論文の概要: Decompose-and-Refine: Structured Legal Question Answering with Parametric Retrieval

• arxiv url: http://arxiv.org/abs/2605.24454v1
• Date: Sat, 23 May 2026 08:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.067599
• Title: Decompose-and-Refine: Structured Legal Question Answering with Parametric Retrieval
• Title（参考訳）: Decompose-and-Refine: Structured Legal Question Answering with Parametric Retrieval
• Authors: Jihyung lee, Hyounghun Kim, Gary Lee,
• Abstract要約: 大規模言語モデル (LLM) は法的領域において高い性能を示し、LQA (Lawal Question Answering) において顕著な可能性を示している。 法定LQAでは、多くの疑問が複数の法的問題にまたがってマルチホップ推論を必要としており、法定条項の正確な検索が重要な前提条件となっている。 本稿では,段階的質問分解とパラメトリックな知識に基づくクエリ改善を緊密に統合する法定グラウンドのLQAフレームワークであるDecompose-and-Refine(DaR)を提案する。
• 参考スコア（独自算出の注目度）: 12.468513292139695
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language models (LLMs) have shown strong performance in the legal domain, demonstrating notable potential in Legal Question Answering (LQA). However, unlike general QA, LQA requires answers that are not only accurate but also rigorously grounded in explicit legal authority. In statutory LQA, many questions require multi-hop reasoning across multiple legal issues, substantially increasing the risk of hallucination, thereby making accurate retrieval of supporting statutory provisions a critical prerequisite. Despite recent progress in multi-hop QA, existing approaches often rely on reasoning in natural language or retrieval without explicit query reformulation, leaving the vocabulary gap between user questions and statutory text largely unaddressed. To address this challenge, we propose Decompose-and-Refine (DaR), a statute-grounded LQA framework that tightly integrates step-wise question decomposition with parametric knowledge-based query refinement. DaR progressively decomposes a complex legal question into atomic sub-questions and generates statute-aligned parametric queries for each sub-question, enabling the selection of a single most central statutory provision corresponding to each legal issue. We evaluate DaR on KoBLEX, a Korean multi-hop LQA benchmark grounded in statutory law, using Qwen3-32B and Gemma3-27B. Experimental results demonstrate that DaR consistently improves both retrieval accuracy and final answer quality over existing approaches. Moreover, by explicitly separating sub-questions and their corresponding statutory provisions, DaR facilitates transparent, issue-level verification of complex legal reasoning processes.
• Abstract（参考訳）: 大規模言語モデル (LLM) は法的領域において高い性能を示し、LQA (Lawal Question Answering) において顕著な可能性を示している。 しかし、一般のQAとは異なり、LQAは正確であるだけでなく、明確な法的権威に厳格に根ざした答えを必要とする。 法定LQAでは、複数の法的問題にまたがるマルチホップ推論が必要であり、幻覚のリスクを大幅に高め、法定条項の正確な検索が重要な前提条件となる。 近年のマルチホップQAの進展にもかかわらず、既存のアプローチは自然言語や検索の推論を明示的なクエリの修正なしに頼りにしており、ユーザの質問と法定テキストの語彙的ギャップは、ほとんど修正されていない。 この課題に対処するため,我々は,段階的質問分解とパラメトリックな知識に基づくクエリリファインメントを密に統合した法定グラウンドのLQAフレームワークであるDecompose-and-Refine(DaR)を提案する。 DaRは、複雑な法的問題を段階的にアトミックなサブクエストに分解し、各サブクエストに対して規則に準拠したパラメトリッククエリを生成する。 我々は,韓国のマルチホップLQAベンチマークであるKoBLEX上で,Qwen3-32BとGemma3-27Bを用いてDaRを評価する。 実験結果から,DARは既存手法よりも検索精度と最終回答品質を一貫して改善することが示された。 さらに、サブクエストとその対応する規定を明示的に分離することで、DaRは複雑な法的推論プロセスの透明性と課題レベルの検証を容易にする。

関連論文リスト

• From Query to Counsel: Structured Reasoning with a Multi-Agent Framework and Dataset for Legal Consultation [7.115887917718381]
  法律相談質問応答(Legal CQA)は、従来の法的QAタスクと比較して、独特な課題を提示する。 JurisCQADは、43,000以上の実世界の中国の法律クエリの大規模なデータセットで、専門家が検証した正と負の応答が注釈付けされている。 動的ルーティング,法定グラウンド,スタイリスティック最適化をサポートするモジュール型マルチエージェントフレームワークであるJurisMAを提案する。
  論文  参考訳（メタデータ） (2026-04-12T05:49:37Z)
• 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)
• LegalMALR:Multi-Agent Query Understanding and LLM-Based Reranking for Chinese Statute Retrieval [10.997604609194033]
  法定検索は法的援助と司法決定支援に不可欠である。 現実の法的なクエリは暗黙的で、複数発行され、口語または未特定の形で表現されることが多い。 本稿では,マルチエージェントクエリ理解システムとゼロショット大文字生成モジュールを統合した検索フレームワークであるLegalMALRを提案する。
  論文  参考訳（メタデータ） (2026-01-25T04:44:56Z)
• Judicial Requirements for Generative AI in Legal Reasoning [0.0]
  大規模言語モデル(LLM)はプロのドメインに統合されているが、法律のような高度な分野における制限は理解されていない。 本稿では、AIシステムが司法判断における信頼性の高い推論ツールとして機能しなければならない中核機能について述べる。
  論文  参考訳（メタデータ） (2025-08-26T09:56:26Z)
• Augmented Question-guided Retrieval (AQgR) of Indian Case Law with LLM, RAG, and Structured Summaries [0.0]
  本稿では,関連事例の検索を容易にするためにLarge Language Models (LLMs) を提案する。 提案手法は,Retrieval Augmented Generation (RAG) と,インドの事例法に最適化された構造化要約を組み合わせたものである。 本システムは,関連事例法をより効果的に識別するために,事実シナリオに基づく対象の法的質問を生成する。
  論文  参考訳（メタデータ） (2025-07-23T05:24:44Z)
• LEXam: Benchmarking Legal Reasoning on 340 Law Exams [76.3521146499006]
  textscLEXamは,法科116科の法科試験を対象とする340件の法科試験を対象とする,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質問と2,045の多重選択質問が含まれている。 この結果から,モデル間の差分化におけるデータセットの有効性が示唆された。
  論文  参考訳（メタデータ） (2025-05-19T08:48:12Z)
• Measuring Retrieval Complexity in Question Answering Systems [64.74106622822424]
  検索複雑性(Retrieval complexity, RC)は、検索された文書の完全性に基づく新しい計量である。 任意の検索システムを用いてRCを計測するための教師なしパイプラインを提案する。 本システムは検索システムに大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-06-05T19:30:52Z)
• Interpretable Long-Form Legal Question Answering with Retrieval-Augmented Large Language Models [10.834755282333589]
  長文の法的問合せデータセットは、専門家によるフランス語の法的質問1,868件からなる。 実験結果から,自動評価指標について有望な性能を示した。 LLeQAは、専門家によって注釈付けされた唯一の包括的なロングフォームLQAデータセットの1つであり、重要な現実世界の問題を解決するために研究を加速するだけでなく、特殊な領域におけるNLPモデルを評価するための厳密なベンチマークとしても機能する可能性がある。
  論文  参考訳（メタデータ） (2023-09-29T08:23:19Z)

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。