論文の概要: Unlocking Criminal Court Decisions: Flexible Information Extraction for Empirical Legal Research

• arxiv url: http://arxiv.org/abs/2611.03051v1
• Date: Mon, 02 Nov 2026 12:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.600533
• Title: Unlocking Criminal Court Decisions: Flexible Information Extraction for Empirical Legal Research
• Title（参考訳）: 未開の刑事裁判所判決:実証法研究のための柔軟な情報抽出
• Abstract要約: 属性探索,テキストスパン抽出,値正規化による構造化データセットを構築するLLMベースのパイプラインを提案する。 我々は、影響下運転(DUI)と禁止中運転(DDB)の2つの交通違反について評価する。
• 参考スコア（独自算出の注目度）: 0.11726720776908518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Criminal verdicts contain descriptions of criminal behavior that can support quantitative legal research, but structuring them requires attributes and extraction rules that cannot always be fully specified in advance. We present an LLM-based pipeline that builds a structured dataset through attribute exploration, text span extraction, and value normalization, guided by annotation instructions that legal experts can refine. We evaluate it on two traffic offenses: driving under the influence (DUI) and driving despite a ban (DDB). For DUI, revising the instructions was associated with higher extraction accuracy (from 52% to 70% of correctly extracted values) and higher agreement between human annotators. Repeated runs of the same model agreed with each other more than with the gold annotations, showing that consistent output is not necessarily correct, while disagreement between annotators and between models helped reveal unclear instructions. For DDB, where the instructions defined fixed categories and output formats, agreement was high for most attributes.
• Abstract（参考訳）: 刑事評決には、定量的な法的研究を支援することができる犯罪行為の記述が含まれているが、それらを構造化するには、常に事前に完全に特定できない属性と抽出規則が必要である。 本稿では、属性探索、テキストスパン抽出、値正規化を通じて構造化データセットを構築するLLMベースのパイプラインを提案する。 DUI(Dead under the influence)とDDB(Dead of a ban)の2つの交通違反について評価した。 DUIでは、指示の修正は高い抽出精度(正しく抽出された値の52%から70%)と人間のアノテータ間のより高い一致と関連していた。 同じモデルの繰り返し実行は、金のアノテーションよりも互いに一致しており、一貫性のある出力が必ずしも正しいわけではないことを示し、アノテータとモデル間の不一致は不明瞭な指示を明らかにするのに役立った。 一定のカテゴリと出力形式を定義したDDBでは、ほとんどの属性に対して一致が高かった。

関連論文リスト

• Watermarking: from Impossibility to Auditable Compliance [78.87513208320995]
  EU人工知能法第50条(2)は、合成出力を機械可読かつ検出可能にするために、生成システムの提供者を要求する。 自由形式のテキストにとって、重要な実装の1つは、生成的な透かし処理の実装である。 本稿は、強い透かしに代わる聴覚的な代替品を開発する。
  論文  参考訳（メタデータ） (2026-10-05T13:32:41Z)
• LEGO: Synergizing Expert GraphRAG and Expert Chain-of-Thought for Legal Reasoning [14.87373702260046]
  LEGOは、法律専門家のGraphRAGと、複雑な法的推論のための専門家のChain-of- Thoughtを相乗化するフレームワークである。 Qwen3-8Bのバックボーンにより、LEGOはLawQA_Civil上で40.53%の正確なマッチ精度を達成した。 また、オープンなベンチマークで評価されたベースラインの中で、最高の結果を得る。
  論文  参考訳（メタデータ） (2026-09-22T19:48:52Z)
• Code-as-Auditor: Executable Compliance Reasoning via Regulation-to-Code [25.55672349944904]
  Code-as-Auditor(コード・アズ・オーディタ)は、構造化された根拠に基づくコンプライアンスアセスメントに対するモデルの推論能力を拡張するフレームワークである。 推論中、各項目は動的に実数と反実数に拡張される。 プライバシとデータ保護シナリオの実験は、Code-as-Auditorがより正確でエビデンスに支援された評価を提供することを示している。
  論文  参考訳（メタデータ） (2026-09-16T08:37:43Z)
• EURO-5K: When Does Domain Pretraining Matter? Benchmarking Transformers for EU Reporting Obligation Extraction [0.2862116232860273]
  EURO-5K(英: EURO-5K)は、欧州連合の136の立法機関による判決レベルの報告義務のコーパスである。 このデータセットでは、差別的トークン分類モデル(BERTスタイル)と生成的スパン抽出モデル(LLM)を訓練し比較する。 その結果,完全微調整の汎用と法定のBERTモデルでは同様の性能(0.89 F1)が得られ,微調整のLLMは文レベルの抽出にエンコーダの精度が一致することがわかった。
  論文  参考訳（メタデータ） (2026-06-02T00:20:54Z)
• Citation-Closure Retrieval and Per-Rule Attribution for Real-World Regulatory Compliance Question Answering [54.97384993676565]
  複雑な国内R&D規制から派生した運用知識グラフを特徴とする,新たなベンチマークであるRegOps-Benchを用いて,レギュレーションコンプライアンスQAを形式化する。 RefWalkはクロスドキュメントの引用を横切り、マックスベースのアグリゲーションを通じてマルチビュー候補を融合させ、ソースへのクレームを明示的にマッピングするためにルールごとの属性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T10:38:38Z)
• Deriving Character Logic from Storyline as Codified Decision Trees [67.01182739162142]
  ロールプレイング(RP)エージェントは、さまざまな物語の文脈で一貫して行動するために行動プロファイルに依存する。 大規模物語データから実行可能かつ解釈可能な決定構造を誘導するデータ駆動型フレームワークであるCDT(Condified Decision Trees)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T05:12:43Z)
• ORCHID: Orchestrated Retrieval-Augmented Classification with Human-in-the-Loop Intelligent Decision-Making for High-Risk Property [6.643427585499247]
  ORCHIDは、HRP分類のためのモジュール型エージェントシステムである。 検索強化世代(RAG)を人間の監視と組み合わせて、監査可能なポリシベースのアウトプットを生成する。 デモでは、単一項目の提出、接地された引用、中小企業のフィードバックキャプチャ、エクスポート可能な監査アーティファクトなどが紹介されている。
  論文  参考訳（メタデータ） (2025-11-07T03:48:05Z)
• 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)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
  実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。 アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。 我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
  論文  参考訳（メタデータ） (2021-04-01T17:40:08Z)
• Hierarchical Evidence Set Modeling for Automated Fact Extraction and Verification [5.836068916903788]
  階層的エビデンス・セット・モデリング(Heerarchical Evidence Set Modeling, HESM)は、エビデンス・セットを抽出し、サポート対象のクレームを検証するためのフレームワークである。 実験の結果,HESMは事実抽出とクレーム検証の7つの最先端手法より優れていた。
  論文  参考訳（メタデータ） (2020-10-10T22:27:17Z)

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。