A2AJ Legal-BERT Overruling Detector
поиск отмены прецедентов в судебных решениях
2 мин чтенияобновлено
Специализированный классификатор абзацев из канадской судебной практики (на английском языке), который определяет, отменяет ли суд упомянутый прецедент или отказывается ему следовать. Модель создана на базе nlpaueb/legal-bert-base-uncased автором haroon-ahmad в рамках исследования графового поиска прецедентов. В отличие от простого поиска по ключевым словам, нейросеть различает реальную отмену решения в текущем деле и простой пересказ того, что дело было отменено кем-то ранее. Инструмент пригодится разработчикам LegalTech-сервисов и исследователям, автоматизирующим анализ актуальности судебных актов.
Ключевые особенности
- Три класса оценки: распределяет вероятности между
negative_treatment(прямая отмена или отказ следовать прецеденту),narrated(упоминание, что дело отменили раньше) иother(любое другое цитирование). - Фокус на конкретном деле: на вход подаётся один абзац, в котором первое упоминание анализируемого прецедента обязательно выделяется маркером
[[...]]. - Ансамбль из двух чекпоинтов: в репозитории лежат две версии (
seed1иseed2), обученные с разными random seed — для лучшего результата их вероятности (softmax) усредняются. - Высокая точность на явных формулировках: при проверке на контрольной выборке известных отменённых дел модель нашла 23 из 24 случаев с явным отказом следовать прецеденту (96%).
Что можно сделать
- Автоматизировать проверку цитирований: встроить классификатор в пайплайн обработки англоязычных судебных баз (например, корпуса A2AJ), чтобы помечать устаревшие и отменённые прецеденты.
- Фильтровать поисковую выдачу: использовать предсказания модели при построении графов цитирования для отсеивания судебных актов, которые потеряли силу.
Пример
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
REPO = "haroon-ahmad/a2aj-legalbert-overruling-detector"
text = "In my view, the time has come to overrule [[Smith]]."
tok = AutoTokenizer.from_pretrained(REPO, subfolder="seed1")
model = AutoModelForSequenceClassification.from_pretrained(REPO, subfolder="seed1").eval()
print(torch.softmax(model(**tok(text, return_tensors="pt")).logits, -1))
Подробнее
Метрики для классаnegative_treatment (усреднение двух seed): F1 — 0.779 на test (Precision 0.902, Recall 0.685) и 0.672 на ref_test (Precision 0.976). Общий F1 по классам на test: narrated — 0.917, other — 0.995.Обучение: 28 616 абзацев из канадского корпуса A2AJ (разметка от LLM Drex), лимит контекста 384 токена (длинные абзацы обрезаются по 700 символов вокруг маркера), 2 × T4.
Ограничения: работает только с английским языком, не видит скрытую (неявную) отмену правил без характерных слов, не проверяет иерархию судов и не отличает основное мнение суда от особых мнений (dissenting opinions) — их нужно фильтровать заранее.
Лицензия: CC BY-SA 4.0 (исследовательский артефакт, не является юридической консультацией).








Комментарии