Re56:读论文 A Brief History of the Changing Roles of Case Prediction in AI and Law

这篇文章概述了19年LawinContext论文,介绍了美国案件判决预测任务的历史,从早期的传统专家系统到机器学习方法的发展,强调了可解释性的挑战和角色变化。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

诸神缄默不语-个人优快云博文目录
诸神缄默不语的论文阅读笔记和分类

论文名称:A Brief History of the Changing Roles of Case Prediction in AI and Law

论文下载地址:https://journals.latrobe.edu.au/index.php/law-in-context/article/view/88

本文是2019年Law in Context论文,主要介绍美国的案件判决结果预测任务的发展史。
这个主要介绍的是那种很传统、很法律的做法,没太介绍前沿工作。

这个我第一遍看有好多其实没太看懂,我怀疑是法律术语太多了导致的。我先总结记录在这里,以后有需要的话应该详细重读的。

1. 介绍

传统专家系统是top-down的,就是集成了规则的辅助工具,规则→结论,有很强的可解释性。
我们希望bottom-up的方法能够解决knowledge acquisition bottleneck,模型自动抽取和学习知识。但是可能缺乏可解释性。

我们需要先定义所需内容,然后定义知识表示方法。但是随着机器学习的发展,现在知识表示方法往往不用手工做了。

通用问题,历史趋势,参与者(法院、法官、当事人)

2. 美国LJP发展历史

专家系统

传统机器学习方法(KNN、决策树、马尔科夫链)

新的机器学习方法

引用案例(正例和反例)、规则,写arguments

可解释性:如HANs的注意力权重,相似案例,决策链(决策树或者马尔科夫决策过程),SVM的聚类词汇

角色

不公平问题

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

诸神缄默不语

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值