論文の概要: TathyaNyaya and FactLegalLlama: Advancing Factual Judgment Prediction and Explanation in the Indian Legal Context

• arxiv url: http://arxiv.org/abs/2504.04737v1
• Date: Mon, 07 Apr 2025 05:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:15:50.371270
• Title: TathyaNyaya and FactLegalLlama: Advancing Factual Judgment Prediction and Explanation in the Indian Legal Context
• Title（参考訳）: TathyaNyayaとFactLegalLlama:インドの法律的文脈におけるFactLegalLlamaの予測と説明の促進
• Authors: Shubham Kumar Nigam, Balaramamahanthi Deepak Patnaik, Shivam Mishra, Noel Shallum, Kripabandhu Ghosh, Arnab Bhattacharya,
• Abstract要約: TathyaNyayaは、Factベースの判断予測と説明(FJPE)のための最大の注釈付きデータセットで、インドの法的文脈に合わせている。 本稿では,FJPEタスクの高品質な説明を生成するために最適化されたLLaMa-3-8B大言語モデル(LLM)の命令調整版であるFactLegalLlamaを提案する。
• 参考スコア（独自算出の注目度）: 5.790242888372048
• License:
• Abstract: In the landscape of Fact-based Judgment Prediction and Explanation (FJPE), reliance on factual data is essential for developing robust and realistic AI-driven decision-making tools. This paper introduces TathyaNyaya, the largest annotated dataset for FJPE tailored to the Indian legal context, encompassing judgments from the Supreme Court of India and various High Courts. Derived from the Hindi terms "Tathya" (fact) and "Nyaya" (justice), the TathyaNyaya dataset is uniquely designed to focus on factual statements rather than complete legal texts, reflecting real-world judicial processes where factual data drives outcomes. Complementing this dataset, we present FactLegalLlama, an instruction-tuned variant of the LLaMa-3-8B Large Language Model (LLM), optimized for generating high-quality explanations in FJPE tasks. Finetuned on the factual data in TathyaNyaya, FactLegalLlama integrates predictive accuracy with coherent, contextually relevant explanations, addressing the critical need for transparency and interpretability in AI-assisted legal systems. Our methodology combines transformers for binary judgment prediction with FactLegalLlama for explanation generation, creating a robust framework for advancing FJPE in the Indian legal domain. TathyaNyaya not only surpasses existing datasets in scale and diversity but also establishes a benchmark for building explainable AI systems in legal analysis. The findings underscore the importance of factual precision and domain-specific tuning in enhancing predictive performance and interpretability, positioning TathyaNyaya and FactLegalLlama as foundational resources for AI-assisted legal decision-making.
• Abstract（参考訳）: Fact-based Judgment Prediction and Explanation (FJPE)のランドスケープでは、実データへの依存は、堅牢で現実的なAI駆動意思決定ツールを開発する上で不可欠である。 本稿では,インド最高裁判所および高等裁判所の判決を包含するFJPE用アノテートデータセットとして最大であるTathyaNyayaを紹介する。 ヒンディー語の"Tathya"(事実)と"Nyaya"(正義)から派生したTathyaNyayaデータセットは、事実データが成果を駆動する現実の司法プロセスを反映して、完全な法文ではなく事実文に焦点を合わせるように設計されている。 このデータセットを補完し、FJPEタスクで高品質な説明を生成するために最適化されたLLaMa-3-8B大言語モデル(LLM)の命令調整版であるFactLegalLlamaを提案する。 TathyaNyayaの事実データに基づいて、FactLegalLlamaは、予測精度をコヒーレントでコンテキストに関連のある説明と統合し、AI支援法システムにおける透明性と解釈可能性に対する重要なニーズに対処する。 提案手法は,二分判定予測のためのトランスフォーマーと説明生成のためのFactLegalLlamaを組み合わせることで,インド法域におけるFJPE推進のための堅牢な枠組みを構築する。 TathyaNyayaは、スケールと多様性において既存のデータセットを超えるだけでなく、法的な分析で説明可能なAIシステムを構築するためのベンチマークも確立している。 この知見は,AIによる法的意思決定の基礎資料としてTathyaNyayaとFactLegalLlamaを位置づけ,予測性能と解釈可能性を高めるために,事実的精度とドメイン固有チューニングの重要性を浮き彫りにした。

関連論文リスト

• NyayaAnumana & INLegalLlama: The Largest Indian Legal Judgment Prediction Dataset and Specialized Language Model for Enhanced Decision Analysis [5.790242888372048]
  本稿では,インドにおける判例の最大かつ多種多様なコーパスであるNyayaAnumanaについて紹介する。 ニヤヤ・アヌナナには最高裁判所、高等裁判所、法廷、地方裁判所、日刊令など幅広い事件がある。 InLegalLlamaは,インド法体系の複雑さに合わせたドメイン固有生成型大規模言語モデル(LLM)である。
  論文  参考訳（メタデータ） (2024-12-11T13:50:17Z)
• Legal Judgment Reimagined: PredEx and the Rise of Intelligent AI Interpretation in Indian Courts [6.339932924789635]
  textbfPrediction with textbfExplanation (textttPredEx)は、インドの文脈における法的判断予測と説明のための、専門家による最大のデータセットである。 このコーパスは、法的分析におけるAIモデルのトレーニングと評価を大幅に強化する。
  論文  参考訳（メタデータ） (2024-06-06T14:57:48Z)
• Empowering Prior to Court Legal Analysis: A Transparent and Accessible Dataset for Defensive Statement Classification and Interpretation [5.646219481667151]
  本稿では,裁判所の手続きに先立って,警察の面接中に作成された文の分類に適した新しいデータセットを提案する。 本稿では,直感的文と真偽を区別し,最先端のパフォーマンスを実現するための微調整DistilBERTモデルを提案する。 我々はまた、法律専門家と非専門主義者の両方がシステムと対話し、利益を得ることを可能にするXAIインターフェースも提示する。
  論文  参考訳（メタデータ） (2024-05-17T11:22:27Z)
• 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)
• FENICE: Factuality Evaluation of summarization based on Natural language Inference and Claim Extraction [85.26780391682894]
  自然言語推論とクレーム抽出(FENICE)に基づく要約のファクチュアリティ評価を提案する。 FENICEは、ソース文書内の情報と、要約から抽出されたクレームと呼ばれる一連の原子的事実との間のNLIベースのアライメントを利用する。 我々の測定基準は、事実性評価のためのデファクトベンチマークであるAGGREFACTに関する新しい技術状況を設定する。
  論文  参考訳（メタデータ） (2024-03-04T17:57:18Z)
• SLJP: Semantic Extraction based Legal Judgment Prediction [0.0]
  LJP(Lawal Judgment Prediction)は、像、刑期、刑期などの法的要素を推奨する司法支援システムである。 既存のインドのモデルのほとんどは、決定に影響を及ぼす事実記述(FD)に埋め込まれた意味論に十分に集中していなかった。 提案した意味抽出に基づく LJP (SLJP) モデルは, 複雑な非構造化の判例文書理解のための事前学習型変換器の利点を提供する。
  論文  参考訳（メタデータ） (2023-12-13T08:50:02Z)
• 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)
• WiCE: Real-World Entailment for Claims in Wikipedia [63.234352061821625]
  We propose WiCE, a new fine-fine textual entailment dataset built on natural claim and evidence pairs from Wikipedia。 標準クレームレベルのエンターメントに加えて、WiCEはクレームのサブ文単位に対するエンターメント判断を提供する。 我々のデータセットの真のクレームは、既存のモデルで対処できない検証と検索の問題に挑戦することを含んでいる。
  論文  参考訳（メタデータ） (2023-03-02T17:45:32Z)
• A Survey on Legal Judgment Prediction: Datasets, Metrics, Models and Challenges [73.34944216896837]
  法定判断予測(LJP)は,事実記述に基づく判断結果の自動予測に自然言語処理(NLP)技術を適用している。 6言語で31のLJPデータセットを分析し、その構築過程を示し、LJPの分類方法を定義する。 異なる訴訟の8つの代表的データセットに対する最先端の結果を示し、オープンな課題について議論する。
  論文  参考訳（メタデータ） (2022-04-11T04:06:28Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)

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。