[论文解读] Using Argumentation Schemes to Model Legal Reasoning

Trevor Bench‐Capon, Katie Atkinson|arXiv (Cornell University)|Oct 1, 2022

Multi-Agent Systems and Negotiation被引用 5

一句话总结

本文通过将推理划分为三个阶段——要素归属、问题解决和结果判定，引入论证模式来建模普通法体系中的法律推理，特别是美国商业秘密法。它展示了这些模式如何实现对比性解释，并可适应非法律领域（如机器学习分类），其中类似判例的案例支持推理，而无需主观偏好。

ABSTRACT

We present argumentation schemes to model reasoning with legal cases. We provide schemes for each of the three stages that take place after the facts are established: factor ascription, issue resolution and outcome determination. The schemes are illustrated with examples from a specific legal domain, US Trade Secrets law, and the wider applicability of these schemes is discussed.

研究动机与目标

• 通过为不同推理阶段量身定制的论证模式，形式化普通法司法管辖区的法律推理。
• 通过要素归属、问题解决和结果判定，提供一种结构化方法来解释法律决定。
• 证明这些模式在法律领域之外的适用性，特别是在机器学习分类任务中的应用。
• 通过支持对推理假设和判例的批判性质询，实现对比性解释。
• 解决在法律案件中处理冲突要素的挑战，提供一种有原则且可复用的框架。

提出的方法

• 本文为三个阶段定义了论证模式：要素归属（将事实与法律要素关联）、问题解决（评估支持与反对要素）、结果判定（将规则应用于已解决的问题）。
• 它使用美国商业秘密法的逻辑模型，将问题映射到其构成要素，并辅以判例法中的具体示例。
• 要素归属的模式包括批判性问题，例如：是否存在与当前案件分类相矛盾的判例？
• 在结果判定方面，本文使用线性模型（例如，表示CompetitiveAdvantage等要素阈值的直线），并通过关于反例和可调阈值的批判性问题评估拟合度。
• 该方法通过允许用户探究为何某一要素或结果不成立，而不仅为何成立，从而支持对比性解释。
• 该框架通过将已知案例视为判例，被适应于非法律领域，适用于分类任务，其中数据的因果契合取代基于偏好的推理。

实验结果

研究问题

• RQ1 如何系统地对法律推理在不同阶段（要素归属、问题解决和结果判定）进行建模？
• RQ2 哪些论证模式在解释法律决定时有效，并能支持对比性推理？
• RQ3 这些模式在多大程度上可被转移到非法律领域，如机器学习分类？
• RQ4 批判性问题如何帮助评估法律及类似领域中推理的有效性？
• RQ5 在分类任务中缺乏基于偏好的推理，如何增强法律论证模式的适用性？

主要发现

• 所提出的论证模式通过将推理分解为三个截然不同且可分析的阶段，成功地对美国商业秘密法中的法律推理进行了建模。
• 批判性问题如TCQ1（反例是否存在）和TCQ2（阈值是否可调）能够对要素归属和结果判定进行稳健验证。
• CompetitiveAdvantage要素归属的模式在案例Useless中进行了测试，初始线性模型将其排除，但通过TCQ2对阈值（c）进行调整后，实现了重新分类。
• 该框架通过允许用户探究为何某一要素或结果不适用，而不仅为何适用，支持对比性解释。
• 该方法可转移至非法律领域，如客户流失和蘑菇分类，其中已知案例充当判例，无需依赖基于偏好的解决。
• 实现可转移性的关键区别在于：分类任务依赖于与数据的因果契合，而非主观偏好，使其比实务推理任务更适用于基于判例的推理。