論文の概要: Legal text classification in Korean sexual offense cases: from traditional machine learning to large language models with XAI insights
- arxiv url: http://arxiv.org/abs/2610.00087v1
- Date: Mon, 07 Sep 2026 07:59:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.359437
- Title: Legal text classification in Korean sexual offense cases: from traditional machine learning to large language models with XAI insights
- Title（参考訳）: 韓国の性犯罪事例における法的テキスト分類--伝統的な機械学習からXAI洞察を持つ大規模言語モデルまで
- Abstract要約: 本研究では,従来の機械学習技術から大規模言語モデルに至るまで,法的テキスト分類モデルを評価する。
法律データ上のKLUE-BERTのような小規模モデルは汎用モデルよりも優れている。
XAI分析は、微妙なテキストの手がかりを捉える際に、モデル決定と制限に影響を与える言語的特徴を特定する。
- 参考スコア（独自算出の注目度）: 1.9417266293773656
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The advancement of natural language processing (NLP) has expanded AI-based text classification in the legal domain. However, accurately classifying legal documents remains challenging due to the complexity of legal texts and subtle differences between legal categories. This study evaluates legal text classification models ranging from traditional machine learning techniques to large language models (LLMs) using ten categories of Korean sexual offense precedents. The results show that fine-tuning small-scale models such as KLUE-BERT on legal data outperforms general-purpose models such as GPT-3.5 and GPT-4.0, as well as traditional machine learning models. KLUE-BERT achieved the highest accuracy of 99.3%, indicating that domain adaptation and fine-tuning can be more important than model size for legal document classification. We further employ explainable AI (XAI) techniques to analyze model predictions and misclassification cases. XAI analysis identifies linguistic features influencing model decisions and limitations in capturing subtle textual cues. Using KICS data, which closely resembles real-world legal case records, we further evaluate the model's generalization capabilities and find that it struggles to interpret implicit contextual cues. These findings highlight the importance of both performance and interpretability in legal AI and demonstrate how XAI can improve transparency in legal text classification. AI-assisted tools can support legal professionals in tasks including document classification, legal information retrieval, and case assessment.
- Abstract（参考訳）: 自然言語処理(NLP)の進歩は、法律領域におけるAIベースのテキスト分類を拡張した。
しかし、法的文書の複雑さや法律分類の微妙な相違により、法律文書の正確な分類は依然として困難である。
本研究は,従来の機械学習技術から大規模言語モデル(LLM)まで,韓国の性的犯罪の前例の10つのカテゴリを用いて,法的テキスト分類モデルを評価する。
GPT-3.5 や GPT-4.0 のような汎用モデルや従来の機械学習モデルよりも優れていることを示す。
KLUE-BERTは99.3%の精度を達成し、ドメイン適応と微調整が法的文書分類のモデルサイズよりも重要であることを示した。
さらに、モデル予測と誤分類ケースを分析するために、説明可能なAI(XAI)技術を採用する。
XAI分析は、微妙なテキストの手がかりを捉える際に、モデル決定と制限に影響を与える言語的特徴を特定する。
実世界の判例記録によく似ているKICSデータを用いて、モデルの一般化能力をさらに評価し、暗黙の文脈的手がかりの解釈に苦慮していることを示す。
これらの知見は、法的なAIにおけるパフォーマンスと解釈可能性の両方の重要性を強調し、XAIが法的なテキスト分類における透明性をどのように改善できるかを実証する。
AI支援ツールは、文書分類、法的情報検索、ケースアセスメントなどのタスクにおいて、法律専門家をサポートすることができる。
関連論文リスト
- WisdomInterrogatory (LuWen): An Open-Source Legal Large Language Model Technical Report [55.27414605169639]
Wesdom Interrogatory (LuWen)は,バイチュン基礎モデルに基づいて構築された,オープンソースの中国語の法律モデルである。
予測と生成の両方にまたがる5つの代表的な法的課題についてLuWenを評価する。
論文 参考訳（メタデータ） (2026-04-08T06:59:07Z) - Structured Definitions and Segmentations for Legal Reasoning in LLMs: A Study on Indian Legal Data [27.162165587035176]
大規模な言語モデル(LLM)は、Webからの広範なデータセットに基づいて訓練され、目覚ましい一般的な推論スキルを示す。
しかし、主にドメイン固有の事前訓練がないため、法律のような専門分野に苦しむことが多い。
従来の研究では、知識ギャップに対処するためのコンテキスト内アプローチを検証し、ドメインの完全な整合性のない新しいドメインにおけるモデル性能を高めてきた。
論文 参考訳（メタデータ） (2025-11-14T13:24:00Z) - LegalSeg: Unlocking the Structure of Indian Legal Judgments Through Rhetorical Role Classification [6.549338652948716]
7000以上の文書と140万の文で構成され、7つの修辞的な役割をラベル付けした、このタスクのための最大の注釈付きデータセットであるLegalSegを紹介します。
以上の結果から,より広義の文脈,構造的関係,逐次的な文情報を含むモデルが,文レベルの特徴にのみ依存するモデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-02-09T10:07:05Z) - Empowering Prior to Court Legal Analysis: A Transparent and Accessible Dataset for Defensive Statement Classification and Interpretation [5.646219481667151]
本稿では,裁判所の手続きに先立って,警察の面接中に作成された文の分類に適した新しいデータセットを提案する。
本稿では,直感的文と真偽を区別し,最先端のパフォーマンスを実現するための微調整DistilBERTモデルを提案する。
我々はまた、法律専門家と非専門主義者の両方がシステムと対話し、利益を得ることを可能にするXAIインターフェースも提示する。
論文 参考訳（メタデータ） (2024-05-17T11:22:27Z) - 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) - Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。
より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。
これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
論文 参考訳（メタデータ） (2024-03-26T12:47:39Z) - Precedent-Enhanced Legal Judgment Prediction with LLM and Domain-Model
Collaboration [52.57055162778548]
法的判断予測(LJP)は、法律AIにおいてますます重要な課題となっている。
先行は、同様の事実を持つ以前の訴訟であり、国家法制度におけるその後の事件の判断の基礎となっている。
近年のディープラーニングの進歩により、LJPタスクの解決に様々なテクニックが使えるようになった。
論文 参考訳（メタデータ） (2023-10-13T16:47:20Z) - Enhancing Pre-Trained Language Models with Sentence Position Embeddings
for Rhetorical Roles Recognition in Legal Opinions [0.16385815610837165]
法的意見の規模は増え続けており、法的意見の修辞的役割を正確に予測できるモデルを開発することはますます困難になっている。
本稿では,文の位置情報に関する知識によって強化された事前学習言語モデル(PLM)を用いて,修辞的役割を自動的に予測する新しいモデルアーキテクチャを提案する。
LegalEval@SemEval2023コンペティションの注釈付きコーパスに基づいて、我々のアプローチではパラメータが少なく、計算コストが低下することを示した。
論文 参考訳（メタデータ） (2023-10-08T20:33:55Z) - 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) - Knowledge is Power: Understanding Causality Makes Legal judgment
Prediction Models More Generalizable and Robust [3.555105847974074]
法的判断予測(LJP)は、限られた法律実務者の労働負担を軽減するために法的支援を行う。
既存の手法の多くは、LJPタスクで微調整された様々な大規模事前学習言語モデルを適用し、一貫した改善を得る。
最先端モデル(SOTA)は,無関係情報(あるいは非因果情報)に基づいて判断予測を行う。
論文 参考訳（メタデータ） (2022-11-06T07:03:31Z)
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。