論文の概要: LePREC: Reasoning as Classification over Structured Factors for Assessing Relevance of Legal Issues

• arxiv url: http://arxiv.org/abs/2604.19464v1
• Date: Tue, 21 Apr 2026 13:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.79054
• Title: LePREC: Reasoning as Classification over Structured Factors for Assessing Relevance of Legal Issues
• Title（参考訳）: LePREC: 法的問題との関連性を評価するための構造的要因の分類としての推論
• Authors: Fanyu Wang, Xiaoxi Kang, Paul Burgess, Aashish Srivastava, Chetan Arora, Adnan Trakic, Lay-Ki Soon, Md Khalid Hossain, Lizhen Qu,
• Abstract要約: 世界の人口の半数以上が、法的な資源が限られているため、市民の正義のニーズを満たすために苦労している。 本稿では,ニューラルジェネレーションと構造化統計的推論を組み合わせたニューラルシンボリック・フレームワークLePRECを提案する。
• 参考スコア（独自算出の注目度）: 21.269183638841195
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: More than half of the global population struggles to meet their civil justice needs due to limited legal resources. While Large Language Models (LLMs) have demonstrated impressive reasoning capabilities, significant challenges remain even at the foundational step of legal issue identification. To investigate LLMs' capabilities in this task, we constructed a dataset from 769 real-world Malaysian Contract Act court cases, using GPT-4o to extract facts and generate candidate legal issues, annotated by senior legal experts, which reveals a critical limitation: while LLMs generate diverse issue candidates, their precision remains inadequate (GPT-4o achieves only 62%). To address this gap, we propose LePREC (Legal Professional-inspired Reasoning Elicitation and Classification), a neuro-symbolic framework combining neural generation with structured statistical reasoning. LePREC consists of: (1) a neuro component leverages LLMs to transform legal descriptions into question-answer pairs representing diverse analytical factors, and (2) a symbolic component applies sparse linear models over these discrete features, learning explicit algebraic weights that identify the most informative reasoning factors. Unlike end-to-end neural approaches, LePREC achieves interpretability through transparent feature weighting while maintaining data efficiency through correlation-based statistical classification. Experiments show a 30-40% improvement over advanced LLM baselines, including GPT-4o and Claude, confirming that correlation-based factor-issue analysis offers a more data-efficient solution for relevance decisions.
• Abstract（参考訳）: 世界の人口の半数以上が、法的な資源が限られているため、市民の正義のニーズを満たすために苦労している。 大規模言語モデル(LLM)は印象的な推論能力を示してきたが、法的な問題識別の基本的なステップにおいても大きな課題が残っている。 この課題におけるLLMの能力を調べるために, GPT-4oを用いて事実を抽出し, 候補となる法的問題を発生させることにより, 769件の現実的マレーシア契約法訴訟のデータセットを構築した。 このギャップに対処するために,ニューラルジェネレーションと構造化統計的推論を組み合わせたニューロシンボリック・シンボリック・フレームワークであるLePREC(Legal Professional-inspired Reasoning Elicitation and Classification)を提案する。 LePREC は,(1) 神経成分は LLM を利用して,法的な記述を様々な分析因子を表す問合せ対に変換する。(2) 記号成分は,これらの離散的特徴に対して疎線形モデルを適用し,最も有意義な推論因子を識別する明示的代数的重みを学習する。 エンドツーエンドのニューラルネットワークとは異なり、LePRECは、相関ベースの統計分類を通じてデータ効率を維持しながら、透過的な特徴重み付けによって解釈可能性を達成する。 実験では、GPT-4oやClaudeを含む高度なLCMベースラインよりも30-40%の改善が示され、相関に基づく因子問題分析が関連性決定のためのよりデータ効率の高いソリューションを提供することを確認した。

関連論文リスト

• LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
  本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。 提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-03-12T02:14:16Z)
• Benchmarking LLM Causal Reasoning with Scientifically Validated Relationships [21.03106821967686]
  因果推論は、真の因果関係を理解するための大言語モデルの基本である。 既存のベンチマークは、合成データへの依存やドメインカバレッジの狭さといった、重大な制限に悩まされている。 本稿では,上位階層の経済誌と財務誌から抽出したカジュアルに同定された関係から構築された新しいベンチマークを紹介する。
  論文  参考訳（メタデータ） (2025-10-08T17:00:49Z)
• Universal Legal Article Prediction via Tight Collaboration between Supervised Classification Model and LLM [42.11889345473452]
  法律記事予測(LAP)は、法的テキスト分類において重要な課題である。 法律記事予測のための普遍的な枠組みであるUni-LAPを提案する。
  論文  参考訳（メタデータ） (2025-09-26T09:42:20Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)
• Leveraging Prompts in LLMs to Overcome Imbalances in Complex Educational Text Data [1.8280573037181356]
  本稿では,Large Language Models (LLMs) の可能性を探究する。 この問題は、学生の認知的エンゲージメントレベルがオープンな反応に有意な変化を示す教育分野において特に顕著である。
  論文  参考訳（メタデータ） (2024-04-28T00:24:08Z)
• CausalBench: A Comprehensive Benchmark for Causal Learning Capability of LLMs [27.362012903540492]
  因果関係を理解する能力は、大言語モデル(LLM)の出力説明と反実的推論の能力に大きな影響を及ぼす。 因果関係を理解する能力は、大言語モデル(LLM)の出力説明と反実的推論の能力に大きな影響を及ぼす。
  論文  参考訳（メタデータ） (2024-04-09T14:40:08Z)

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。