Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Eso es tan FETCH: Creación de técnicas de conjunto para la clasificación LLM en admisión y derivación legal civil

Created by
  • Haebom

Autor

Quinten Steenhuis

Describir

Cada año, millones de personas buscan ayuda legal a través de líneas directas de programas de asistencia legal, oficinas de asistencia legal o servicios de referencia de abogados. Identificar los problemas legales que experimenta un solicitante es el primer paso para conectarlo con la ayuda adecuada. Una mala orientación puede resultar en el incumplimiento de plazos, maltrato físico, pérdida de vivienda o de la custodia de los hijos. Este artículo presenta y evalúa el clasificador FETCH para la clasificación de problemas legales y describe dos métodos para mejorar su precisión: un método híbrido de clasificación por conjuntos LLM/ML y la generación automática de preguntas de seguimiento que enriquecen la descripción inicial del problema. Utilizamos un novedoso conjunto de datos compuesto por 419 preguntas reales de servicios de referencia de abogados sin fines de lucro. Demostramos que, mediante una combinación de modelos económicos, logramos una precisión de clasificación del 97,37 % (aciertos a 2), superando el actual modelo GPT-5 de vanguardia. Nuestro enfoque demuestra el potencial de reducir significativamente el costo de dirigir a los usuarios del sistema legal a los recursos adecuados para sus problemas, a la vez que se logra una alta precisión.

Takeaways, Limitations

•
Takeaways:
◦
Demostramos que la precisión de la clasificación de cuestiones legales se puede mejorar significativamente mediante el uso de un método de clasificación de conjunto híbrido LLM/ML y la generación automática de preguntas de seguimiento.
◦
Demostramos la viabilidad de construir un sistema de soporte legal rentable logrando una alta precisión (97,37 % de aciertos a 2) utilizando un modelo económico.
◦
Validar la practicidad del modelo y el rendimiento de generalización utilizando conjuntos de datos del mundo real.
•
Limitations:
◦
El conjunto de datos utilizado puede ser relativamente pequeño (419 casos).
◦
Debido a que utilizamos datos de un servicio específico de referencia de abogados sin fines de lucro, se necesita más investigación para determinar la posibilidad de generalización a otros servicios o regiones.
◦
La necesidad de mantenimiento del rendimiento a largo plazo y actualizaciones continuas del modelo.
◦
Es necesaria una mayor validación de las capacidades de manejo integral de varios tipos de cuestiones legales.
👍
Made with Slashpage