MultiJustice：面向多被告、多指控情形的中文法律判决预测数据集
计算与语言
2025-07-10 v1 人工智能
摘要
法律判决预测是一种为法律从业者和研究者提供支持的有力方法。然而，关于在法律判决预测中是否应将多个被告和指控分别处理的研究问题仍相对未被充分探讨。为此，我们引入了一个新的数据集，即多人多指控预测（Multi-person multi-charge prediction, MPMCP），通过评估几种主流法律大语言模型（LLM）在四种实际法律判决情景下的表现来寻求答案，这些情景包括：（S1）单一被告单一指控、（S2）单一被告多指控、（S3）多被告单一指控、（S4）多被告多指控。我们在两个法律判决任务上评估了该数据集，即指控预测和刑罚项目预测。我们进行了大量实验，发现涉及多个被告和多个指控的情景（S4）是最大的挑战，其次是S2、S3和S1。不同模型的影响差异显著。例如，在S4相对于S1的情况下，InternLM2的F1分数约低4.5个百分点，LogD高2.8个百分点，而Lawformer的F1分数约低19.7个百分点，LogD高19.0个百分点。我们的数据集和代码已公开于https://github.com/lololo-xiao/MultiJustice-MPMCP。
引用
@article{arxiv.2507.06909,
title = {MultiJustice: A Chinese Dataset for Multi-Party, Multi-Charge Legal Prediction},
author = {Xiao Wang and Jiahuan Pei and Diancheng Shui and Zhiguang Han and Xin Sun and Dawei Zhu and Xiaoyu Shen},
journal= {arXiv preprint arXiv:2507.06909},
year = {2025}
}
备注
Accepted by NLPCC 2025