Event Grounded Criminal Court View Generation withCooperative (Large) Language Models

要約

法的インテリジェンスの発展に伴い、刑事法廷見解の生成は法的インテリジェンスの重要なタスクとして多くの注目を集めています。刑事法廷見解の生成は、事件の事実を要約し、判決の説明を提供する簡潔で一貫したテキストを生成することを目的としています。
既存の研究では、法廷の見解を導き出すために事件の事実に関する重要な情報が調査されています。
それらのほとんどは、事実を広いセグメント (評決関連の文など) に分割して予測を行う、粗粒度のアプローチを採用しています。
しかし、このアプローチでは、さまざまな犯罪要素や法的出来事など、事件の事実に存在する複雑な詳細を捉えることができません。
この目的を達成するために、この論文では、生成にきめの細かいイベント情報を導入する、協調的（大規模）言語モデルを使用した刑事法廷ビュー生成のためのイベントグラウンデッド生成（EGG）方法を提案します。
具体的には、まず、大規模な注釈付きイベントなしでケースファクト内のイベントを抽出できる LLM ベースの抽出方法を設計します。
次に、事件の事実と出来事を結合することにより、抽出された出来事を法廷見解の生成に組み込みます。
さらに、EGG の抽出フェーズで LLM を使用することによる計算負荷を考慮し、推論フェーズで LLM を使用したイベント抽出の要件を排除できる LLM フリーの EGG 手法を提案します。
実世界のデータセットに関する広範な実験結果により、私たちが提案した方法の有効性が明確に検証されています。

要約(オリジナル)

With the development of legal intelligence, Criminal Court View Generation has attracted much attention as a crucial task of legal intelligence, which aims to generate concise and coherent texts that summarize case facts and provide explanations for verdicts. Existing researches explore the key information in case facts to yield the court views. Most of them employ a coarse-grained approach that partitions the facts into broad segments (e.g., verdict-related sentences) to make predictions. However, this approach fails to capture the complex details present in the case facts, such as various criminal elements and legal events. To this end, in this paper, we propose an Event Grounded Generation (EGG) method for criminal court view generation with cooperative (Large) Language Models, which introduces the fine-grained event information into the generation. Specifically, we first design a LLMs-based extraction method that can extract events in case facts without massive annotated events. Then, we incorporate the extracted events into court view generation by merging case facts and events. Besides, considering the computational burden posed by the use of LLMs in the extraction phase of EGG, we propose a LLMs-free EGG method that can eliminate the requirement for event extraction using LLMs in the inference phase. Extensive experimental results on a real-world dataset clearly validate the effectiveness of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google