論文の概要: Explaining Legal Concepts with Augmented Large Language Models (GPT-4)

• arxiv url: http://arxiv.org/abs/2306.09525v2
• Date: Thu, 22 Jun 2023 11:30:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 16:53:03.826774
• Title: Explaining Legal Concepts with Augmented Large Language Models (GPT-4)
• Title（参考訳）: 拡張大言語モデル(GPT-4)による法的概念の説明
• Authors: Jaromir Savelka, Kevin D. Ashley, Morgan A. Gray, Hannes Westermann, Huihui Xu
• Abstract要約: 我々は,法律における用語の事実的正確で明確で関連性の高い説明を生成する上で,GPT-4の性能を評価する。 GPT-4の直接適用により, 表面の非常に高品質な説明が得られることがわかった。 その結果,増悪によって品質が向上し,幻覚の問題は解消されることがわかった。
• 参考スコア（独自算出の注目度）: 0.8924669503280334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpreting the meaning of legal open-textured terms is a key task of legal professionals. An important source for this interpretation is how the term was applied in previous court cases. In this paper, we evaluate the performance of GPT-4 in generating factually accurate, clear and relevant explanations of terms in legislation. We compare the performance of a baseline setup, where GPT-4 is directly asked to explain a legal term, to an augmented approach, where a legal information retrieval module is used to provide relevant context to the model, in the form of sentences from case law. We found that the direct application of GPT-4 yields explanations that appear to be of very high quality on their surface. However, detailed analysis uncovered limitations in terms of the factual accuracy of the explanations. Further, we found that the augmentation leads to improved quality, and appears to eliminate the issue of hallucination, where models invent incorrect statements. These findings open the door to the building of systems that can autonomously retrieve relevant sentences from case law and condense them into a useful explanation for legal scholars, educators or practicing lawyers alike.
• Abstract（参考訳）: 法的なオープンテクスト用語の意味を解釈することは、法律専門家にとって重要な課題である。 この解釈の重要な根拠は、前回の訴訟においてこの用語が適用された方法である。 本稿では,法律における用語の事実的正確・明確・関連的な説明を生成するためのGPT-4の性能を評価する。 本稿では,GPT-4が直接法的用語の説明を依頼されるベースライン・セットアップの性能と,ケース・ローからの文の形式で,モデルに関連するコンテキストを提供するための法的情報検索モジュールを用いた拡張アプローチとの比較を行う。 GPT-4の直接適用により, 表面の非常に高品質な説明が得られることがわかった。 しかし、詳細な分析により、説明の事実的正確性の観点から制限が明らかになった。 さらに, 改良により品質が向上し, モデルが誤った文を発明する幻覚の問題を排除していることが明らかとなった。 これらの発見は、ケースローから関連する文章を自律的に回収し、法律学者や教育者、弁護士などにとって有用な説明に導くことができるシステムの構築への扉を開く。

関連論文リスト

• Legal Minds, Algorithmic Decisions: How LLMs Apply Constitutional Principles in Complex Scenarios [0.0]
  GPT-4は一貫して、憲法の進歩的な解釈と密接に一致している。 本実験は, GPT-4の進行的法的解釈を優先する傾向を明らかにした。
  論文  参考訳（メタデータ） (2024-07-29T07:51:43Z)
• DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
  判例検索のための識別モデルであるDELTAを紹介する。 我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。 本手法は, 判例検索において, 既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-27T10:40:14Z)
• Towards Explainability in Legal Outcome Prediction Models [64.00172507827499]
  我々は、前例が法的NLPモデルの説明可能性を促進する自然な方法であると主張している。 法的な先例の分類法を開発することで、人間の判断と神経モデルを比較することができる。 モデルが合理的に結果を予測することを学習する一方で、前例の使用は人間の判断とは違い、ということがわかりました。
  論文  参考訳（メタデータ） (2024-03-25T15:15:41Z)
• Precedent-Enhanced Legal Judgment Prediction with LLM and Domain-Model Collaboration [52.57055162778548]
  法的判断予測(LJP)は、法律AIにおいてますます重要な課題となっている。 先行は、同様の事実を持つ以前の訴訟であり、国家法制度におけるその後の事件の判断の基礎となっている。 近年のディープラーニングの進歩により、LJPタスクの解決に様々なテクニックが使えるようになった。
  論文  参考訳（メタデータ） (2023-10-13T16:47:20Z)
• Legal Syllogism Prompting: Teaching Large Language Models for Legal Judgment Prediction [0.6091702876917281]
  LoT(Lawal syllogism prompting)は、法的な判断の予測のために大きな言語モデルを教える単純なプロンプト法である。 LoTは法的なシロジズムにおいて、主要な前提は法であり、小さな前提は事実であり、結論は判断である、とのみ教えている。 以上の結果から, LoT を用いた LLM は,思考のベースラインや連鎖よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-07-17T08:38:46Z)
• Unlocking Practical Applications in Legal Domain: Evaluation of GPT for Zero-Shot Semantic Annotation of Legal Texts [0.0]
  我々は、短いテキストスニペットのセマンティックアノテーションを実行するための、最先端の生成事前学習トランスフォーマ(GPT)モデルの有効性を評価する。 その結果、GPTモデルは様々な種類の文書のゼロショット設定において驚くほどよく機能することがわかった。
  論文  参考訳（メタデータ） (2023-05-08T01:55:53Z)
• SAILER: Structure-aware Pre-trained Language Model for Legal Case Retrieval [75.05173891207214]
  判例検索は知的法体系において中心的な役割を果たす。 既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。 本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T10:47:01Z)
• Exploiting Contrastive Learning and Numerical Evidence for Confusing Legal Judgment Prediction [46.71918729837462]
  訴訟の事実記述文を考慮し、法的判断予測は、事件の告訴、法律記事、刑期を予測することを目的としている。 従来の研究では、標準的なクロスエントロピー分類損失と異なる分類誤差を区別できなかった。 本稿では,モコに基づく教師付きコントラスト学習を提案する。 さらに,事前学習した数値モデルにより符号化された抽出された犯罪量による事実記述の表現をさらに強化する。
  論文  参考訳（メタデータ） (2022-11-15T15:53:56Z)
• Factoring Statutory Reasoning as Language Understanding Challenges [48.13180364616141]
  法定推論を4種類の言語理解課題問題に分解する。 Prologプログラムに見られる概念と構造を紹介します。 法定推論のモデルは、追加の構造の恩恵を受けることが示されている。
  論文  参考訳（メタデータ） (2021-05-17T14:33:02Z)
• A Dataset for Statutory Reasoning in Tax Law Entailment and Question Answering [37.66486350122862]
  本稿では,法定推論における自然言語理解手法の性能について検討する。 我々は、法的ドメインのテキストコーパスとともにデータセットを導入する。 タスクを完全に解くように設計された手作りPrologベースのシステムと対比する。
  論文  参考訳（メタデータ） (2020-05-11T16:54:42Z)
• Distinguish Confusing Law Articles for Legal Judgment Prediction [30.083642130015317]
  LJP(Lawal Judgment Prediction)は、その事実を記述したテキストが与えられた場合、訴訟の判断結果を自動的に予測するタスクである。 LJP の課題を解決するために,エンド・ツー・エンドのモデル LADAN を提案する。
  論文  参考訳（メタデータ） (2020-04-06T11:09:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。