[论文解读] Corpus for Automatic Structuring of Legal Documents
引入一个新的英文印度法律判决语料库，标注有12种修辞角色，训练基线RR预测模型，并演示RR驱动的摘要与判决预测。
In populous countries, pending legal cases have been growing exponentially. There is a need for developing techniques for processing and organizing legal documents. In this paper, we introduce a new corpus for structuring legal documents. In particular, we introduce a corpus of legal judgment documents in English that are segmented into topical and coherent parts. Each of these parts is annotated with a label coming from a list of pre-defined Rhetorical Roles. We develop baseline models for automatically predicting rhetorical roles in a legal document based on the annotated corpus. Further, we show the application of rhetorical roles to improve performance on the tasks of summarization and legal judgment prediction. We release the corpus and baseline model code along with the paper.
研究动机与目标
- 创建一个大型印度法律判决的标注语料库，标注具有主题一致的修辞角色（RRs）。
- 开发基于Transformer的基线，用于句子级自动RR标注。
- 展示将修辞角色应用于法院判决的抽取式和 abstractive 摘要。
- 展示RR预测如何提升法律判决预测。
- 发布语料库和基线代码以促进法律NLP研究。
提出的方法
- 在英文环境下对354份印度法律判决进行标注，使用12个RR标签并在句子层级标注NONE。
- 使用带有校准、MOOC、真实校验和多数裁定的众包数据标注流程。
- 用基于Transformer的架构（BERT_CRF、BERT_only、SciBERT-HSLN）评估基线RR预测。
- 通过Bi-LSTM和注意力机制在SciBERT-HSLN中加入上下文以实现句子表示，并使用CRF进行标注。
- 将RR预测应用于抽取式摘要（BERTSUM RR）和 abstractive 摘要（Legal Pegasus RR）。
- 使用XLNet_last512对最后512个令牌（以及仅对 ANALYSIS-仅句子）进行RR基过滤以测试判决预测。
实验结果
研究问题
- RQ1是否可以创建一个带有修辞角色注释的英语印度法律判决大型语料库，并可通过众包获得可接受质量？
- RQ2基于Transformer的模型是否能在长篇法律文档中准确预测句子级修辞角色？
- RQ3修辞角色是否能够提升下游任务，如判决的抽取/ abstractive 摘要和判决预测？
- RQ4RR基方法在跨域法律领域的泛化能力如何？
- RQ5在选择特定的RR基输入对判决预测性能的影响是什么？
主要发现
- SciBERT-HSLN在同领域的RR预测中表现最佳，加权F1为0.78。
- BERT-only基线在同领域的F1为0.67，BERT_CRF在同领域为0.23 F1。
- 跨域RR预测总体F1为0.79，且各标签表现不均。
- 对于抽取式摘要，BERTSUM RR将ROUGE-1/2/L提升至0.62/0.46/0.61，相较于BERTSUM的0.60/0.42/0.59。
- 对于 abstractive 摘要，Legal Pegasus RR的ROUGE-1/2/L为0.56/0.36/0.48，相较于Legal Pegasus的0.55/0.34/0.47。
- 使用XLNet_last512进行判决预测达到0.59 F1，而XLNet_last512_Analysis达到0.62 F1。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。