Notice bibliographique
Résumé
The integration of artificial intelligence (AI) and large language models (LLMs) has significantly influenced numerous industries. However, the legal sector remains cautious, given its stringent demands for confidentiality, accuracy, and adaptability. Over the summer, I conducted research examining the intersection of law and LLMs, focusing on their current limitations and potential advancements. My analysis revealed that even the cutting-edge models (e.g., ChatGPT, Claude) exhibit notable deficiencies in legal reasoning. Specifically, they struggle to: Accurately identify legal issues, Retrieve relevant case law reliably, Apply legal principles to the facts with precision, and Provide accurate pinpoint legal citations. To address these gaps, I investigated how lawyers analyze legal issues and craft responses in the form of legal opinions. This research informed the development of a structured system prompt designed to enhance OpenJustice, Queen’s open-source legal AI. Within OpenJustice, I assisted with the research on the Code for Dialogue (CoDial) framework and its dialogue flow system. My work involved analyzing how lawyers approach complex legal issues, how lawyers deconstruct legal principles into smaller components, and translating these principles into a structured graph for AI interpretation. In collaboration with the engineering team, I provided support for the implementation of functionalities that enable dialogue flows to resemble a legal reasoning process. Additionally, I contributed to research exploring an LLM-as-a-Judge framework, which aims to evaluate AI-generated legal responses and identify areas for improvement. Preliminary findings indicate that evaluating legal responses presents unique challenges, as legal questions often lack a singular correct answer; two valid, reasonable, and well-supported arguments may lead to opposing conclusions. This work highlights the complexities of integrating AI into the legal domain and underscores the importance of continued research. Advancements in this field hold significant potential to enhance access to justice and improve efficiency within the legal profession.
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 | 0,035 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,015 | 0,024 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,005 |
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 ».