【论文标题】AutoLAW: Augmented Legal Reasoning through Legal Precedent Prediction

【作者团队】Robert Zev Mahari

【发表时间】2021/06/30

【机 构】哈佛法学院

【论文链接】https://arxiv.org/pdf/2106.16034v1.pdf

本文展示了如何利用NLP来解决法律界未得到满足的需求并增加诉诸司法的机会。本文介绍了法律先例预测（LPP），即在法律论证的背景下，预测法院先例裁决中的相关段落的任务。为此，本文展示了一个BERT模型，该模型在美国联邦法官所做的530,000个法律论证的例子上进行了训练，以预测在法律论证的背景下先例法院判决中的相关段落。在96%的未见过的测试例子中，正确的目标段落都在预测的前10个段落中。同样的模型能够根据一份复杂的、未见过的法律简报的简短摘要预测相关的先例，预测出该简报的共同作者、前美国副检察长和现任美国最高法院法官埃琳娜-卡根实际引用的先例。

与对比方法FFNN（前馈神经网络）相比，尽管两个模型都能可靠地预测出正确的段落，但BERT模型胜过了FFN的 所有k值在10到100之间的Top-k准确性。

上图展示了一个例子，预测的十条引文中，有七条与本案的论点相关。

内容中包含的图片若涉及版权问题，请及时与我们联系删除