一种考虑情境的神经框架用于可解释的法律判决预测

大量法律文档促进了法律智能的应用。在这些文档中，法律判决预测 (LJP) 已成为一项关键任务，受到了广泛关注。LJP旨在预测多个子任务的判决结果，包括指控、法律条款和刑罚条件。现有研究主要集中于利用整个事实描述来生成判决结果，忽视了实际司法场景中法官在决定裁决和量刑时考虑的各种犯罪情境。为此，本文提出了一种考虑情境的LJP框架（即NeurJudge），通过探索犯罪的情境来实现。具体而言，NeurJudge首先将事实描述分离为不同情境，并结合中间子任务的预测结果，然后利用这些结果推导出其他子任务的结果。此外，由于模糊的判决可能会降低LJP的性能，我们进一步开发了NeurJudge的一个变体（NeurJudge+），将标签（指控和法律条款）的语义纳入事实，以生成更具表现力和可区分的事实表示。最后，为了为LJP提供解释，我们将NeurJudge扩展为一个可解释的LJP框架E-NeurJudge，采用了合作的教师-学生系统。教师系统是NeurJudge，它很好地利用法律特征，但缺乏解释能力。学生系统是一种合理化方法，它提供可解释性，但未能利用法律特征。为了结合上述方法的优点，我们使用转移函数将法律特征从教师转移到学生，在生成LJP结果和使其可解释之间进行权衡。对真实世界数据集的广泛实验结果验证了我们提出的框架的有效性。”},{