論文の概要: That's So FETCH: Fashioning Ensemble Techniques for LLM Classification in Civil Legal Intake and Referral
- arxiv url: http://arxiv.org/abs/2509.07170v1
- Date: Mon, 08 Sep 2025 19:34:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-10 14:38:27.095885
- Title: That's So FETCH: Fashioning Ensemble Techniques for LLM Classification in Civil Legal Intake and Referral
- Title（参考訳）: 民事訴訟における LLM 分類のためのファシショニング・アンサンブル技術
- Authors: Quinten Steenhuis,
- Abstract要約: 法的な問題分類のためのFETCH分類器を導入・評価する。
我々は、非営利の弁護士紹介サービスに、419の現実世界のクエリーからなる新しいデータセットを採用。
安価なモデルを用いた分類精度(hits@2)は97.37%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Each year millions of people seek help for their legal problems by calling a legal aid program hotline, walking into a legal aid office, or using a lawyer referral service. The first step to match them to the right help is to identify the legal problem the applicant is experiencing. Misdirection has consequences. Applicants may miss a deadline, experience physical abuse, lose housing or lose custody of children while waiting to connect to the right legal help. We introduce and evaluate the FETCH classifier for legal issue classification and describe two methods for improving accuracy: a hybrid LLM/ML ensemble classification method, and the automatic generation of follow-up questions to enrich the initial problem narrative. We employ a novel data set of 419 real-world queries to a nonprofit lawyer referral service. Ultimately, we show classification accuracy (hits@2) of 97.37\% using a mix of inexpensive models, exceeding the performance of the current state-of-the-art GPT-5 model. Our approach shows promise in significantly reducing the cost of guiding users of the legal system to the right resource for their problem while achieving high accuracy.
- Abstract（参考訳）: 毎年何百万人もの人々が、法的な援助プログラムをホットラインと呼び、法的な援助事務所に入り、弁護士の紹介サービスを利用することで、法的問題の解決を求めている。
それらを適切なヘルプにマッチさせる最初のステップは、申請者が経験している法的問題を特定することです。
過ちは結果をもたらす。
応募者は期限を逸脱したり、身体的虐待を受けたり、住居を失ったり、適切な法的援助に繋がるのを待っている間に子供の保護を失うことがある。
法的な問題分類のためのFETCH分類器を導入,評価し,その精度向上のための2つの方法,ハイブリッドLLM/MLアンサンブル分類法,および初期問題物語を充実させる追従質問の自動生成について述べる。
我々は、非営利の弁護士紹介サービスに、419の現実世界のクエリーからなる新しいデータセットを採用。
最終的に、安価なモデルを組み合わせて97.37 %の分類精度(hits@2)を示し、現在最先端の GPT-5 モデルの性能を上回った。
提案手法は,法体系の利用者を適切な資源に誘導するコストを大幅に削減し,高い精度を達成できることを示す。
関連論文リスト
- 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) - LEXam: Benchmarking Legal Reasoning on 340 Law Exams [61.344330783528015]
LEXamは、様々な科目と学位レベルの116の法学校コースにまたがる340の法試験から派生した、新しいベンチマークである。
このデータセットは、英語とドイツ語で4,886の法試験の質問で構成されており、その中には2,841の長文のオープンエンドの質問と2,045のマルチチョイスの質問が含まれている。
論文 参考訳（メタデータ） (2025-05-19T08:48:12Z) - 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) - Fine-tuning Large Language Models for Improving Factuality in Legal Question Answering [30.795942355722797]
幻覚(英: Hallucination、または誤った情報や偽造情報の生成)は、大きな言語モデルにおいて重要な課題である。
行動クローニングと新しいハードサンプル認識反復的直接選好最適化(HIPO)を統合した幻覚緩和手法を提案する。
本研究は,新たに提案された非半減期統計率など,様々な指標において顕著な改善を示すものである。
論文 参考訳（メタデータ） (2025-01-11T12:08:15Z) - A Method for Detecting Legal Article Competition for Korean Criminal Law Using a Case-augmented Mention Graph [3.015770349327888]
本稿では,ある法律内で競合する記事を特定することを目的とした,法律記事競合検出(LACD)と呼ばれる新たな法的AIタスクを提案する。
新たな検索手法であるCAM-Re2は、既存の関連手法より優れ、偽陽性が20.8%、偽陰性が8.3%減少する。
論文 参考訳（メタデータ） (2024-12-16T13:59:10Z) - 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) - Better Call GPT, Comparing Large Language Models Against Lawyers [0.0]
本稿では,契約審査において,大規模言語モデルが人間の精度,速度,コスト効率を上回りうるかどうかを論じる。
スピードでは、LSMは人間に必要な時間を取り除き、ほんの数秒でレビューを完了します。
コスト面では、LSMは価格のごく一部で運用されており、従来の方法よりも99.97パーセントのコスト削減を実現している。
論文 参考訳（メタデータ） (2024-01-24T03:53:28Z) - Chatlaw: A Multi-Agent Collaborative Legal Assistant with Knowledge Graph Enhanced Mixture-of-Experts Large Language Model [30.30848216845138]
ChatlawはMixture-of-Experts(MoE)モデルとマルチエージェントシステムを利用した革新的な法的アシスタントである。
知識グラフと人工スクリーニングを組み合わせることで,MoEモデルをトレーニングするための高品質な法的データセットを構築する。
弊社のMoEモデルは,法律専門家のGPT-4とUnified Exam Qualificationをそれぞれ7.73%,11ポイントで上回っている。
論文 参考訳（メタデータ） (2023-06-28T10:48:34Z) - Parameter-Efficient Legal Domain Adaptation [39.51442413250532]
本稿では,法定事前学習を行うために,公共の法律フォーラムから収集された膨大な教師なしの法定データを用いて,パラメータ効率の高い法定ドメイン適応を提案する。
提案手法は,モデルパラメータの約0.1%をチューニングしながら,既存モデルのショット性能を上回るか,あるいは一致させる。
我々の知る限りでは、この研究は、言語モデルを法域に向けてチューニングするパラメータ効率の高い手法を最初に探求するものである。
論文 参考訳（メタデータ） (2022-10-25T02:14:15Z) - 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) - How Does NLP Benefit Legal System: A Summary of Legal Artificial
Intelligence [81.04070052740596]
法律人工知能(Legal AI)は、人工知能、特に自然言語処理の技術を適用して、法的領域におけるタスクに役立てることに焦点を当てている。
本稿では,LegalAIにおける研究の歴史,現状,今後の方向性について紹介する。
論文 参考訳（メタデータ） (2020-04-25T14:45:15Z)
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。