論文の概要: Generating training datasets for legal chatbots in Korean

• arxiv url: http://arxiv.org/abs/2605.07432v1
• Date: Fri, 08 May 2026 08:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.92241
• Title: Generating training datasets for legal chatbots in Korean
• Title（参考訳）: 韓国における法的チャットボットのためのトレーニングデータセットの生成
• Authors: Changhoe Hwang, Jee-Sun Nam, Eric Laporte,
• Abstract要約: ディープラーニングダイアログシステム(チャットボット)のためのデータセットにおける実際のユーザ入力の多様性を把握するためのアプローチを開発する。 ユーザからの大量の認証データをラベルする代わりに、当社のアプローチは大量の発話と高品質なラベルを共同で生成する。 これらの発話から得られたデータセットを用いてDIET言語学者を訓練し、訓練されたモデルは91% f1スコアのパフォーマンスに達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Chatbots are robots that can communicate with humans using text or voice signals. Legal chatbots improve access to justice, since legal representation and legal advice by lawyers come with a high cost that excludes disadvantaged and vulnerable people. However, capturing the diversity of actual user input in datasets for deep-learning dialog systems (chatbots) is a technical challenge. Diversity requires large volumes of data, which must also be labelled in order to classify the user's intent, while the cost of labelling datasets increases with volume. Instead of labelling large volumes of authentic data from users, our approach consists in jointly generating large volumes of utterances and high-quality labels. The generator of labelled datasets is based on language resources that take the form of local grammar graphs (LGG), which capture and generalize the vocabulary and local syntax observed by linguists in text. The LGGs associate labels to the utterances according to a domain-specific classification system. We tested this approach by implementing LIGA, a legal chatbot in Korean. The chatbot answers users' conversational queries on legal situations by providing information on similar legal cases, made publicly available by the Korean government. We generated labelled utterances from the LGGs with the aid of the open-source Unitex platform. This process produced 700 million utterances. We trained a DIET classifier on a dataset made of these utterances, and the trained model reached 91% f1-score performance. We implemented a chatbot called LIGA, which uses the results of the model to select a link to a web page that documents similar legal cases.
• Abstract（参考訳）: チャットボットは、テキストや音声信号を使って人間とコミュニケーションできるロボットである。 弁護士による法的表現と法的助言は、不利で脆弱な人々を除外する高いコストが伴うため、法的チャットボットは正義へのアクセスを改善する。 しかし、ディープラーニングダイアログシステム(チャットボット)のデータセットで実際のユーザ入力の多様性をキャプチャすることは、技術的な課題である。 多様性には大量のデータが必要ですが、ユーザの意図を分類するためには、ラベル付けも必要です。 ユーザからの大量の認証データをラベルする代わりに、当社のアプローチは大量の発話と高品質なラベルを共同で生成する。 ラベル付きデータセットの生成は言語資源に基づいており、言語学者がテキストで観察する語彙と局所構文をキャプチャし、一般化するローカル文法グラフ(LGG)の形式である。 LGGは、ドメイン固有の分類システムに従ってラベルを発話に関連付ける。 韓国の法的チャットボットLIGAを実装して,このアプローチを検証した。 このチャットボットは、韓国政府によって公開された同様の訴訟に関する情報を提供することで、ユーザーの法的状況に関する会話的な質問に答える。 我々はオープンソースのUnitexプラットフォームを利用してLGGからラベル付き発話を生成した。 このプロセスは7億発の発声を生んだ。 これらの発話から得られたデータセットに基づいてDIET分類器を訓練し、訓練されたモデルは91% f1スコア性能に達した。 我々はLIGAと呼ばれるチャットボットを実装した。このボットは、モデルの結果を用いて、類似の訴訟を文書化するWebページへのリンクを選択する。

関連論文リスト

• Advancing Conversational AI with Shona Slang: A Dataset and Hybrid Model for Digital Inclusion [0.0]
  この研究は、ソーシャルメディアの会話からキュレートされた、ショーナ・イングリッシュスラング・データセットを導入している。 データセットには、意図、感情、対話行動、コードミキシング、トーンが注釈付けされている。 目的認識のための多言語DistilBERT分類器を微調整し,96.4%の精度と96.3%のF1スコアを得た。
  論文  参考訳（メタデータ） (2025-09-10T15:13:51Z)
• Is There a Case for Conversation Optimized Tokenizers in Large Language Models? [3.0059120458540383]
  大規模言語モデル(LLM)の計算とエネルギーコストは、増大するモデルサイズによって指数関数的に増大している。 トークン化器はモデルの効率において重要な役割を担い、トレーニングコーパス内のテキストのトークン数を最小化するために慎重に最適化されている。
  論文  参考訳（メタデータ） (2025-06-23T14:18:46Z)
• An Approach for Auto Generation of Labeling Functions for Software Engineering Chatbots [3.1911318265930944]
  ラベル付きユーザクエリからパターンを抽出し,ラベル付け関数(LF)を自動的に生成する手法を提案する。 我々は,4つのSEデータセットに対するアプローチを評価し,生成したLFをラベル付けしたクエリに対して,NLUのトレーニングからの性能向上を評価する。
  論文  参考訳（メタデータ） (2024-10-09T17:34:14Z)
• Deepfake audio as a data augmentation technique for training automatic speech to text transcription models [55.2480439325792]
  本稿では,ディープフェイク音声に基づくデータ拡張手法を提案する。 インド人(英語)が生成したデータセットが選択され、単一のアクセントの存在が保証された。
  論文  参考訳（メタデータ） (2023-09-22T11:33:03Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• Rewarding Chatbots for Real-World Engagement with Millions of Users [1.2583983802175422]
  本研究では,ユーザエンゲージメントを優先して保持性を高めるソーシャルチャットボットの開発について検討する。 提案手法では,ユーザインタラクションから収集した擬似ラベルを用いて報酬モデルのトレーニングを行う。 Chai Researchプラットフォーム上の1万人のデイリーチャットユーザを対象としたA/Bテストは、このアプローチがMCLを最大70%向上させることを示している。 今後の作業は、報酬モデルを使用してデータフライホイールを実現し、最新のユーザ会話を使用して、言語モデルと報酬モデルを交互に微調整することを目的としている。
  論文  参考訳（メタデータ） (2023-03-10T18:53:52Z)
• Robotic Skill Acquisition via Instruction Augmentation with Vision-Language Models [70.82705830137708]
  言語条件制御のためのデータ駆動型インストラクション拡張(DIAL)について紹介する。 我々は,CLIPのセマンティック理解を利用したセミ言語ラベルを用いて,未知の実演データの大規模なデータセットに知識を伝達する。 DIALは、模倣学習ポリシーによって、新しい能力を獲得し、元のデータセットにない60の新しい命令を一般化することができる。
  論文  参考訳（メタデータ） (2022-11-21T18:56:00Z)
• Pchatbot: A Large-Scale Dataset for Personalized Chatbot [49.16746174238548]
  本稿では,Weibo と Judicial のフォーラムから収集した2つのサブセットを含む大規模対話データセットである Pchatbot を紹介する。 生データセットを対話システムに適応させるため、匿名化などのプロセスを通じて生データセットを精巧に正規化する。 Pchatbotのスケールは、既存の中国のデータセットよりも大幅に大きく、データ駆動モデルの恩恵を受ける可能性がある。
  論文  参考訳（メタデータ） (2020-09-28T12:49:07Z)

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。