From Text to Structure: Using Large Language Models to Support the Development of Legal Expert Systems

将立法文本编码为正式表示是在AI和法律领域中不同任务的重要前提。例如，专注于立法的基于规则的专家系统可以支持普通人理解立法如何适用于他们，并为他们提供有用的背景和信息。然而，分析立法和其他来源以将其编码为所需的正式表示的过程可能耗时，并代表这些系统开发中的瓶颈。在这里，我们研究大型语言模型（LLMs）（例如GPT-4）在多大程度上能够自动从立法中提取结构化表示。我们使用LLMs根据JusticeBot法律决策支持系统的方法创建立法途径，评估这些途径并将它们与手动创建的途径进行比较。结果很有前途，在盲目比较中，60％的生成途径被评为等同或优于手动创建的途径。该方法表明了一条有前途的道路，可以利用LLMs的能力来减轻基于符号方法的系统开发的昂贵成本，这些方法是透明且可解释的。

论文旨在探讨大型语言模型（LLMs）在自动从立法文本中提取结构化表示方面的能力，以缓解基于符号方法的系统开发中的瓶颈问题。

使用LLMs创建从法律文本到路径的方法，并将其与手动创建的路径进行比较，以验证其效果。结果表明，LLMs能够自动提取结构化表示，并且60％的生成路径被评为与手动创建的路径相等或更好。

论文使用JusticeBot方法论证了LLMs在自动提取结构化表示方面的潜力，并提供了一种新的方法来缓解基于符号方法的系统开发中的瓶颈问题。实验使用了大量的数据集，并且结果令人鼓舞。论文还提出了一些值得继续深入研究的方向。

相关论文包括：1. “A Survey of AI in Law and Legal Practice” by Dana Remus and Frank Levy from Duke University; 2. “Artificial Intelligence and Law: An Overview” by Kevin Ashley from University of Pittsburgh; 3. “Legal informatics” by Tom van Engers from University of Amsterdam.