关性并存在鲁棒性差的问题。虽然引入因果推断可缓解此问题，但现有因果 LJP 方法在实际法律文本中面临两个关键瓶颈：因子提取不准确且存在严重噪声，以及由于稀疏特征导致的因果结构发现显著不确定性。为此，我们提出了一个集成大语言模型 (LLM) 先验与统计因果发现的增强因果推断框架。首先，我们设计一种粗到细的混合提取机制，结合统计抽样和 LLM 语义推理，以准确识别和净化标准法律组成要素。其次，为解决结构不确定性，我们引入 LLM 辅助的因果结构消歧机制。通过将 LLM 作为受约束的先验知识库，我们对含糊的因果方向进行概率评估和修剪，以生成符合法律规范的候选因果图。最后，构建一个通过生成的因果图显式约束文本注意力强度的因果感知判决预测模型。广泛的实验在多个基准数据集上进行，包括 LEVEN、QA 和 CAIL，表明我们的方法在预测准确率和鲁棒性方面均显著优于最先进的基线，尤其在区分混淆指控方面效果显著。
引用
@article{arxiv.2603.11446,
title = {LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction},
author = {Yuzhi Liang and Lixiang Ma and Xinrong Zhu},
journal= {arXiv preprint arXiv:2603.11446},
year = {2026}
}