基于因果图分析的可解释司法判决预测方法研究
随着人工智能技术的发展和海量司法数据的公开，面向“智慧司法”服务的司法判决预测（legal judgment prediction，LJP）任务受到了学术界和工业界的广泛关注，该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而，现有工作缺乏对易混淆司法案件的智能决策的研究，且相关模型通常缺乏可解释性，这会导致模型预测严重依赖领域专家，阻碍LJP在不同法律体系中的应用。为此，提出了一种基于因果图分析的司法判决预测（prediction of legal judgment based on causal graph analysis， CGLJ）方法，首先从非结构化的法律事实描...
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
China InfoCom Media Group
2024-03-01
|
| Series: | 大数据 |
| Subjects: | |
| Online Access: | https://www.infocomm-journal.com/bdr/CN/10.11959/j.issn.2096-0271.2024023 |
| _version_ | 1797229999334359040 |
|---|---|
| author | 张虎, 张振, 范越, 郭佳钰 |
| author_facet | 张虎, 张振, 范越, 郭佳钰 |
| author_sort | 张虎, 张振, 范越, 郭佳钰 |
| collection | DOAJ |
| description | 随着人工智能技术的发展和海量司法数据的公开，面向“智慧司法”服务的司法判决预测（legal judgment prediction，LJP）任务受到了学术界和工业界的广泛关注，该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而，现有工作缺乏对易混淆司法案件的智能决策的研究，且相关模型通常缺乏可解释性，这会导致模型预测严重依赖领域专家，阻碍LJP在不同法律体系中的应用。为此，提出了一种基于因果图分析的司法判决预测（prediction of legal judgment based on causal graph analysis， CGLJ）方法，首先从非结构化的法律事实描述文本中挖掘要素之间的因果关系，然后采用易混淆罪名聚类的构图方法构建因果图，既考虑了相似事实描述之间的差异，又增强了事实描述和法律法规之间的相互作用，最后将构建好的因果图融入深度神经网络进行联合推理，得到判决预测结果。此外，还对模型预测过程中的因果图推理过程进行了可视化，为判决结果提供了更好的可解释性。在2018中国“法研杯”司法人工智能挑战赛（CAIL2018）司法判决预测数据集上的实验结果表明，该方法相比基线模型取得了更好的效果。 |
| first_indexed | 2024-04-24T15:21:31Z |
| format | Article |
| id | doaj.art-8e9daf03da7446c58cfbab4e0da95ffc |
| institution | Directory Open Access Journal |
| issn | 2096-0271 |
| language | zho |
| last_indexed | 2024-04-24T15:21:31Z |
| publishDate | 2024-03-01 |
| publisher | China InfoCom Media Group |
| record_format | Article |
| series | 大数据 |
| spelling | doaj.art-8e9daf03da7446c58cfbab4e0da95ffc2024-04-02T07:42:23ZzhoChina InfoCom Media Group大数据2096-02712024-03-0110210912110.11959/j.issn.2096-0271.2024023基于因果图分析的可解释司法判决预测方法研究张虎, 张振, 范越, 郭佳钰随着人工智能技术的发展和海量司法数据的公开，面向“智慧司法”服务的司法判决预测（legal judgment prediction，LJP）任务受到了学术界和工业界的广泛关注，该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而，现有工作缺乏对易混淆司法案件的智能决策的研究，且相关模型通常缺乏可解释性，这会导致模型预测严重依赖领域专家，阻碍LJP在不同法律体系中的应用。为此，提出了一种基于因果图分析的司法判决预测（prediction of legal judgment based on causal graph analysis， CGLJ）方法，首先从非结构化的法律事实描述文本中挖掘要素之间的因果关系，然后采用易混淆罪名聚类的构图方法构建因果图，既考虑了相似事实描述之间的差异，又增强了事实描述和法律法规之间的相互作用，最后将构建好的因果图融入深度神经网络进行联合推理，得到判决预测结果。此外，还对模型预测过程中的因果图推理过程进行了可视化，为判决结果提供了更好的可解释性。在2018中国“法研杯”司法人工智能挑战赛（CAIL2018）司法判决预测数据集上的实验结果表明，该方法相比基线模型取得了更好的效果。https://www.infocomm-journal.com/bdr/CN/10.11959/j.issn.2096-0271.2024023司法判决预测因果图可解释性 |
| spellingShingle | 张虎, 张振, 范越, 郭佳钰 基于因果图分析的可解释司法判决预测方法研究 大数据 司法判决预测 因果图 可解释性 |
| title | 基于因果图分析的可解释司法判决预测方法研究 |
| title_full | 基于因果图分析的可解释司法判决预测方法研究 |
| title_fullStr | 基于因果图分析的可解释司法判决预测方法研究 |
| title_full_unstemmed | 基于因果图分析的可解释司法判决预测方法研究 |
| title_short | 基于因果图分析的可解释司法判决预测方法研究 |
| title_sort | 基于因果图分析的可解释司法判决预测方法研究 |
| topic | 司法判决预测 因果图 可解释性 |
| url | https://www.infocomm-journal.com/bdr/CN/10.11959/j.issn.2096-0271.2024023 |
| work_keys_str_mv | AT zhānghǔzhāngzhènfànyuèguōjiāyù jīyúyīnguǒtúfēnxīdekějiěshìsīfǎpànjuéyùcèfāngfǎyánjiū |