論文の概要: Reading Between The Lines: Modeling and Evaluating Behavioral Realism in Legal Simulation
- arxiv url: http://arxiv.org/abs/2608.13712v1
- Date: Thu, 13 Aug 2026 19:15:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.1926
- Title: Reading Between The Lines: Modeling and Evaluating Behavioral Realism in Legal Simulation
- Title（参考訳）: 行間を読む:法シミュレーションにおける行動リアリズムのモデル化と評価
- Abstract要約: 制御可能な法的ペルソナによって駆動される堆積シミュレータWitnessSimを紹介する。
本研究では, 対向試験, 盲検弁護士比較, 縦断的行動軌跡の分析を通じて現実性を評価する。
- 参考スコア（独自算出の注目度）: 1.5538369885649341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deposition training requires attorneys to manage dynamic witness behavior, yet legal-AI evaluations largely focus on factual accuracy, reasoning, or response-level plausibility. We introduce WitnessSim, a deposition simulator driven by controllable legal personas. We use an evaluation framework separating behavioral realism from pedagogical usefulness. We assess realism through adversarial testing, blinded attorney comparison, and analysis of longitudinal behavioral trajectories. WitnessSim generally maintained plausible behavioral boundaries, and attorneys did not systematically prefer either original testimony or WitnessSim generated testimony. Pedagogical tests showed that witness behavior changed meaningfully in response to question form and attorney intervention without uniformly collapsing the assigned persona. Together, these results showcase a model of behavioral fidelity in legal simulations, and provide a framework for evaluating its performance.
- Abstract（参考訳）: 堆積訓練では、弁護士は動的な目撃者行動を管理する必要があるが、法的なAI評価は主に事実の正確性、推論、反応レベルの妥当性に重点を置いている。
制御可能な法的ペルソナによって駆動される堆積シミュレータWitnessSimを紹介する。
我々は,行動リアリズムと教育的有用性とを分離した評価枠組みを用いる。
本研究では, 対向試験, 盲検弁護士比較, 縦断的行動軌跡の分析を通じて現実性を評価する。
WitnessSimは一般的に妥当な行動境界を維持しており、弁護士は元の証言やWitnessSimが生成した証言を体系的に好まなかった。
Pedagogical test showed that witness behavior changed meaningfully to response to question form and attorney intervention without without without the uniformly colsing the assigned persona。
これらの結果は,法的シミュレーションにおける行動忠実度のモデルを示し,その性能を評価するための枠組みを提供する。
関連論文リスト
- AI-Assisted Moot Courts: Simulating Justice-Specific Questioning in Oral Arguments [7.808898285349819]
そこで我々は,モットコートスタイルのトレーニングにおいて,AIモデルが正義固有の質問を効果的にシミュレートできるかどうかを検討する。
本稿では,プロンプトベースおよびエージェントによる口頭弁論シミュレータの構築と評価を行う。
シミュレーションされた質問は、人間アノテータによって現実的と見なされることが多く、基礎的な真実の実質的な法的問題への高いリコールが達成されている。
論文 参考訳（メタデータ） (2026-03-05T01:45:28Z) - Mirror: A Multi-Agent System for AI-Assisted Ethics Review [104.3684024153469]
MirrorはAIによる倫理的レビューのためのエージェントフレームワークである。
倫理的推論、構造化された規則解釈、統合されたアーキテクチャ内でのマルチエージェントの議論を統合する。
論文 参考訳（メタデータ） (2026-02-09T03:38:55Z) - Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。
このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。
我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
論文 参考訳（メタデータ） (2026-01-21T06:07:43Z) - Do LLM Self-Explanations Help Users Predict Model Behavior? Evaluating Counterfactual Simulatability with Pragmatic Perturbations [1.8772057593980798]
大規模言語モデル(LLM)は、言語化された自己説明を生成することができる。
我々は,人間とLLMの審査員が,偽のフォローアップ質問に対するモデルの回答をどの程度予測できるかを評価する。
論文 参考訳（メタデータ） (2026-01-07T10:13:26Z) - Chinese Court Simulation with LLM-Based Agent System [37.20232066969879]
我々は,中国の裁判所の実際の手続き構造に基づいて,最初の裁判所シミュレーションフレームワーク,SimCourtを紹介する。
われわれの枠組みは、中国の裁判の5つの中核段階をすべて再現し、中国の手続き的定義に忠実に従って、5つの法廷の役割を取り入れている。
法的な判断予測実験により,我々の枠組みは,投獄,収監,罰金の予測をシステムに誘導する模擬試験を作成できることが示された。
論文 参考訳（メタデータ） (2025-08-24T12:02:57Z) - Model Editing as a Double-Edged Sword: Steering Agent Ethical Behavior Toward Beneficence or Harm [57.00627691433355]
我々は、モデル編集タスクとしてエージェントの行動ステアリングをフレーム化し、振舞い編集という。
心理学的道徳理論に基づくベンチマークであるBehaviorBenchを紹介する。
行動編集は倫理的・好意的な行動を促進するためにも、逆に有害な行動や悪意のある行動を引き起こすためにも利用できることを実証する。
論文 参考訳（メタデータ） (2025-06-25T16:51:51Z) - AgentCourt: Simulating Court with Adversarial Evolvable Lawyer Agents [25.509677234774056]
AgentCourtは、LLMベースのエージェントの対角的進化を通じて課題に対処する包括的な法的シミュレーションフレームワークである。
1000件の民事事件をシミュレートすることにより、エージェントの法的推論能力を高める進化した知識基盤を構築する。
我々の研究は、法的なAIにおける敵対的学習の重要性を強調し、より広範な司法・規制の文脈にシミュレーションに基づく法的推論を拡張するための有望な方向性を提案する。
論文 参考訳（メタデータ） (2024-08-15T11:33:20Z) - Lean-STaR: Learning to Interleave Thinking and Proving [53.923617816215774]
証明の各ステップに先立って,非公式な思考を生成するために,言語モデルをトレーニングするフレームワークであるLean-STaRを紹介します。
Lean-STaRは、Lean定理証明環境内のminiF2F-testベンチマークで最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T01:43:07Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳（メタデータ） (2021-12-17T18:29:56Z) - Legal Judgment Prediction with Multi-Stage CaseRepresentation Learning
in the Real Court Setting [25.53133777558123]
本稿では, 実地裁判所から新たなデータセットを導入し, 法的な判断を合理的に百科事典的に予測する。
大規模な民事裁判データセットを用いた広範な実験は、提案モデルが、法的判断予測のためのクレーム、事実、議論の間の相互作用をより正確に特徴付けることができることを示している。
論文 参考訳（メタデータ） (2021-07-12T04:27:14Z) - Learning "What-if" Explanations for Sequential Decision-Making [92.8311073739295]
実世界の意思決定の解釈可能なパラメータ化を実証行動に基づいて構築することが不可欠である。
そこで我々は,「何」の結果に対する嗜好の観点から,報酬関数をモデル化し,専門家による意思決定の学習的説明を提案する。
本研究は,行動の正確かつ解釈可能な記述を回復する上で,実効的逆強化学習手法であるバッチの有効性を強調した。
論文 参考訳（メタデータ） (2020-07-02T14:24:17Z)
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。