Fugu-MT 論文翻訳(概要): GLARE: Agentic Reasoning for Legal Judgment Prediction

論文の概要: GLARE: Agentic Reasoning for Legal Judgment Prediction

arxiv url: http://arxiv.org/abs/2508.16383v1
Date: Fri, 22 Aug 2025 13:38:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-25 16:42:36.394909
Title: GLARE: Agentic Reasoning for Legal Judgment Prediction
Title（参考訳）: GLARE: 法的判断予測のためのエージェント推論
Authors: Xinyu Yang, Chenlong Deng, Zhicheng Dou,
Abstract要約: 法学分野では、法的判断予測(LJP)がますます重要になっている。既存の大規模言語モデル (LLM) には、法的な知識が不足しているため、推論に不十分な重大な問題がある。 GLAREは,異なるモジュールを呼び出し,重要な法的知識を動的に獲得するエージェント的法的推論フレームワークである。
参考スコア（独自算出の注目度）: 60.13483016810707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Legal judgment prediction (LJP) has become increasingly important in the legal field. In this paper, we identify that existing large language models (LLMs) have significant problems of insufficient reasoning due to a lack of legal knowledge. Therefore, we introduce GLARE, an agentic legal reasoning framework that dynamically acquires key legal knowledge by invoking different modules, thereby improving the breadth and depth of reasoning. Experiments conducted on the real-world dataset verify the effectiveness of our method. Furthermore, the reasoning chain generated during the analysis process can increase interpretability and provide the possibility for practical applications.
Abstract（参考訳）: 法学分野では、法的判断予測(LJP)がますます重要になっている。本稿では,既存の大規模言語モデル (LLM) が,法的な知識の欠如による推論の不十分さに重大な問題があることを明らかにする。そこで我々は,異なるモジュールを呼び出して,重要な法的知識を動的に獲得するエージェント法的推論フレームワークであるGLAREを導入する。実世界のデータセットを用いた実験により,本手法の有効性が検証された。さらに,解析過程で発生した推論連鎖は解釈可能性を高め,実用的な応用の可能性を与えることができる。

関連論文リスト

LegalOne: A Family of Foundation Models for Reliable Legal Reasoning [54.57434222018289]
我々は、中国の法律ドメインに特化された基礎モデルのファミリーであるLegalOneを紹介します。 LegalOneは、法的推論をマスターするために設計された包括的な3フェーズパイプラインを通じて開発されている。 LegalOneの重み付けとLegalKit評価フレームワークを公開して、Legal AIの分野を前進させます。
論文参考訳（メタデータ） (2026-01-31T10:18:32Z)
PLawBench: A Rubric-Based Benchmark for Evaluating LLMs in Real-World Legal Practice [67.71760070255425]
本稿では,大規模言語モデル (LLM) を評価するための実践的ベンチマークであるPLawBenchを紹介する。 PLawBenchは、13の実践的な法的シナリオにわたる850の質問で構成され、各質問には専門家が設計した評価ルーブが伴っている。人間の専門的判断に合わせたLLMに基づく評価器を用いて,10種類の最先端のLLMを評価した。
論文参考訳（メタデータ） (2026-01-23T11:36:10Z)
LRAS: Advanced Legal Reasoning with Agentic Search [48.281150948187786]
Legal Reasoning with Agentic Search (LRAS)は、静的かつパラメトリックな「クローズドループ思考」から動的かつインタラクティブな「アクティベート問い合わせ」への移行を目的としたフレームワークである。 Introspective LearningとDifficulty-aware Reinforcement Learningを統合することで、LRASはLRMが知識境界を特定し、法的推論を扱うことを可能にする。実証実験の結果、LRASは最先端のベースラインを8.2-32%上回っている。
論文参考訳（メタデータ） (2026-01-12T08:07:35Z)
On Verifiable Legal Reasoning: A Multi-Agent Framework with Formalized Knowledge Representations [0.0]
本稿では,法的な推論を異なる知識獲得と応用段階に分解するモジュール型マルチエージェントフレームワークを提案する。第一段階では、特殊エージェントは法的概念を抽出し、規則を形式化し、法令の検証可能な中間表現を作成する。第2段階では、クエリを分析してケース事実をスキーマにマッピングし、論理的に関連する結論を導出するためのシンボリック推論を実行し、最終的な回答を生成するという3つのステップを通じて、この知識を特定のケースに適用する。
論文参考訳（メタデータ） (2025-08-31T06:03:00Z)
ClaimGen-CN: A Large-scale Chinese Dataset for Legal Claim Generation [56.79698529022327]
法的な主張は、事件における原告の要求を言及し、法的理由づけと事件解決を導くのに不可欠である。本稿では,その事例の事実に基づく法的クレーム生成の問題について考察する。われわれは,中国法定クレーム生成タスクの最初のデータセットであるClaymGen-CNを構築した。
論文参考訳（メタデータ） (2025-08-24T07:19:25Z)
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)
A Law Reasoning Benchmark for LLM with Tree-Organized Structures including Factum Probandum, Evidence and Experiences [76.73731245899454]
本稿では,階層的なファクトラム,証拠,暗黙的な経験に富む透明な法理推論スキーマを提案する。このスキーマにインスパイアされた課題は、テキストのケース記述を取り込み、最終決定を正当化する階層構造を出力する。このベンチマークは、Intelligent Courtにおける透明で説明可能なAI支援法推論の道を開く」。
論文参考訳（メタデータ） (2025-03-02T10:26:54Z)
Can Large Language Models Grasp Legal Theories? Enhance Legal Reasoning with Insights from Multi-Agent Collaboration [27.047809869136458]
大きな言語モデル(LLM)は、法的理論を完全に理解し、法的推論タスクを実行するのに苦労する可能性がある。法理論と推論能力に対するLLMの理解をよりよく評価するための課題(電荷予測の解釈)を導入する。複雑な法的推論機能を改善するためのマルチエージェントフレームワークも提案する。
論文参考訳（メタデータ） (2024-10-03T14:15:00Z)
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)
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)
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)
Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文参考訳（メタデータ） (2021-04-19T16:13:10Z)

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。