論文の概要: The Cases LJP Never Sees: Prosecution Decision Prediction for More Complete Criminal Liability Assessment

• arxiv url: http://arxiv.org/abs/2605.28464v1
• Date: Wed, 27 May 2026 13:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.075202
• Title: The Cases LJP Never Sees: Prosecution Decision Prediction for More Complete Criminal Liability Assessment
• Title（参考訳）: LJPが決して見ることのない事件: より完全な犯罪責任評価のための起訴決定予測
• Authors: Junyu Lu, Qi Wei, Peishuo Zheng, Jie Zhang, Hui Huang, Qianru Wang, Chuan Xiao, Jianbin Qin, Shuyuan Zheng,
• Abstract要約: LJP(Lawal Judgment Prediction)は、刑事訴訟領域におけるAI評価のコアベンチマークとなっている。 我々は,検事レビューを中心に構築された最初の法的AIタスクであるtextbf Prosecution Decision Prediction (PDP)を提案する。
• 参考スコア（独自算出の注目度）: 20.24311695645454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Legal Judgment Prediction (LJP) has become a core benchmark for evaluating AI in the criminal legal domain, but it only sees criminal cases that have already passed prosecutorial review and been formally indicted. As a result, LJP leaves a substantial blind spot in assessing criminal liability, overlooking cases involving insufficient evidence, no criminal liability, or guilt exempted from punishment. To fill this gap, we propose \textbf{Prosecution Decision Prediction (PDP)}, the first Legal AI task built around prosecutorial review, which classifies each case into prosecution or one of three non-prosecution decisions and reflects legal AI's capabilities in evidence evaluation, legal subsumption, and value-based discretion. We further construct \textbf{PDP-Bench}, a benchmark of 4{,}630 real Chinese prosecutorial decisions spanning 190 charges. Extensive experiments show that state-of-the-art LLMs perform substantially worse on PDP than on LJP and that mainstream enhancement routes fail to close the gap. Moreover, controlled RLVR interventions show that simple outcome rewards fail to produce generalizable PDP discrimination.
• Abstract（参考訳）: LJP(Lawal Judgment Prediction)は、刑事訴訟領域におけるAI評価のコアベンチマークとなっているが、すでに検事審査に合格し、正式に起訴された刑事事件のみである。 結果として、LJPは、不十分な証拠、刑事責任、刑罰を免除された罪状を含む事件を見落とし、刑事責任の評価において重大な盲点を残している。 このギャップを埋めるために,検事レビューを中心に構築された最初の法的AIタスクである‘textbf{Prosecution Decision Prediction(PDP)’を提案する。 さらに、4{,}630の実際の中国の検事決定を190回の罪状でベンチマークした『textbf{PDP-Bench}』を構築した。 広汎な実験により、最先端のLLMはLJPよりもPDPが著しく悪化し、主流の強化経路がギャップを埋めることができないことが示された。 さらに、制御されたRLVR介入は、単純な結果報酬が一般化可能なPDP識別を生まないことを示している。

関連論文リスト

• 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)
• 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)
• Beyond Guilt: Legal Judgment Prediction with Trichotomous Reasoning [12.589047235741194]
  Innocent Verdicts を用いた法的な判断予測のための最初のベンチマークデータセット LJPIV を紹介する。 LLMに基づく拡張と手作業による検証により,3つの広く使用されている法的データセットを拡張した。 現状の法的LLMと, トリコトミー推論をゼロショット・プロンプトと微調整に組み込んだ新たな戦略による実験により, 1) 現行の法的LLMには改善の余地があり, 最高のモデルでさえも, LJPIVのF1スコアが0.3未満であることがわかった。
  論文  参考訳（メタデータ） (2024-12-19T07:14:13Z)
• Multi-Defendant Legal Judgment Prediction via Hierarchical Reasoning [49.23103067844278]
  マルチディペンダント・ケースの各被告に対する判断結果を自動予測することを目的としたマルチディペンダント・LJPの課題を提案する。 マルチディペンダント LJP の課題は,(1) 各被告の識別不能な判断結果, (2) 訓練と評価のための実世界のデータセットの欠如である。
  論文  参考訳（メタデータ） (2023-12-10T04:46:30Z)
• Fact-based Court Judgment Prediction [0.5439020425819]
  この拡張された抽象的焦点は、インドの法律文書の文脈における事実に基づく判断予測である。 1つは事実のみに基づくものであり、もう1つは下級裁判所(RLC)の判決と組み合わせた事実である。 本研究は, 早期症例予測の強化をめざし, 法律専門家や一般市民に多大な利益をもたらすことを目的としている。
  論文  参考訳（メタデータ） (2023-11-22T12:39:28Z)
• Adversarially Robust Neural Legal Judgement Systems [0.0]
  法的判断予測は、事件の事実のテキスト記述に基づいて訴訟の結果を予測するタスクである。 このようなシステムが現実的に有用であるためには、敵の攻撃に対して堅牢であるべきである。 本稿では,ロバストな法的判断予測システムを構築するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-31T21:44:48Z)
• 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。