論文の概要: ASP2LJ : An Adversarial Self-Play Laywer Augmented Legal Judgment Framework

• arxiv url: http://arxiv.org/abs/2506.18768v1
• Date: Wed, 11 Jun 2025 06:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.856905
• Title: ASP2LJ : An Adversarial Self-Play Laywer Augmented Legal Judgment Framework
• Title（参考訳）: ASP2LJ : 法定判断フレームワーク
• Authors: Ao Chang, Tong Zhou, Yubo Chen, Delai Qiu, Shengping Liu, Kang Liu, Jun Zhao,
• Abstract要約: 法的判断予測 (LJP) は、関連する法的費用、条件、罰金を含む司法結果を予測することを目的としている。 現在のデータセットは、真正ケースから派生したもので、高い人間のアノテーションコストと不均衡な分布に悩まされている。 本稿では, ASP2LJ という法定法定法定フレームワークを提案する。 我々の枠組みは、裁判官が進化した弁護士の議論を参照することを可能にし、司法決定の客観性、公正性、合理性を改善する。
• 参考スコア（独自算出の注目度）: 21.003203706712643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legal Judgment Prediction (LJP) aims to predict judicial outcomes, including relevant legal charge, terms, and fines, which is a crucial process in Large Language Model(LLM). However, LJP faces two key challenges: (1)Long Tail Distribution: Current datasets, derived from authentic cases, suffer from high human annotation costs and imbalanced distributions, leading to model performance degradation. (2)Lawyer's Improvement: Existing systems focus on enhancing judges' decision-making but neglect the critical role of lawyers in refining arguments, which limits overall judicial accuracy. To address these issues, we propose an Adversarial Self-Play Lawyer Augmented Legal Judgment Framework, called ASP2LJ, which integrates a case generation module to tackle long-tailed data distributions and an adversarial self-play mechanism to enhance lawyers' argumentation skills. Our framework enables a judge to reference evolved lawyers' arguments, improving the objectivity, fairness, and rationality of judicial decisions. Besides, We also introduce RareCases, a dataset for rare legal cases in China, which contains 120 tail-end cases. We demonstrate the effectiveness of our approach on the SimuCourt dataset and our RareCases dataset. Experimental results show our framework brings improvements, indicating its utilization. Our contributions include an integrated framework, a rare-case dataset, and publicly releasing datasets and code to support further research in automated judicial systems.
• Abstract（参考訳）: LJP(Lawal Judgment Prediction)は、Large Language Model(LLM)において重要なプロセスである、関連する法的課金、条件、罰金を含む司法結果を予測することを目的としている。 しかしながら,Long Tail Distribution: 現在のデータセットは, 精度の高いアノテーションコストと不均衡な分布に悩まされ, モデル性能が低下する。 2) 従来の制度は, 審査員の意思決定の強化に重点を置いているが, 総合的司法の正確性を制限する議論の精査において, 弁護士が重要な役割を怠っている。 これらの問題に対処するため, ASP2LJ という, 長期データ配信に対処するためのケース生成モジュールと, 弁護士の議論力を高めるための対戦型セルフプレイ機構を統合した, 対向型セルフプレイ・ロイヤリティ・フレームワークを提案する。 我々の枠組みは、裁判官が進化した弁護士の議論を参照することを可能にし、司法決定の客観性、公正性、合理性を改善する。 また、中国でレアな訴訟のデータセットであるRareCasesについても紹介します。 提案手法の有効性を,SimuCourtデータセットとRareCasesデータセットに示す。 実験の結果、我々のフレームワークは改善をもたらし、その利用率を示している。 私たちのコントリビューションには、統合フレームワーク、レアケースデータセット、自動司法システムにおけるさらなる研究を支援するためのデータセットとコードを公開しています。

関連論文リスト

• RLJP: Legal Judgment Prediction via First-Order Logic Rule-enhanced with Large Language Models [58.69183479148083]
  法的判断予測(LJP)は、法的AIにおいて重要な課題である。 既存のLJPモデルは、高いパフォーマンスのために司法上の前例と法的な知識を統合している。 しかし彼らは、厳密な論理分析を必要とする法的判断の重要な要素である法的推論論理を無視している。 本稿では、一階述語論理(FOL)形式と比較学習(CL)に基づく規則強化された法的判断予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-27T14:50:21Z)
• AppealCase: A Dataset and Benchmark for Civil Case Appeal Scenarios [47.83822985839837]
  本稿では,91件の民事事件の1万対の実世界と一致した第1インスタンスと第2インスタンスの文書からなるFiceCaseデータセットを提案する。 このデータセットには、判断の逆転、逆転理由、引用された法的規定、クレームレベルの決定、第2のインスタンスに新たな情報があるかどうかという5つの側面に沿った詳細なアノテーションも含まれている。 実験結果から, すべてのモデルが判定逆転予測タスクにおいて50%未満のF1スコアを達成し, 魅力シナリオの複雑さと課題を浮き彫りにしていることがわかった。
  論文  参考訳（メタデータ） (2025-05-22T10:50:33Z)
• AnnoCaseLaw: A Richly-Annotated Dataset For Benchmarking Explainable Legal Judgment Prediction [56.797874973414636]
  AnnoCaseLawは、アメリカ合衆国控訴裁判所の無視事件を慎重に注釈付けした471のデータセットである。 我々のデータセットは、より人間らしく説明可能な法的な判断予測モデルの基礎となる。 その結果、LJPは依然として厳しい課題であり、法的な前例の適用は特に困難であることが示されている。
  論文  参考訳（メタデータ） (2025-02-28T19:14:48Z)
• Enabling Discriminative Reasoning in LLMs for Legal Judgment Prediction [23.046342240176575]
  人間の推論に触発されたAsk-Discriminate-Predict(ADAPT)推論フレームワークを紹介する。 ADAPTは、ケース事実を分解し、潜在的な電荷を識別し、最終的な判断を予測する。 広く利用されている2つのデータセットに対して行われた実験は、法的な判断予測において、我々のフレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-02T05:43:15Z)
• Multi-Defendant Legal Judgment Prediction via Hierarchical Reasoning [49.23103067844278]
  マルチディペンダント・ケースの各被告に対する判断結果を自動予測することを目的としたマルチディペンダント・LJPの課題を提案する。 マルチディペンダント LJP の課題は,(1) 各被告の識別不能な判断結果, (2) 訓練と評価のための実世界のデータセットの欠如である。
  論文  参考訳（メタデータ） (2023-12-10T04:46:30Z)
• LeCaRDv2: A Large-Scale Chinese Legal Case Retrieval Dataset [20.315416393247247]
  大規模法ケース検索データセットLeCaRDv2(バージョン2)を紹介する。 800のクエリと430万件の刑事事件文書から抽出された55,192の候補で構成されている。 評価,ペナルティ,手順の3つの重要な側面を考慮し,既存の関連基準を充実させる。 データセットのすべてのケースは、刑事法を専門とする複数の法律専門家によって注釈付けされています。
  論文  参考訳（メタデータ） (2023-10-26T17:32:55Z)
• 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)

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。