論文の概要: A Survey of Classification Tasks and Approaches for Legal Contracts
- arxiv url: http://arxiv.org/abs/2507.21108v1
- Date: Wed, 09 Jul 2025 08:22:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-03 20:19:02.882428
- Title: A Survey of Classification Tasks and Approaches for Legal Contracts
- Title（参考訳）: 法定契約の分類課題とアプローチに関する調査
- Authors: Amrita Singh, Aditya Joshi, Jiaojiao Jiang, Hye-young Paik,
- Abstract要約: 自動法定契約分類(LCC)は、法定契約の分析方法に革命をもたらす。
LCCは速度、精度、アクセシビリティを大幅に改善する。
本調査では、自動LCCの課題と、重要なタスク、データセット、方法論の詳細な調査について述べる。
- 参考スコア（独自算出の注目度）: 3.5201957277157496
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Given the large size and volumes of contracts and their underlying inherent complexity, manual reviews become inefficient and prone to errors, creating a clear need for automation. Automatic Legal Contract Classification (LCC) revolutionizes the way legal contracts are analyzed, offering substantial improvements in speed, accuracy, and accessibility. This survey delves into the challenges of automatic LCC and a detailed examination of key tasks, datasets, and methodologies. We identify seven classification tasks within LCC, and review fourteen datasets related to English-language contracts, including public, proprietary, and non-public sources. We also introduce a methodology taxonomy for LCC, categorized into Traditional Machine Learning, Deep Learning, and Transformer-based approaches. Additionally, the survey discusses evaluation techniques and highlights the best-performing results from the reviewed studies. By providing a thorough overview of current methods and their limitations, this survey suggests future research directions to improve the efficiency, accuracy, and scalability of LCC. As the first comprehensive survey on LCC, it aims to support legal NLP researchers and practitioners in improving legal processes, making legal information more accessible, and promoting a more informed and equitable society.
- Abstract（参考訳）: 大規模な契約とその根底にある複雑さを考えると、手作業によるレビューは非効率になり、エラーを起こしやすくなり、自動化の必要性が明確になる。
自動法定契約分類(LCC)は、法定契約の分析方法に革命をもたらし、スピード、正確性、アクセシビリティを大幅に改善する。
本調査では、自動LCCの課題と、重要なタスク、データセット、方法論の詳細な調査について述べる。
我々は、LCC内の7つの分類タスクを特定し、パブリック、プロプライエタリ、および非パブリックソースを含む、英語契約に関連する14のデータセットをレビューする。
また、従来の機械学習、ディープラーニング、トランスフォーマーベースのアプローチに分類されるLCCのための方法論分類も導入する。
さらに, 評価手法について検討し, 評価結果のベストパフォーマンスを強調した。
現状の方法とその限界を概観することにより,LCCの効率,精度,スケーラビリティの向上に向けた今後の研究の方向性を示唆する。
LCCに関する最初の総合的な調査として、法的なNLP研究者や実践者が法的なプロセスを改善し、法的な情報をよりアクセスしやすくし、より情報で公平な社会を促進することを目的としている。
関連論文リスト
- Legal Document Summarization: Enhancing Judicial Efficiency through Automation Detection [14.157213827899342]
法律文書の要約は、司法効率を改善するための重要な進歩を表している。
この研究は、法律分野におけるワークフローのダイナミクスを大きく変えることのできる、有望な技術主導の戦略を強調している。
論文 参考訳（メタデータ） (2025-07-25T04:39:33Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - Toward Generalizable Evaluation in the LLM Era: A Survey Beyond Benchmarks [229.73714829399802]
この調査は、大規模言語モデルの台頭が評価に役立っている中核的な課題を調査する。
i) タスク固有のものから能力に基づく評価へと、知識、推論、指示に従うこと、マルチモーダル理解、安全性といったコア能力に関するベンチマークを再編成する。
この問題と、上記の2つのトランジションの中核的な課題を、メソッド、データセット、評価器、メトリクスの観点から検討する。
論文 参考訳（メタデータ） (2025-04-26T07:48:52Z) - Query-based Knowledge Transfer for Heterogeneous Learning Environments [50.45210784447839]
クエリベースの知識伝達(QKT)という新しいフレームワークを提案する。
QKTは、データ交換なしで特定のクライアントのニーズを満たすための、適切な知識獲得を可能にする。
実験の結果,QKTは既存の協調学習方法よりも優れていた。
論文 参考訳（メタデータ） (2025-04-12T13:09:39Z) - Aplicação de Large Language Models na Análise e Síntese de Documentos Jurídicos: Uma Revisão de Literatura [0.0]
大規模言語モデル (LLMs) は、法的文書の分析と合成を最適化するためにますます使われている。
本研究の目的は,LLMに適用された技術の現状を法的文脈で把握するために,系統的な文献レビューを行うことである。
論文 参考訳（メタデータ） (2025-04-01T12:34:00Z) - The Imperative of Conversation Analysis in the Era of LLMs: A Survey of Tasks, Techniques, and Trends [64.99423243200296]
会話分析(CA)は、会話データから重要な情報を発見し分析する。
本稿では,CAタスクの徹底的なレビューとシステム化を行い,既存の業務を要約する。
会話シーンの再構築,奥行きの属性分析,ターゲットトレーニングの実行,会話の生成から,CAの4つの重要なステップを導出した。
論文 参考訳（メタデータ） (2024-09-21T16:52:43Z) - Optimizing Numerical Estimation and Operational Efficiency in the Legal Domain through Large Language Models [13.067312163677933]
本稿では,Large Language Modelsと特殊設計のプロンプトを統合して,法的な人工知能(LegalAI)アプリケーションにおける精度要件に対処する手法を提案する。
本手法を検証するために,精度指向の LegalAI タスクに適したキュレートデータセットを提案する。
論文 参考訳（メタデータ） (2024-07-26T18:46:39Z) - Learning from Litigation: Graphs and LLMs for Retrieval and Reasoning in eDiscovery [6.037276428689637]
文書のランク付けと分類を強化するために知識グラフを統合する新システムであるDISCOGを導入する。
DISCOGは、F1スコア、精度、リコールにおいて、バランスの取れたデータセットと不均衡なデータセットの両方において、強力なベースラインを上回っている。
現実世界のデプロイメントでは、訴訟関連のドキュメントレビューコストを約98%削減し、ビジネス上の大きな影響を示している。
論文 参考訳（メタデータ） (2024-05-29T15:08:55Z) - A Survey on Large Language Models for Critical Societal Domains: Finance, Healthcare, and Law [65.87885628115946]
大規模言語モデル(LLM)は、金融、医療、法律の展望に革命をもたらしている。
我々は、医療における診断・治療方法論の強化、財務分析の革新、法的解釈・コンプライアンス戦略の精査におけるLCMの役割を強調した。
これらの分野におけるLLMアプリケーションの倫理を批判的に検討し、既存の倫理的懸念と透明で公平で堅牢なAIシステムの必要性を指摘した。
論文 参考訳（メタデータ） (2024-05-02T22:43:02Z) - 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) - An Uncommon Task: Participatory Design in Legal AI [64.54460979588075]
われわれは10年以上前に行われた法律分野における、注目に値する、未調査のAI設計プロセスについて検討する。
インタラクティブなシミュレーション手法によって,コンピュータ科学者と弁護士が共同設計者になれることを示す。
論文 参考訳（メタデータ） (2022-03-08T15:46:52Z)
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。