Fortschritte bei Techniken zur Extraktion von juristischen Informationen

Der jährliche Wettbewerb zur Extraktion von rechtlichen Informationen und Folgerungen (COLIEE) konzentriert sich darauf, wie Computer rechtliche Texte besser verarbeiten können. Rechtliche Dokumente zu verstehen ist schwierig wegen der komplexen Sprache und Struktur im Rechtsbereich. In diesem Papier werden die Strategien diskutiert, die genutzt wurden, um an drei Aufgaben während des COLIEE 2023 Wettbewerbs teilzunehmen und wie diese Ansätze geholfen haben, starke Ergebnisse zu erzielen.

#Der COLIEE Wettbewerb

COLIEE ist ein Wettbewerb, der ins Leben gerufen wurde, um die automatische Handhabung von rechtlichen Texten voranzutreiben. Die Teilnehmer arbeiten mit zwei Arten von rechtlichen Daten: Fallrecht und Statutenrecht. Jede Art beinhaltet spezifische Aufgaben, die zu erledigen sind.

#Aufgabenübersicht

• Aufgabe 1: Diese Aufgabe verlangt, das Fallrecht zurückzuholen, das einen gegebenen Fall unterstützt.
• Aufgabe 2: Hier geht's darum, Absätze zu finden, die die Entscheidung eines bestimmten Falls unterstützen.
• Aufgaben 3 und 4: Diese beinhalten das Arbeiten mit Statutenrecht, wo es darum geht, relevante Artikel abzurufen und ihre Beziehung zu bestimmten Anfragen zu bestimmen.

#Teilnahme an COLIEE 2023

In diesem Jahr hat das Team an den Aufgaben 2, 3 und 4 teilgenommen. Die folgenden Abschnitte werden die verwendeten Methoden und die erzielten Ergebnisse detailliert beschreiben.

#Aufgabe 2: Rechtliche Fallfolgerungen

#Problemstellung

Aufgabe 2 besteht darin herauszufinden, welche Kandidatenabsätze aus früheren Fällen einen gegebenen Basisfall unterstützen.

#Ansatz

Um diese Herausforderung zu bewältigen, hat das Team ein spezifisches Modell namens MonoT5 verwendet. Dieses Modell wurde mit verschiedenen Techniken feinabgestimmt, einschliesslich einer Methode, die bei der Auswahl negativer Beispiele hilft, oder Fälle, die den gegebenen Fall nicht unterstützen. Der Ansatz beinhaltete:

1. Verwendung einer Vorlage: Der Input für das Modell ist strukturiert, um ihm zu helfen, die Aufgabe besser zu verstehen.
2. Berechnung der Relevanz: Das Modell berechnet einen Score für jeden Kandidatenabsatz, um zu sehen, wie eng er mit dem Basisfall übereinstimmt.
3. Hyperparameter-Tuning: Das bedeutet, die Einstellungen im Modell anzupassen, um die Leistung zu verbessern.

#Ergebnisse

Die angewandten Techniken führten zu Top-Scores in Aufgabe 2 und zeigten die Wirksamkeit des Ansatzes.

#Aufgabe 3: Statutenrecht Abruf

#Problemstellung

Aufgabe 3 zielte darauf ab, Artikel aus dem japanischen Zivilgesetzbuch zu finden, die mit einer spezifischen Rechtsfrage zu tun haben.

#Ansatz

Das Team konzentrierte sich auf zwei Hauptprobleme:

1. Datenvielfalt: Die Anfragen und Artikel decken oft verschiedene rechtliche Kategorien ab. Daher erstellte das Team kleinere Modelle, sogenannte Sub-Modelle, die jeweils über spezifische Kategorien im Recht lernten.
2. Ensemble-Methode: Diese Methode kombinierte die Stärken verschiedener Modelle, um die Gesamtleistung zu verbessern.

#Methodendetails

• Sub-Modelle: Jedes Sub-Modell lernte verschiedene Aspekte des Rechts, was ein breiteres Verständnis der Anfragen ermöglichte.
• Datenfilterung: Das Team nutzte Techniken, um sicherzustellen, dass die Trainingsdaten eine Vielzahl relevanter Themen abdeckten, besonders solche, die oft von anderen Modellen übersehen wurden.

#Ergebnisse

Die Ergebnisse aus Aufgabe 3 zeigten, dass der Ansatz erfolgreich war, mit konkurrenzfähigen Leistungen gegenüber anderen Teams.

#Aufgabe 4: Rechtliche Textfolgerungen

#Problemstellung

In Aufgabe 4 war das Ziel, festzustellen, ob ein rechtlicher Artikel eine gegebene Anfrage unterstützt.

#Ansatz

Drei Hauptmethoden wurden eingesetzt:

1. Online-Datenaugmentation: Diese Methode verbesserte die Trainingsdaten, indem neue Beispiele auf Basis bestehender Fragen generiert wurden.
2. Extraktion von Bedingungs-Aussagen: Dabei wurden rechtliche Artikel in Teile zerlegt, was dem Modell half, die Beziehungen zwischen Bedingungen und Aussagen zu verstehen.
3. SVM-Ensemble-Methode: Hier wurde eine Support Vector Machine (SVM) verwendet, um die Vorhersagen zu verfeinern, je nachdem, ob eine Anfrage spezifisch oder allgemein war.

#Ergebnisse

Die Ergebnisse für Aufgabe 4 waren vielversprechend, wobei die Methode der Online-Datenaugmentation stabile Leistungen über verschiedene Tests hinweg zeigte.

#Fazit

Die Teilnahme an COLIEE 2023 hob die effektive Nutzung von Deep-Learning-Techniken und sorgfältigen Ingenieurpraktiken des Teams hervor. Die Performance über alle Aufgaben hinweg zeigt, dass die verwendeten Methoden wertvoll für zukünftige Arbeiten in der automatisierten Verarbeitung rechtlicher Texte sein könnten. Für die Zukunft plant das Team, ihre Techniken weiter zu verfeinern, um rechtliche Dokumente besser zu verstehen und ihre Modelle noch weiter zu verbessern.