FAIR: A Causal Framework for Accurately Inferring Judgments Reversals

要約

人工知能研究者は近年、法的インテリジェンスにおいて大きな進歩を遂げてきました。
しかし、既存の研究は、逆転判決に組み込まれた重要な価値に焦点を当てておらず、それが法的知性の効率向上を制限している。
この論文では、実際の中国の判決に基づいて判決の逆転の問題をモデル化する、事件の逆転を正確に推論するための因果関係フレームワーク (FAIR) を提案します。
因果関係推論手法により判断が逆転する原因を探り、得られた因果関係をアプリオリ知識としてニューラルネットワークに注入します。
そして、私たちのフレームワークは、法的判決の予測タスクとして、困難なデータセットで検証されます。
実験結果は、私たちのフレームワークが判断を逆転させる最も重要な要素を利用でき、得られた因果関係がニューラルネットワークのパフォーマンスを効果的に改善できることを示しています。
さらに、例として ChatGPT を使用して、法的インテリジェンス タスクのための大規模言語モデルの一般化機能について説明します。
私たちの実験では、大規模な言語モデルの一般化能力にはまだ欠陥があり、因果関係をマイニングすることでモデル予測の精度と説明能力を効果的に向上できることがわかりました。

要約(オリジナル)

Artificial intelligence researchers have made significant advances in legal intelligence in recent years. However, the existing studies have not focused on the important value embedded in judgments reversals, which limits the improvement of the efficiency of legal intelligence. In this paper, we propose a causal Framework for Accurately Inferring case Reversals (FAIR), which models the problem of judgments reversals based on real Chinese judgments. We mine the causes of judgments reversals by causal inference methods and inject the obtained causal relationships into the neural network as a priori knowledge. And then, our framework is validated on a challenging dataset as a legal judgment prediction task. The experimental results show that our framework can tap the most critical factors in judgments reversal, and the obtained causal relationships can effectively improve the neural network’s performance. In addition, we discuss the generalization ability of large language models for legal intelligence tasks using ChatGPT as an example. Our experiment has found that the generalization ability of large language models still has defects, and mining causal relationships can effectively improve the accuracy and explain ability of model predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google