Dynamic Topic Modeling with Tensor Decomposition as a Tool to Explore the Legal Precedent Relevance Over Time
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The precedent is a textual citation of prior court decisions. This undoubtedly offers great value in a common-law-based judicial system where courts are bound to their previous rulings, such as in the United States, Canada, and India. In those countries, precedent relevance detection is an issue that has attracted considerable attention where studies propose Network Science techniques for relevance measurement --- where decisions and their relationships are represented in network structures. However, those methods fail to capture the precedent relevance in the Brazilian scenario due to the massive and increasing number of decisions issued yearly. The Brazilian Supreme Court (STF), the highest judicial body in Brazil, has produced more than a million decisions over the last decade. Therefore, we propose an interpretable and cost-effective process to explore the precedent through latent topics that emerge, evolve, and fade over time in a collection of historical documents. To do so, we explore dynamic topic modeling with tensor decomposition as a tool to investigate the legal changes embedded in those decisions over time. We base our study on the individual decisions published by STF between 2000 and 2018. Additionally, through experiments, we explore the proposed process within different scenarios to investigate the precedent citations over the STF's recent history, and how those citations correlates with the legal named entities, such as legislative references. The experiments showed the process' capability to produce coherent and interpretable results for temporal analysis of the precedent citations in larger collections of documents. Also, it presents the potential to support further studies in the legal domain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle