基于有序多任务学习的司法二审判决预测方法

司法二审判决预测任务旨在基于一审判决、新发现事实、上诉理由等文本材料预测二审程序的判决结果,其难点在于如何捕捉两审法院对案件事实的认知异同来生成可解释的预测。针对上述难点,该文提出一种基于有序多任务学习的二审判决预测方法SIJP-SML,该方法通过两个时序依赖的多任务学习部分对一审到二审的完整审判逻辑进行建模,以提取并融合一、二审法院对案件事实的认知表示来预测二审判决。同时,SIJP-SML在多任务学习中引入法院观点生成任务来输出具有一定可读性的判决理据,以增强预测的可解释性。在6万余份二审裁判文书数据上的实验结果证明了SIJP-SML的有效性和合理性,其综合性能优于所有基线方法。     

基于深度学习的法律文书事实描述中判决要素抽取

司法判决要素抽取旨在从法律文书的案件事实描述中自动识别出不同的判决特征.目前的研究主要面向自动判决中的词汇特征抽取,缺乏专门针对语句特征的探索.基于此,将判决要素抽取任务形式化为多标签分类模型,提出融合BERT(Bidirectional Encoder Representations from Transformers)和CNN的判决要素抽取方法.同时,为了弱化不同句子的长度差异对模型效果的负面影响,进一步在BERT-CNN模型上融入基于Mask方法的多头自注意力机制.该方法在2019"法研杯"要素识别任务数据集上得到了有效验证.     

基于生成对抗网络的控辩焦点识别

近年来,随着深度学习技术的不断发展,自然语言处理作为人工智能的一个重要分支,在许多垂直领域有了广泛的应用,如司法、教育、医疗等。在司法领域的庭审过程中,控辩双方往往围绕案件的争议焦点持有不同观点,而该焦点也是影响案件最终判决和量刑的关键所在,该文旨在识别并生成电子卷宗中的控辩焦点。由于控辩焦点的构成大多依赖对案情文本的分析概括,受此启发该文尝试将文本摘要的思想迁移到该任务中,结合生成对抗网络构建控辩焦点的生成模型,进而获得案件的控辩焦点。在裁判文书网的真实司法数据的基础上,开展了相关的实验。实验结果显示,所提出的模型对控辩焦点的识别精度有了一定幅度的提升。因此,该文对检察机关办案人员的庭前预案及案件审理有着一定的辅助作用与应用价值。     

基于自监督学习语言模型的罪名预测研究

针对解决法律判决预测中的罪名预测问题,为了更高效地捕捉案件事实描述中上下文的语义信息,提出了一种结合ALBERT（A Lite BERT）和卷积神经网络CNN（TextCNN）的中文罪名预测模型ALBT。模型利用ALBERT模型将法律文本的事实描述转化成向量表示,提取事实描述中的关键特征,把提取到的特征送入卷积神经网络TextCNN模型中进行分类预测,最终完成对事实描述中的罪名预测。实验在2018“中国法研杯”司法人工智能挑战赛构建的数据集上精度达到了88.1%。实验结果表明,模型在中文罪名预测上能够达到更好的预测效果。     

玛姬·泰勒间接证据 杰瑞·尤斯曼直接证据

名词解释：法律上，凡是必须与其他证据相结合才能证明案件主要事实的证据，属于间接证据。间接证据与案件主要事实的关联方式是间接的，一个间接证据只能证明案件主要事实的个别情节或片断。     

基于人工智能的司法判决预测研究与进展

随着人工智能和大数据处理技术的发展,人工智能技术在辅助法官办案、辅助诉讼、辅助司法管理等诸多方面起着重大作用,推进了智慧法院的发展,并受到学术界及工业界的广泛关注。该文在针对人工智能技术在辅助司法办案相关模型分析的基础上,归纳并提出了目前司法判决预测领域存在的多特征的罪名分类预测、多标签的罪名分类预测、司法判决预测中多个子任务处理、司法判决预测中的不平衡数据处理、判决预测结果的可解释性以及将已有的刑事案件预测算法迁移学习推广到不同类别案件等6项关键性问题与挑战。同时,该文针对这些关键问题与技术挑战进行了理论探讨、技术分析以及当前工作进展与趋势分析,总结了司法判决预测领域目前使用到的一些数据集及其对应的评价指标,为深入研究司法判决预测提供新的研究线索与方向。     

基于消点法的几何自动推理系统实现

为了实现几何自动推理的可读性证明,并提高推理效率,介绍了一个基于消点法的可构造性几何命题自动推理系统的设计与实现。该系统提供作图的方式接受用户的几何命题前提条件的输入,可以对初等几何中的大部分可构造性几何问题进行自动证明和求解,并生成可读的证明步骤,大大方便了初高等几何教育和相关研究者的需要。     

面向司法案件的案情知识图谱自动构建

以法学知识为中心的认知智能是当前司法人工智能发展的重要方向。该文提出了以自然语言处理(NLP)为核心技术的司法案件案情知识图谱自动构建技术。以预训练模型为基础,对涉及的实体识别和关系抽取这两个NLP基本任务进行了模型研究与设计。针对实体识别任务,对比研究了两种基于预训练的实体识别模型;针对关系抽取任务,该文提出融合平移嵌入的多任务联合的语义关系抽取模型,同时获得了结合上下文的案情知识表示学习。在“机动车交通事故责任纠纷”案由下,和基准模型相比,实体识别的F₁值可提升0.36,关系抽取的F₁值提升高达2.37。以此为基础,该文设计了司法案件的案情知识图谱自动构建流程,实现了对数十万份判决书案情知识图谱的自动构建,为类案精准推送等司法人工智能应用提供语义支撑。     

基于区块链的公共数据电子证据系统及关联性分析

针对公共部门提供电子证据时,必须保证数据的真实性和证明力,同时要尽量保护当事人隐私和他人利益,而从公共数据库中提取电子数据并形成有效电子证据,既是法律难题也是技术难题这一问题,本文在电子证据可信性的影响因素分析基础上,提出了自动生成中国公共数据库电子证据系统的区块链模型的取证技术体系,并从司法角度出发,提出了公共数据治理的电子证据生命周期、内容关联、载体关联和智能串并分析方法。本文的研究在一定程度上保证了司法、公证和公共事务中电子证据的可信性,并实现了从公共数据库中自动生成证据知识的原型系统。     

面向法律文书的自然语言理解

法律人工智能因其高效、便捷的特点,近年来受到社会各界的广泛关注。法律文书是法律在社会生活中最常见的表现形式,应用自然语言理解方法智能地处理法律文书内容是一个重要的研究和应用方向。该文梳理与总结面向法律文书的自然语言理解技术,首先介绍了五类面向法律文书的自然语言理解任务形式: 法律文书信息提取、类案检索、司法问答、法律文书摘要和判决预测。然后,该文探讨了运用现有自然语言理解技术应对法律文书理解的主要挑战,指出需要解决好法律文书与日常生活语言之间的表述差异性、建模好法律文书中特有的推理与论辩结构,并且需要将法条、推理模式等法律知识融入自然语言理解模型。     

基于论证关系判别的议论文句子排序研究

议论文自动生成是自然语言生成中一项极具挑战性的任务,与诗歌、故事等生成任务不同,所生成的文章需要句子语义明确、论证结构清晰并合理地表达出核心论点。上述特点使得现有的预训练模型难以准确地建模并自动生成,因此传统的检索式方法成为解决该问题的主要方式。但前人方法在句子检索和排序过程中只考虑了语义相关度,忽视了对逻辑论证关系的判别,导致语义不连贯、论证逻辑倒置等问题。针对上述问题,该文将自然语言推理应用于论证关系逻辑判别任务,提出了基于显式语义结构的论证关系逻辑判别方法,新模型在论证判别数据集上取得优于以往自然语言推理模型的效果。同时将论文判别结果作为显式特征应用于议论文句子排序模型,在议论文生成数据集中有效改善了排序模型的逻辑不一致问题并进一步提升了议论文生成系统的总体性能。     

计算机和网络技术中的电子数据信息涉及的问题

计算机和网络技术的发展带动了信息时代变革,在法律证据信息化的趋势下,电子数据成为证明案件事实的一种重要载体.这种新的证据形式在证据法律实践与理论研究中被成为电子证据.新刑事诉讼法正式将电子数据规定为法定证据之一,电子证据在解决案件和纠纷中取得了合法地位.     

基于反事实推理的事实验证去偏方法

事实验证是一项具有挑战性的任务,旨在使用来自可信赖语料库的多个证据句子来验证声明。为了促进研究,一些事实验证数据集被提出,极大地加速了事实验证技术的发展。然而,现有的事实验证数据集通常采用众包的方法构造,无可避免地引入偏差。已有事实验证去偏工作大致可以分为基于数据增强的方法和基于权重正则化的方法,前者不灵活,后者依赖于训练阶段的不确定输出。与已有工作不同,该文从因果关系出发,提出基于反事实推理的事实验证去偏方法。该文首先设计事实验证中的因果图,建模声明、证据以及它们之间的交互和预测结果的因果关系。接着,根据因果图提出事实验证去偏方法,通过总间接效应去除声明带来的偏差影响。我们使用多任务学习的方式来训练模型。训练时,该文采用多任务学习的方式建模各个因素的影响,同时在有偏和无偏测试集上评估模型的性能。实验结果表明,对比基准方法,该文模型在性能上获得了一致的提升。     

电子证据的认定问题

在证据信息化的大趋势下,以计算机及其网络等媒介为依托的电子数据在证明案件事实的过程中起着越来越重要的作用。这种以新的形态出现的证据形式在证据法律实践与理论研究中被定义为电子证据。为了更好地运用电子证据推动案件侦破及审理,本文从判断并规范一定的标准去衡量电子证据的可采性与证明力的方法入手对电子证据的认定问题进行了探讨。     

裁判文书诉辩双方互动论点对识别方法研究

随着人工智能与大数据技术的快速发展,基于自然语言理解的智慧司法服务研究已受到越来越多的关注。裁判文书是记载人民法院审理过程和结果的法律文本,记录了法院庭审过程中诉辩双方的完整陈述,但其缺点是未展现出具有鲜明逻辑交互关系的诉辩互动论点对,难以为法官梳理案件争议焦点提供更好的服务。目前针对互动论点对识别的研究主要面向英文论坛数据,且主要从获取论点不同层面的特征入手,所提方法的鲁棒性与泛化能力较差。该文以识别司法裁判文书中存在逻辑交互关系的诉辩论点对为目标,重点从互动论点的语义表示、互动论点对之间的交互关系和模型鲁棒性等方面进行研究,基于此,提出了结合预训练语言模型、注意力机制和对抗训练的互动论点对识别方法。实验结果表明,该文方法既提升了裁判文书诉辩互动论点对识别的精度,也提升了模型的鲁棒性。     

一种法律判决预测的影响因素分析方法

法律判决预测是指机器依据案件事实描述,对法律案件的判决罪名进行预测的方法,是人工智能技术在法律领域一项很有前途的应用。随着人工智能领域的迅猛发展,相关技术在法律领域的应用愈加广泛,许多经典的模型在法律判决预测方面取得了不错的结果。机器学习方法效果虽好,但一直无法解决预测结果的解释说理问题,预测结果存在黑盒性特征,无法获得结论的支撑依据。针对上述问题,本文提出一种法律判决预测的影响因素分析方法,结合中文分词技术、支持向量机技术（Support Vector Machine, SVM）和解释预测统一框架（SHapley Additive exPlanations, SHAP）,实现对法律案件判决结果的智能预测,并对预测结果的影响因素进行科学的分析,给出对预测结果影响较大的关键因素,为预测结果提供支撑依据。     

融合法律文本结构信息的刑事案件判决预测

近年来,法律领域的智能化引起了学界的广泛关注。选取法律领域中十分重要的法律判决预测任务作为研究重点,法律判决预测包含推荐相关法条、定罪和刑期预测等三个子任务。随着深度学习在各个领域的广泛应用,一些研究者将深度学习方法引入法律判决预测任务并取得了较好的效果。现有基于深度学习的法律判决预测方法通常是通过构建案情描述和法条之间的注意力来提升模型预测能力,或者利用三个法律判决预测子任务间的关系来提升整体的性能。但是这些工作未考虑法律文本中的多层层次化信息,如刑法第三百九十七条包含职务侵占罪和玩忽职守罪,其法条大类是渎职罪,并且每个罪行有不同的刑期。针对该问题,考虑引入法律文本的多层层次化信息用于法律判决预测任务。具体来说,对法律文本的多层结构信息进行预处理,并利用协同注意力机制将法条的多层信息融入到案情描述中,得到每个子任务的融合不同层次的法律信息的案情描述表示,从而提升司法判决预测任务的性能。在真实的法律判决预测任务公开的数据集上进行了实验,结果显示提出的融合法律文本多层结构信息的模型在法律判决预测任务上优于当前最好的模型。对法律智能化的未来和发展进行了展望。     

融合案件要素的相似案例匹配

相似案例匹配是智慧司法中的重要任务,其通过对比两篇案例的语义内容判别二者的相似程度,能够应用于类案检索、类案类判等。相对于普通文本,法律文书不仅篇幅更长,文本之间的区别也更微妙,传统深度匹配模型难以取得理想效果。为了解决上述问题,该文根据文书描写规律截取文书文本,并提出一种融合案件要素的方法来提高相似案件的匹配性能。具体来说,该文以民间借贷案件为应用场景,首先基于法律知识制定了6种民间借贷案件要素,利用正则表达式从法律文书中抽取案件要素,并形成词独热形式的案件要素表征;然后,对法律文本倒序截取,并通过BERT编码得到法律文本表征,解决法律文本的长距离依赖问题;接着使用线性网络融合法律文本表征与案件要素表征,并使用BiLSTM对融合的表征进行高维度化表示;最后通过孪生网络框架构建向量表征相似性矩阵,通过语义交互与向量池化进行最终的相似度判断。实验结果表明,该文模型能有效处理长文本并建模法律文本的细微差异,在CAIL2019-SCM公共数据集上优于基线模型。     

电子证据及其法律地位

证据在司法证明的中的作用是无庸质疑的,它是法官判定法律事实的标准。随着计算机技术的发展和广泛应用,特别是在电子商务活动中,各种数据电文大量使用,使得电子证据逐渐成为新的诉讼证据之一。     

基于预训练语言模型的案件要素识别方法

案件要素识别指将案件描述中重要事实描述自动抽取出来,并根据领域专家设计的要素体系进行分类,是智慧司法领域的重要研究内容。基于传统神经网络的文本编码难以提取深层次特征,基于阈值的多标签分类难以捕获标签间的依赖关系,因此该文提出了基于预训练语言模型的多标签文本分类模型。该模型采用以Layer-attentive策略进行特征融合的语言模型作为编码器,使用基于LSTM的序列生成模型作为解码器。在“CAIL2019”数据集上进行实验,该方法比基于循环神经网络的算法在F₁值上平均可提升7.4%,在相同超参数设置下宏平均F₁值比基础语言模型(BERT)平均提升3.2%。