論文の概要: LLMs for Legal Subsumption in German Employment Contracts

• arxiv url: http://arxiv.org/abs/2507.01734v1
• Date: Wed, 02 Jul 2025 14:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.277832
• Title: LLMs for Legal Subsumption in German Employment Contracts
• Title（参考訳）: ドイツ雇用契約における法定雇用のLLM
• Authors: Oliver Wardas, Florian Matthes,
• Abstract要約: 本研究では,ドイツの雇用契約における節の合法性を評価するために,大規模言語モデルと文脈内学習の利用について検討する。 我々の研究は、異なるLLMが3つの法的文脈変化の下で、節を「無効」、「不公平」、または「ボイド」に分類する能力を評価する。 その結果,全文ソースでは性能が適度に向上し,検査ガイドラインでは空白節のリコールや重み付きF1スコアが80%に向上した。
• 参考スコア（独自算出の注目度）: 3.3916160303055567
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Legal work, characterized by its text-heavy and resource-intensive nature, presents unique challenges and opportunities for NLP research. While data-driven approaches have advanced the field, their lack of interpretability and trustworthiness limits their applicability in dynamic legal environments. To address these issues, we collaborated with legal experts to extend an existing dataset and explored the use of Large Language Models (LLMs) and in-context learning to evaluate the legality of clauses in German employment contracts. Our work evaluates the ability of different LLMs to classify clauses as "valid," "unfair," or "void" under three legal context variants: no legal context, full-text sources of laws and court rulings, and distilled versions of these (referred to as examination guidelines). Results show that full-text sources moderately improve performance, while examination guidelines significantly enhance recall for void clauses and weighted F1-Score, reaching 80\%. Despite these advancements, LLMs' performance when using full-text sources remains substantially below that of human lawyers. We contribute an extended dataset, including examination guidelines, referenced legal sources, and corresponding annotations, alongside our code and all log files. Our findings highlight the potential of LLMs to assist lawyers in contract legality review while also underscoring the limitations of the methods presented.
• Abstract（参考訳）: 法律研究は、そのテキスト重大で資源集約的な性質を特徴とし、NLP研究に固有の課題と機会を提示する。 データ駆動型アプローチがこの分野を前進させている一方で、解釈可能性や信頼性の欠如により、動的法環境における適用性が制限されている。 これらの課題に対処するため、我々は法律専門家と協力して既存のデータセットを拡張し、ドイツの雇用契約における節の合法性を評価するために、LLM(Large Language Models)と文脈内学習(in-context learning)の利用を検討した。 我々の研究は、異なるLLMが条項を「無効」、「不公平」、または「無効」の3つの法的文脈の変種に分類する能力を評価する。 その結果、フルテキストのソースでは性能が適度に向上し、検査ガイドラインでは空白節のリコールや重み付きF1スコアが80%に向上した。 これらの進歩にもかかわらず、フルテキストソースを使用する際のLLMのパフォーマンスは、人間の弁護士よりもかなり低いままである。 我々は、コードとすべてのログファイルとともに、試験ガイドライン、参照された法的ソース、およびそれに対応するアノテーションを含む拡張データセットをコントリビュートする。 提案手法の限界を強調しつつ,契約の合法性審査において弁護士を支援するLLMの可能性を強調した。

関連論文リスト

• Large Language Models in Legislative Content Analysis: A Dataset from the Polish Parliament [0.0]
  この研究は、法律分野、特にポーランド語におけるNLPの発展に寄与している。 一般的にアクセス可能なデータでさえ、立法内容分析に活用できることが実証されている。
  論文  参考訳（メタデータ） (2025-03-15T12:10:20Z)
• LegalAgentBench: Evaluating LLM Agents in Legal Domain [53.70993264644004]
  LegalAgentBenchは、中国の法律領域でLLMエージェントを評価するために特別に設計されたベンチマークである。 LegalAgentBenchには、現実世界の法的シナリオから17のコーパスが含まれており、外部知識と対話するための37のツールを提供している。
  論文  参考訳（メタデータ） (2024-12-23T04:02:46Z)
• Legal Evalutions and Challenges of Large Language Models [42.51294752406578]
  我々は,OPENAI o1モデルを事例研究として,法律規定の適用における大規模モデルの性能評価に利用した。 我々は、オープンソース、クローズドソース、および法律ドメインのために特別に訓練された法律固有のモデルを含む、最先端のLLMを比較します。
  論文  参考訳（メタデータ） (2024-11-15T12:23:12Z)
• InternLM-Law: An Open Source Chinese Legal Large Language Model [72.2589401309848]
  InternLM-Lawは、中国法に関する様々な法的クエリに対処するための特殊なLLMである。 われわれは、中国法域に100万以上のクエリを含むデータセットを慎重に構築する。 InternLM-LawはLawBench上で最高の平均性能を達成し、20サブタスク中13サブタスクでGPT-4を含む最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2024-06-21T06:19:03Z)
• Leveraging Large Language Models for Relevance Judgments in Legal Case Retrieval [16.29803062332164]
  本稿では,大規模言語モデルによる専門家による関連判断の生成を支援する,数ショットのアプローチを提案する。 提案手法は,人間のアノテータのワークフローを模倣して,判断過程をいくつかの段階に分解する。 また、解釈可能なデータラベリングを保証し、関連性評価プロセスにおける透明性と明確性を提供します。
  論文  参考訳（メタデータ） (2024-03-27T09:46:56Z)
• BLT: Can Large Language Models Handle Basic Legal Text? [44.89873147675516]
  GPT-4とClaudeは、基本的な法的テキスト処理では性能が良くない。 ベンチマークの粗悪なパフォーマンスは、法的慣行の信頼性を疑うものだ。 トレーニングセットの微調整は、小さなモデルでもほぼ完璧なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-11-16T09:09:22Z)
• Large Language Models as Tax Attorneys: A Case Study in Legal Capabilities Emergence [5.07013500385659]
  本稿では,税法の適用におけるLarge Language Models(LLM)の機能について考察する。 実験では,その後のOpenAIモデルリリースにおけるパフォーマンスの向上とともに,新たな法的理解能力を実証した。 発見は、特に拡張の促進と正しい法的文書と組み合わせることで、高いレベルの精度で実行可能であるが、専門家の税務弁護士レベルではまだ実行できないことを示している。
  論文  参考訳（メタデータ） (2023-06-12T12:40:48Z)
• A Short Survey of Viewing Large Language Models in Legal Aspect [0.0]
  大規模言語モデル(LLM)は、自然言語処理、コンピュータビジョン、強化学習など、多くの分野に変化をもたらした。 LLMの法的分野への統合は、プライバシーの懸念、偏見、説明可能性など、いくつかの法的問題を引き起こしている。
  論文  参考訳（メタデータ） (2023-03-16T08:01:22Z)
• Lawformer: A Pre-trained Language Model for Chinese Legal Long Documents [56.40163943394202]
  我々は,中国法定長文理解のためのLongformerベースの事前学習言語モデル,Lawformerをリリースする。 判決の予測,類似事例の検索,法的読解,法的質問の回答など,さまざまな法務上の課題について法務担当者を評価した。
  論文  参考訳（メタデータ） (2021-05-09T09:39:25Z)

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。