[論文レビュー] Multimodal Multi-Agent Empowered Legal Judgment Prediction

Zhaolu Kang, Junhao Gong+8 more|arXiv (Cornell University)|Jan 19, 2026

Artificial Intelligence in Law被引用数 0

ひとこと要約

JurisMMA は JurisMM データセット（テキストとマルチモーダル動画テキスト）を用いた六エージェントの法廷フレームワークで、複数タスク下のベースラインを上回り、マルチモーダルおよびナレッジベース要素から強い恩恵を示す。

ABSTRACT

Legal Judgment Prediction (LJP) aims to predict the outcomes of legal cases based on factual descriptions, serving as a fundamental task to advance the development of legal systems. Traditional methods often rely on statistical analyses or role-based simulations but face challenges with multiple allegations, diverse evidence, and lack adaptability. In this paper, we introduce JurisMMA, a novel framework for LJP that effectively decomposes trial tasks, standardizes processes, and organizes them into distinct stages. Furthermore, we build JurisMM, a large dataset with over 100,000 recent Chinese judicial records, including both text and multimodal video-text data, enabling comprehensive evaluation. Experiments on JurisMM and the benchmark LawBench validate our framework's effectiveness. These results indicate that our framework is effective not only for LJP but also for a broader range of legal applications, offering new perspectives for the development of future legal methods and datasets.

研究の動機と目的

• 複数の Charges、 diverse evidence、実際の法廷手続きに対応する LJP の改善を動機づける。
• trial をシミュレートし、法的知識を統合する六段階・多エージェントの構造化フレームワークを提案する。
• Robust な評価のためにテキストとマルモダルサンプルを含む大規模な実ケースデータ JurisMM を作成する。
• JurisMMA が core LJP タスクでベースラインを上回り、LawBench への一般化性を示す。

提案手法

• Junior Judge、Senior Judge、Chief Judge、Assistant、Defendant、Legal Counsel の六エージェントを備えた JurisMMA と、知識検索を二段階で行うモジュールを導入する。
• Stage I: Information Extraction では JJs が事実を抽出し SJ が Case Summary を統合する。
• Stage II: Legal Information Retrieval では、 statutes および charges に対して dense FAISS を用い、 precedents には hybrid BM25+dense でリトリーブする。
• Stage III: First-instance Decision では CJ が charges を選択し、先例の影響と緩和要因を用いて sentence を算出する。
• Stage IV: Defendant’s Response が objections と appel eligibility を捉える。
• Stage V: Appeal Submission では Legal Counsel が supporting laws および reasoning を含む appeal brief を作成する。
• Stage VI: Second-instance Review では 判決を修正するかを判断し、必要に応じて Stage I-II を再実行する。

実験結果

リサーチクエスチョン

• RQ1 六エージェントの法廷フレームワークは LJP の実際の審理手続を効果的に模擬できるか。
• RQ2 Multimodal JurisMM データセットを統合することで、テキストのみのベースラインより LJP の性能が改善されるか。
• RQ3 知識ベースと多エージェント協調が LJP の性能に与える影響はどの程度か。
• RQ4 JurIsMMA は training データを超えた法的推論ベンチマークへどれだけ generalize できるか。

主な発見

• JurisMMA は Law Articles、Charges、Terms of Penalty のタスクで JurisMM-Text 上の従来のニューラルベースライン（TextCNN、TOPJUDGE、MPBFN）およびいくつかの LLM ベースのベースラインを一貫して上回る。
• JurisMM-Video では視覚情報の組み込みにより accuracy および macro-F1 がタスク全体で向上する。
• アブレーション研究により、知識ベースの除去や多エージェント協調の排除は性能を劣化させ、その重要性を強調する。
• GPT-4o は LLM の中で高い結果を示すが、JurisMMA の多エージェント構成と知識統合はコアタスクで一般的にそれらを上回る。
• JurisMMA は LawBench タスクでも一般的な目的型 LLM よりも上回る結果を示し、法的推論ベンチマークへの良い一般化を示唆する。