Verbesserung der Sentimentanalyse im Recht: Ein Dokumentenmodell basierend auf einem Faltungs-Neuronalen Netzwerk und Long Short-Term Memory

Diese Forschung untersucht die Anwendung von Deep Learning in der Sentimentanalyse kanadischer maritimer Rechtsprechung. Sie bietet ein Rahmenwerk zur Verbesserung des maritimen Rechts und der rechtlichen Analyse-Politikgestaltung. Die Automatisierung der Extraktion juristischer Dokumente steht im Mittelpunkt und unterstreicht die entscheidende Rolle, die die Sentimentanalyse auf Dokumentenebene spielt. Daher führt diese Studie eine neuartige Strategie für die Sentimentanalyse in der kanadischen maritimen Rechtsprechung ein, die Ansätze der Sentimentrechtsprechung mit modernen Deep Learning-Techniken kombiniert. Das übergeordnete Ziel ist es, systematisch versteckte Vorurteile innerhalb der Rechtsprechung aufzudecken und deren Auswirkungen auf rechtliche Ergebnisse zu untersuchen. Durch den Einsatz von auf Faltungs-Neuronalen Netzwerken (CNN) und Long Short-Term Memory (LSTM) basierenden Modellen erreicht diese Forschung eine bemerkenswerte Genauigkeit von 98,05% bei der Kategorisierung von Fällen. Im Gegensatz dazu erreichen herkömmliche maschinelle Lerntechniken wie Support-Vektor-Maschinen (SVM) eine Genauigkeitsrate von 52,57%, naive Bayes von 57,44% und logistische Regression von 61,86%. Die überlegene Genauigkeit der Kombination aus CNN- und LSTM-Modellen unterstreicht deren Nützlichkeit in der rechtlichen Sentimentanalyse und bietet vielversprechende zukünftige Anwendungen in verschiedenen Bereichen wie rechtlicher Analyse und Politikgestaltung. Diese Ergebnisse markieren eine bedeutende Wahl für KI-gestützte juristische Werkzeuge, die anspruchsvollere und sentimentbewusste Optionen für den juristischen Beruf bieten.