論文の概要: By Their Fruits You Will Know Them: Comparing Formalizations of Law by the Decisions They Encode
- arxiv url: http://arxiv.org/abs/2605.25186v1
- Date: Sun, 24 May 2026 17:31:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.952313
- Title: By Their Fruits You Will Know Them: Comparing Formalizations of Law by the Decisions They Encode
- Title（参考訳）: 法律の形式化をコード化の判断で比較する
- Authors: Julius Vernie, Matthias Grabmair,
- Abstract要約: 本稿では, 個別の事例に対する推論により, 同一の法的規定の異なる形式化を比較する方法を提案する。
プロビジョニングの複数の形式化が与えられた場合、ノードレベルでマッチングし、マッチングから各ペアの共有インターフェースを導出し、SATソルバを使用して、任意の2つの形式化が一致しないエッジケースを列挙する。
選択されたエッジケースは、法的専門家が検証し実行できる具体的な事実シナリオに言語化されます。
- 参考スコア（独自算出の注目度）: 9.91190832627458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Formalizing legal provisions promises machine-accessible law and automated legal reasoning, and recent LLMs make it tempting to generate such formalizations directly from statutory text. However, any formalization makes implicit interpretive choices whose consequences are hard to anticipate, especially if an LLM is the author. We present a method for systematically comparing different formalizations of the same legal provision by their inferences on individual cases. Given multiple formalizations of a provision, we match them at the node level, derive a shared interface for each pair from the matching, and use a SAT solver to enumerate the edge cases on which any two formalizations disagree. Selected edge cases are then verbalized into concrete factual scenarios that a legal expert can examine and act on. We apply our method to formalizations of ten EU provisions generated by nine frontier LLMs. We find that behavioral divergence between formalizations is essentially uncorrelated with their structural agreement and that the verbalized cases reveal qualitatively distinct types of disagreement, including divergences that mirror genuine controversies in the legal commentary.
- Abstract（参考訳）: 法的規定の形式化は、マシンアクセス可能な法律と自動化された法的推論を約束する。
しかしながら、任意の形式化は、特に LLM が著者である場合、結果の予測が難しい暗黙の解釈的選択を行う。
本稿では,個々の事例に対する推論により,同一の法的規定の異なる形式を体系的に比較する手法を提案する。
プロビジョニングの複数の形式化が与えられた場合、ノードレベルでマッチングし、マッチングから各ペアの共有インターフェースを導出し、SATソルバを使用して、任意の2つの形式化が一致しないエッジケースを列挙する。
選択されたエッジケースは、法的専門家が検証し実行できる具体的な事実シナリオに言語化されます。
我々は,9つのフロンティアLSMが生成する10のEU規定の定式化に本手法を適用した。
形式化間の行動の相違は, 基本的にその構造的合意とは無関係であり, 口頭弁論では, 真の論争を反映した相違を含む, 質的に異なる相違が見られる。
関連論文リスト
- Reasoners or Translators? Contamination-aware Evaluation and Neuro-Symbolic Robustness in Tax Law [19.724405436101495]
本研究では,税法推論手法について検討し,信頼性を厳格に評価するための汚染検知プロトコルを実装した。
汚染によって性能が膨らませられることを示す。
我々の発見は、法的な推論は本質的に構成的であり、ニューロシンボリックなフレームワークは、より信頼性が高く堅牢な法的なAI基盤を提供することを示している。
論文 参考訳（メタデータ） (2026-05-15T15:20:16Z) - Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning [1.315248337031741]
本研究は,最近のNLPの進歩とLLMを用いた法領域適応型少ショット学習技術を統合することにより,論理ベースの法理推論システムの一般化をめざす。
本稿では,潜在意味表現レベルと法的テキスト構造レベルの両方において,経験者の多様性と類似性のバランスをとる,数ショットの検索フレームワークであるLegal2LogicICLを紹介する。
提案手法は,自然言語の判例記述を論理表現に変換する際の精度,安定性,一般化を著しく向上させる。
論文 参考訳（メタデータ） (2026-04-13T16:36:48Z) - 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) - CaseFacts: A Benchmark for Legal Fact-Checking and Precedent Retrieval [5.305110876082343]
CaseFactsは、アメリカ合衆国最高裁判所の判例に対する法的主張を検証するためのベンチマークである。
データセットは、Supported、Refuted、Overruledに分類される6,294のクレームで構成されている。
論文 参考訳（メタデータ） (2026-01-23T23:41:46Z) - Towards Trustworthy Legal AI through LLM Agents and Formal Reasoning [11.842866992683158]
既存のLLMベースのシステムは、表面レベルのテキスト解析に優れるが、原理的合理性に必要な保証は欠如している。
本稿では,LSM エージェントと SMT ソルバ支援法則を組み合わせた新しいフレームワーク L4M を紹介する。
我々のシステムは、GPT-o4-mini、DeepSeek-V3、Claude 4、最先端の法務AI証明など、先進的なLCMを超えている。
論文 参考訳（メタデータ） (2025-11-26T04:05:06Z) - RLJP: Legal Judgment Prediction via First-Order Logic Rule-enhanced with Large Language Models [58.69183479148083]
法的判断予測(LJP)は、法的AIにおいて重要な課題である。
既存のLJPモデルは、高いパフォーマンスのために司法上の前例と法的な知識を統合している。
しかし彼らは、厳密な論理分析を必要とする法的判断の重要な要素である法的推論論理を無視している。
本稿では、一階述語論理(FOL)形式と比較学習(CL)に基づく規則強化された法的判断予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-27T14:50:21Z) - Legal Rule Induction: Towards Generalizable Principle Discovery from Analogous Judicial Precedents [39.35255423087048]
法規は、法典の定式化だけでなく、差別的規範、社会的道徳、政策を含む前例から派生した暗黙の偏見的原則も含んでいる。
我々は、類似した前例の集合から簡潔で一般化可能なドクトリン規則を導出するタスクとして法則帰納法(LRI)を定式化する。
モデルチューニングのための5,121のケースセット(合計38,088のケース)と216のエキスパートアノテートゴールドテストセットからなる最初のLRIベンチマークを導入する。
論文 参考訳（メタデータ） (2025-05-20T09:10:52Z) - DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
判例検索のための識別モデルであるDELTAを紹介する。
我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。
本手法は, 判例検索において, 既存の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2024-03-27T10:40:14Z) - SAILER: Structure-aware Pre-trained Language Model for Legal Case
Retrieval [75.05173891207214]
判例検索は知的法体系において中心的な役割を果たす。
既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。
本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
論文 参考訳（メタデータ） (2023-04-22T10:47:01Z) - Exploiting Contrastive Learning and Numerical Evidence for Confusing
Legal Judgment Prediction [46.71918729837462]
訴訟の事実記述文を考慮し、法的判断予測は、事件の告訴、法律記事、刑期を予測することを目的としている。
従来の研究では、標準的なクロスエントロピー分類損失と異なる分類誤差を区別できなかった。
本稿では,モコに基づく教師付きコントラスト学習を提案する。
さらに,事前学習した数値モデルにより符号化された抽出された犯罪量による事実記述の表現をさらに強化する。
論文 参考訳（メタデータ） (2022-11-15T15:53:56Z)
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。