Research on legal judgment prediction model based on event extraction and constraints
Notice bibliographique
Résumé
Research on event extraction and constraint encoding of legal cases, using Lawformer as a pre-trained language model for legal sentence prediction model, constructing MJP-Law model to predict the sentence of legal cases.The HAN encoder in the model is utilized to extract the inter-sentence relations in the legal case and construct the relations among the law, the charge, and the sentence period.Compare the performance of this paper's MJP-Law model with other prediction models on law, charge, and sentence period, and explore the effects of the three subtasks of law, charge, and sentence period on the model through ablation experiments, and compare the prediction effects of a single MJP model and the MJP-Law model on low-frequency charges.In this paper, the MJP-Law model outperforms other prediction models in terms of prediction performance on statute, offense, and sentence.The four models of "MJP-Law", "MJP-Law_law", "MJP-Law_SG" and "MJP" had the same prediction performance, which were 95.54%, 89.86%, 89.73% and 89.81%, respectively."MJP-Law" and "MJP-Law_law", "MJP-Law_SG" and "MJP" have the same performance in law prediction.After removing the sentencing guidelines and legal sentences, the macro F1 values of the MJP-Law model all showed a decrease.The predictive performance of the MJP-Law model on low-frequency offenses was better than that of the single MJP model.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».