論文の概要: DRAssist: Dispute Resolution Assistance using Large Language Models
- arxiv url: http://arxiv.org/abs/2509.01962v1
- Date: Tue, 02 Sep 2025 05:09:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.913006
- Title: DRAssist: Dispute Resolution Assistance using Large Language Models
- Title（参考訳）: DRAssist:大規模言語モデルを用いた紛争解決支援システム
- Authors: Sachin Pawar, Manoj Apte, Girish K. Palshikar, Basit Ali, Nitin Ramrakhiyani,
- Abstract要約: 本稿では,人間裁判官が紛争を解決するための補助として,大規模言語モデル(LLM)の利用について検討する。
我々は自動車保険とドメイン名紛争という2つの特定のドメインの紛争に焦点を当てている。
- 参考スコア（独自算出の注目度）: 1.9708256160559825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Disputes between two parties occur in almost all domains such as taxation, insurance, banking, healthcare, etc. The disputes are generally resolved in a specific forum (e.g., consumer court) where facts are presented, points of disagreement are discussed, arguments as well as specific demands of the parties are heard, and finally a human judge resolves the dispute by often favouring one of the two parties. In this paper, we explore the use of large language models (LLMs) as assistants for the human judge to resolve such disputes, as part of our DRAssist system. We focus on disputes from two specific domains -- automobile insurance and domain name disputes. DRAssist identifies certain key structural elements (e.g., facts, aspects or disagreement, arguments) of the disputes and summarizes the unstructured dispute descriptions to produce a structured summary for each dispute. We then explore multiple prompting strategies with multiple LLMs for their ability to assist in resolving the disputes in these domains. In DRAssist, these LLMs are prompted to produce the resolution output at three different levels -- (i) identifying an overall stronger party in a dispute, (ii) decide whether each specific demand of each contesting party can be accepted or not, (iii) evaluate whether each argument by each contesting party is strong or weak. We evaluate the performance of LLMs on all these tasks by comparing them with relevant baselines using suitable evaluation metrics.
- Abstract（参考訳）: 2つの当事者間の紛争は、課税、保険、銀行、医療など、ほぼ全ての領域で発生します。
紛争は一般的に、事実が提示された特定のフォーラム(例えば、消費者裁判所)で解決され、意見の相違点が議論され、当事者の特定の要求が聴取され、最終的には人間の裁判官が2つの当事者のうちの1つを優先して紛争を解決する。
本稿では,DRAssistシステムの一環として,人間裁判官がこのような論争を解決するための補助として,大規模言語モデル(LLM)の利用について検討する。
我々は、自動車保険とドメイン名紛争という2つの特定のドメインからの紛争に焦点を当てている。DRAssistは、紛争の特定の重要な構造要素(例えば、事実、側面、意見の相違、議論)を特定し、各ドメインにおける紛争の解決を支援する複数のLSMによる複数のプロンプト戦略を探求する。DRAssistでは、これらのLCMが3段階の解決出力を生み出すよう促される。
一 紛争において総じて強い当事者を特定すること。
二 各競技会の特定の要求を受理することができるか否かを定める。
三 各競技会の議論が強いか弱いかを評価すること。
適切な評価指標を用いて,これらすべてのタスクにおけるLLMの性能を,関連するベースラインと比較することで評価する。
関連論文リスト
- Arbiters of Ambivalence: Challenges of Using LLMs in No-Consensus Tasks [52.098988739649705]
本研究では, LLMのバイアスと限界について, 応答生成器, 判定器, 討論器の3つの役割について検討した。
我々は、様々な先行的曖昧なシナリオを含む例をキュレートすることで、合意なしのベンチマークを開発する。
以上の結果から, LLMは, オープンエンドの回答を生成する際に, 曖昧な評価を行うことができる一方で, 審査員や討論者として採用する場合は, 合意なしのトピックにスタンスを取る傾向が示唆された。
論文 参考訳（メタデータ） (2025-05-28T01:31:54Z) - Conflicts in Texts: Data, Implications and Challenges [58.03478157713084]
矛盾は、状況の複雑さ、説明と対処が必要な変更、データアノテーションの難しさ、生成された出力の誤りを反映する可能性がある。
本調査ではこれらの矛盾を,(1)事実的矛盾,主観的偏見,および複数の視点が矛盾を生じさせるWeb上の自然テキスト,(2)注釈者がモデルトレーニングに影響を及ぼす注釈付きデータ,(3)幻覚と知識の衝突が発生するモデルインタラクションの3つの重要な領域に分類する。
我々は、対立する情報をより効果的に推論し、調整できる紛争対応NLPシステムの開発における重要な課題と今後の方向性を強調した。
論文 参考訳（メタデータ） (2025-04-28T04:24:01Z) - Reasoning Court: Combining Reasoning, Action, and Judgment for Multi-Hop Reasoning [17.829990749622496]
Reasoning Court(RC)は、ReActのような反復的推論と検索の手法を拡張した新しいフレームワークである。
RCはタスク固有の微調整なしで、最先端のショットプロンプト手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-04-14T00:56:08Z) - Why Reasoning Matters? A Survey of Advancements in Multimodal Reasoning (v1) [66.51642638034822]
推論は人間の知性の中心であり、多様なタスクにまたがる構造化された問題解決を可能にする。
大規模言語モデル(LLM)の最近の進歩は、算術、常識、記号領域における推論能力を大幅に向上させてきた。
本稿では,テキストおよびマルチモーダルLLMにおける推論手法の簡潔かつ洞察に富んだ概要について述べる。
論文 参考訳（メタデータ） (2025-04-04T04:04:56Z) - From Argumentation to Deliberation: Perspectivized Stance Vectors for Fine-grained (Dis)agreement Analysis [17.184962277653902]
本稿では,計算的議論設定における議論の熟考的分析のためのフレームワークを開発する。
我々は、ある問題に関して異なる議論者や利害関係者の議論で表される偏見的姿勢のきめ細かい分析を行う。
我々は、この分析を、ある問題に対する全ての議論者の個人的観念的姿勢を特徴付けるパースペクティブ化されたスタンスベクトルで定式化する。
論文 参考訳（メタデータ） (2025-02-10T13:08:46Z) - Insight Over Sight: Exploring the Vision-Knowledge Conflicts in Multimodal LLMs [55.74117540987519]
本稿では,マルチモーダル大言語モデル(MLLM)におけるコモンセンスレベル・ビジョン・知識衝突の問題について考察する。
MLLMにおけるこれらの競合をシミュレートし、評価するために設計された入力を生成するために、人間のループ品質制御を付加した自動フレームワークを導入する。
このフレームワークを用いて、374のオリジナル画像と1,122の高品質な質問応答対からなる診断ベンチマークを構築した。
論文 参考訳（メタデータ） (2024-10-10T17:31:17Z) - Analysing and Organising Human Communications for AI Fairness-Related Decisions: Use Cases from the Public Sector [0.0]
多様な利害関係者間のコミュニケーション問題は、AIアルゴリズムの誤解釈と誤用につながる可能性がある。
我々は,公共部門におけるアルゴリズムシステムに取り組む実践者とのインタビューを行う。
公平性に関連する人間の決定を下すコミュニケーションプロセスの鍵となる要素を同定する。
論文 参考訳（メタデータ） (2024-03-20T14:20:42Z) - An Empirical Analysis of Diversity in Argument Summarization [4.128725138940779]
多様性の側面として,意見,注釈,情報源の3つを紹介する。
我々は、キーポイント分析と呼ばれる一般的な議論要約タスクへのアプローチを評価する。
論文 参考訳（メタデータ） (2024-02-02T16:26:52Z) - 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) - Resolving Knowledge Conflicts in Large Language Models [46.903549751371415]
大規模言語モデル(LLM)はしばしば知識の衝突に遭遇する。
知識衝突が発生した場合のLLMのデシラタとは何か,既存のLLMがそれを満たすのかを問う。
文脈知識の矛盾をシミュレートする評価フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-02T06:57:45Z) - A Deep Dive into Conflict Generating Decisions [3.222802562733787]
私たちは、Satisfiability(SAT)問題を解決するためにConflict Driven Clause Learningを使用します。
そこで我々は,CDCLがコンフリクトから節を学習することを示した。
我々は、mc決定の学習節から一部の変数の選択優先度を下げる新しい決定戦略として、共通推論変数還元(CRVR)を開発した。
論文 参考訳（メタデータ） (2021-05-10T18:17:52Z)
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。