Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

NyayaRAG: Dự đoán Phán quyết Pháp lý Thực tế với RAG theo Hệ thống Luật chung Ấn Độ

Created by
  • Haebom

Tác giả

Shubham Kumar Nigam, Balaramamahanthi Deepak Patnaik, Shivam Mishra, Ajay Varghese Thomas, Noel Shallum, Kripabandhu Ghosh, Arnab Bhattacharya

Phác thảo

Bài báo này trình bày NyayaRAG, một mô hình dự đoán phán quyết pháp lý (LJP) được thiết kế riêng cho hệ thống pháp luật Ấn Độ. Không giống như các mô hình LJP hiện có của Ấn Độ chỉ dựa trên nội dung vụ án nội bộ như sự kiện, vấn đề và lập luận, NyayaRAG là một khuôn khổ Thế hệ Tăng cường Truy xuất (RAG) sử dụng các điều khoản pháp lý và tiền lệ làm đầu vào bổ sung. NyayaRAG mô phỏng các tình huống thực tế tại tòa án bằng cách cung cấp cho mô hình các mô tả vụ án thực tế, các điều khoản pháp lý liên quan và các tiền lệ được truy xuất về mặt ngữ nghĩa. Chúng tôi đánh giá hiệu suất của mô hình trên các cấu hình đầu vào khác nhau bằng cách sử dụng từ vựng và số liệu ngữ nghĩa chuẩn cùng với một công cụ đánh giá dựa trên LLM như G-Eval, chứng minh rằng việc bổ sung kiến thức pháp lý có cấu trúc giúp cải thiện cả độ chính xác dự đoán và chất lượng giải thích.

Takeaways, Limitations

Takeaways:
Chúng tôi chứng minh rằng độ chính xác của dự đoán phán quyết pháp lý và chất lượng giải thích có thể được cải thiện bằng cách sử dụng kiến thức pháp lý có cấu trúc (quy định pháp lý, luật lệ).
Việc áp dụng khuôn khổ RAG vào hệ thống pháp luật Ấn Độ cho thấy khả năng phát triển một mô hình AI pháp lý thực tế.
Một phương pháp đánh giá hiệu suất mô hình trong lĩnh vực pháp lý bằng cách sử dụng công cụ đánh giá dựa trên LLM được trình bày.
Limitations:
Quy định này chỉ áp dụng riêng cho hệ thống pháp luật Ấn Độ và có thể không áp dụng trực tiếp cho các hệ thống pháp luật khác.
Cần phải xác nhận thêm về khả năng khái quát hóa của tập dữ liệu và các số liệu đánh giá được sử dụng.
Cần có thêm nghiên cứu về khả năng diễn giải và độ tin cậy giải thích của mô hình.
👍