The Role and Optimization of Multi-task Learning Models in Legal Decision Prediction
Notice bibliographique
Résumé
Prediction of legal decisions using machine learning and artificial intelligence techniques has gradually become an important part of smart court technology.In addition the crime prediction and law recommendation also face the problem of easily confusing crimes.In order to solve these problems, this paper unites multi-task learning models and proposes a model fusion legal verdict prediction model.An attention neural network fusing Transformer Encoder and DPCNN encodes the key semantic information in the case description.The TF-IDF algorithm and TextRank algorithm are applied to extract the keywords of the charge, and the forward propagation network is used as a classifier to constitute a multi-task learning legal verdict prediction model.Using 9 2018 CAIL legal datasets as experimental data, the metrics performance of the multi-task learning legal judgment prediction model proposed in this paper is measured on three subtasks (offense prediction, legal provision prediction, and punishment duration prediction) in LJP.Combining real case information for legal verdict prediction as well as charge differentiation.The verdict prediction results on the CAIL-Big-Multi dataset show that the mean MP value of the comparison algorithms is 82.925% in the charge prediction.And the MP index of the charge prediction of the multitask learning legal verdict prediction model proposed in this paper is 89.13%, which is significantly higher than the mean value of the comparison algorithms.And the multitask learning model incorporating the keyword information of charges in case analysis can effectively solve the problem of confusing charges.
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 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 | 0,003 | 0,002 |
| 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) | 0,000 | 0,000 |
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 tête enseignante, 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 ».