論文の概要: OBJECTION! Lawyer Agents Mitigate Guilty Bias in Legal Judgment Prediction

• arxiv url: http://arxiv.org/abs/2609.02158v1
• Date: Wed, 02 Sep 2026 06:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.1032
• Title: OBJECTION! Lawyer Agents Mitigate Guilty Bias in Legal Judgment Prediction
• Title（参考訳）: 司法判断予測における罪悪感軽減のための弁護士エージェント
• Abstract要約: OBJECTION(英語版)は、犯罪、違法性、および計算可能性の3段階の推論にAdversarial Lawyer Agentを統合する推論時パイプラインである。 一般的な批評家と異なり、我々のエージェントは、各理由付け段階で法的弁護の議論を注入することで、モデルが罪悪感を推定することに対して積極的に挑戦する。 試験の結果、OBJECTIONはFGR(False Guilty Rate)を82.93%(SOTAベースライン)から16.69%に劇的に減少させることが示された。
• 参考スコア（独自算出の注目度）: 17.160212964113214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legal Judgment Prediction (LJP) models are typically trained on documents that describe facts from a prosecutorial perspective. Existing datasets further exhibit severe label imbalance toward guilty outcomes. Consequently, these models suffer from "Guilty Bias", blindly accepting the prosecution's narrative as objective truth. Previous studies employing three-step reasoning structures or training on synthetically generated innocence data improve overall accuracy, but they still fail to mitigate bias at inference time. In this paper, we introduce OBJECTION, an inference-time pipeline that integrates an Adversarial Lawyer Agent into each 3-step reasoning of offense, unlawfulness, and culpability. Unlike generic critics, our agent actively challenges the model's presumptions of guilt by injecting legal defense arguments at each reasoning stage. To thoroughly evaluate this, we present a new "Natural Innocent" dataset including 3.4k real-world cases, overcoming the limitations of synthetic innocence benchmarks. Test results show that OBJECTION drastically reduces the False Guilty Rate (FGR) from 82.93% (SOTA baseline) to 16.69%, proving its capability to perform substantive legal reasoning. This work denotes a key progress toward aligning Legal AI with the presumption of innocence.
• Abstract（参考訳）: 法的判断予測(LJP)モデルは通常、検察の観点から事実を記述した文書で訓練される。 既存のデータセットはさらに、有罪な結果に対して深刻なラベルの不均衡を示す。 その結果、これらのモデルは"Guilty Bias"に悩まされ、検察の物語を客観的な真実として盲目的に受け入れた。 これまでの3段階の推論構造を用いた研究や、合成された無害データに対するトレーニングは、全体的な精度を向上させるが、推論時にバイアスを緩和することはできなかった。 本稿では,不当性,不当性,および実行可能性の3段階の推論に,Adversarial Lawyer Agent を統合した推論時パイプライン OBJECTION を紹介する。 一般的な批評家と異なり、我々のエージェントは、各理由付け段階で法的弁護の議論を注入することで、モデルが罪悪感を推定することに対して積極的に挑戦する。 これを徹底的に評価するために、合成無害ベンチマークの限界を克服し、3.4kの現実世界のケースを含む新しい「自然無害」データセットを提案する。 試験の結果、OBJECTIONはFGR(False Guilty Rate)を82.93%(SOTAベースライン)から16.69%に大幅に削減し、実質的な法的推論を行う能力を示した。 この研究は、法的なAIと無実の推測を結びつけるための重要な進歩を示している。

関連論文リスト

• Legal Reasoning Is Not Lawyering: Rethinking Legal Benchmarks for Pro Se Access to Justice [0.0]
  法的なAIベンチマーク研究は、大きな言語モデルが正義へのアクセスを改善するという仮定をしばしば呼び起こす。 現在のベンチマークでは、すでに法律専門家が事前処理済みのインプットに対する法的推論を評価するため、この仮定を支持する能力がないと我々は主張する。 私たちは、プロセプティックなインプットの下でロバスト性を直接測定する法的なベンチマークを要求して、法的AIに関するアクセシビリティー・トゥ・ジャスティス・クレームが実証的にテスト可能であると結論付けています。
  論文  参考訳（メタデータ） (2026-06-16T14:19:04Z)
• The Cases LJP Never Sees: Prosecution Decision Prediction for More Complete Criminal Liability Assessment [20.24311695645454]
  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。
  論文  参考訳（メタデータ） (2026-05-27T13:32:18Z)
• 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)
• ClaimGen-CN: A Large-scale Chinese Dataset for Legal Claim Generation [56.79698529022327]
  法的な主張は、事件における原告の要求を言及し、法的理由づけと事件解決を導くのに不可欠である。 本稿では,その事例の事実に基づく法的クレーム生成の問題について考察する。 われわれは,中国法定クレーム生成タスクの最初のデータセットであるClaymGen-CNを構築した。
  論文  参考訳（メタデータ） (2025-08-24T07:19:25Z)
• 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)
• Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge [38.58529647679356]
  法的判断予測は,その事実のテキスト記述に基づいて,訴訟の判断結果を自動的に予測することを目的としている。 紛らわしい法律記事(または告訴)の問題は頻繁に発生し、類似記事(または告訴)に該当する法ケースが誤認される傾向があることを反映している。 本稿では、上記の課題を解決するために、textitD-LADAN というエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-18T09:44:59Z)
• Towards Explainability in Legal Outcome Prediction Models [64.00172507827499]
  我々は、前例が法的NLPモデルの説明可能性を促進する自然な方法であると主張している。 法的な先例の分類法を開発することで、人間の判断と神経モデルを比較することができる。 モデルが合理的に結果を予測することを学習する一方で、前例の使用は人間の判断とは違い、ということがわかりました。
  論文  参考訳（メタデータ） (2024-03-25T15:15:41Z)
• 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)
• Do Charge Prediction Models Learn Legal Theory? [59.74220430434435]
  我々は、信頼できる電荷予測モデルが法的理論を考慮に入れるべきであると主張している。 本稿では,この課題に従わなければならない信頼に値するモデルの3つの原則を提案する。 以上の結果から,既存の電荷予測モデルはベンチマークデータセットの選択的原理に合致するが,そのほとんどが十分な感度が得られず,無害の予測を満たさないことが示唆された。
  論文  参考訳（メタデータ） (2022-10-31T07:32:12Z)

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。