跳到正文
arXiv cs.CY· Kory Rosen, Aron Culotta·· 23 小时前AI 评分29

从提审到裁决:用 Transformer 模型预测法院案件走向

From Arraignment to Resolution: Transformer Models of Court Cases

AI 导读

研究者提出基于 Transformer 的时间序列模型,将案件建模为事件序列,预测下一次庭审结果(如受理指控、设定保释金、达成认罪协议等)。模型结合书记员笔记文本与被告、既往指控、法庭的结构化信息,在 20 类多标签任务上取得 0.57 micro-F1,显著优于多个基线,与同输入的 GRU 相当。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:刑事司法系统由许多复杂的决策点组成,例如追究哪些指控、如何确定保释金、认罪协议谈判以及量刑。鉴于此类决策的深远影响,提高该系统的透明度日益必要。虽然此前的机器学习方法侧重于对单一决策(如累犯)建模,本文提出一种基于 transformer 的时间序列模型,用于预测案件下一次程序的结果(如接受指控、设定保释金、达成认罪协议等)。通过将案件建模为事件序列,我们能够进行更细致的分析,以支持对决策的更好监督与理解。我们利用从美国一座中等城市公开法院记录中构建的新数据集,对数千起案件进行了实证分析。我们拟合的模型将书记员笔记中的文本数据与关于被告、先前指控和法庭的结构化信息相结合。我们的 transformer 模型在 20 类多标签任务上达到 $.57$ 的 micro-F1,显著优于若干基线,并与在相同输入上训练的 GRU 相当。我们展示了该模型如何用于提供对决策的洞察,并帮助法庭观察者识别所研究司法管辖区内新出现的问题。
评论: 发表于 Findings of EMNLP 2026
主题: 计算与语言(cs.CL);计算机与社会(cs.CY);机器学习(cs.LG)
引用为: arXiv:2611.23518 [cs.CL]
  (或 arXiv:2611.23518v1 [cs.CL] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.23518

由 DataCite 颁发的 arXiv DOI(待注册)

期刊 参考: Findings of the Association for Computational Linguistics: EMNLP 2026, pp. 46272-46291 (2026)
相关 DOI: https://doi.org/10.18653/2026.findings-emnlp.2163

链接到相关资源的 DOI

提交历史

来自:Kory Rosen [查看电子邮件]
[v1] 2026年11月17日星期二 21:08:52 UTC(5,232 KB)

来源:arXiv cs.CY · arxiv.org