LLM_Legal_Prompt_Generation تنزيل - LLM_Legal_Prompt_Generation تنزيل رمز المصدر

LLM_Legal_Prompt_Generation

كود الذكاء الاصطناعي

1.0.0

تنزيل

LLMS - الخير أو السيئ أو الذي لا غنى عنه؟: قضية استخدام في التنبؤ القانونية والتنبؤ القانوني في قضايا المحكمة الهندية

يحتوي هذا المستودع على البيانات والرموز ذات الصلة للورقة - الخير ، أو السيئ أو الذي لا غنى عنه؟: قضية الاستخدام في التنبؤ القانوني والتنبؤ القانوني بشأن قضايا المحكمة الهندية المقبولة في نتائج مؤتمر EMNLP 2023.

هذه شجرة دليل.

 LLM_Legal_Prompt_Generation
├── Judgment Prediction
│   ├── LLM
│   │   ├── Codes
│   │   │   ├── jp.py
│   │   │   ├── jpe.py
│   │   ├── Datasets
│   │   │   ├── JP.csv
│   │   │   ├── JPE.csv
│   │   │   ├── JPE_with_pet_res.csv
│   │   │   ├── JP_with_pet_res.csv
│   │   ├── readme.md
│   ├── Transformer based Models
│   │   ├── Codes
│   │   │   ├── Evalution on ILDC expert dataset.ipynb
│   │   │   ├── Legal_judgment_training_with_transformers.py
│   │   ├── Datasets
│   │   │   ├── readme.md
│   ├── surname_wordlist
│   │   ├── hindu_surname_file.txt
│   │   ├── muslim_surname_file.txt
├── Statute Prediction
│   ├── Baseline Models
│   │   ├── data_generator.py
│   │   ├── evaluate.py
│   │   ├── metrics.py
│   │   ├── train.py
│   │   ├── utils.py
│   │   ├── Model
│   │   │   ├── Multi-label Classification
│   │   │   │   ├── net.py
│   │   │   ├── Binary Classification
│   │   │   │   ├── net.py
│   │   ├── Experiments
│   │   │   ├── params
│   │   │   │   ├── params_inlegalbert.json
│   │   │   │   ├── params_legalbert.json
│   │   │   │   ├── params_xlnet.json
│   ├── LLM
│   │   ├── Codes
│   │   │   ├── ALL TASK CODE.ipynb
│   │   │   ├── ALL TASK CODE.py
│   │   ├── Datasets
│   │   │   ├── 13_Cases_Gender and Bias Prediction_with explanations.csv
│   │   │   ├── 245cases.csv
│   │   │   ├── Gender and Religion Bias cases.csv
│   │   │   ├── query.csv
│   │   │   ├── statute_pred_100_cases_without_exp-gender_religion_bias.csv
│   │   │   ├── statute_pred_100_cases_without_exp.csv
│   │   │   ├── statute_pred_45_cases_with_exp.csv
│   │   │   ├── statute_pred_45_cases_without_exp.csv
│   │   ├── readme.md
├── README.md

خلاصة

أثرت نماذج اللغة الكبيرة (LLMS) على العديد من المهام الواقعية. لدراسة فعالية LLMS في مجال عالية الإخفاق مثل القانون ، قمنا بتطبيق أحدث طراز LLMs على مهمتين شعبيتين: التنبؤ الأساسي والتنبؤ بالحكم ، على قضايا المحكمة العليا الهندية. نرى أنه على الرغم من أن LLMS تظهر أداءًا تنبئيًا ممتازًا في التنبؤ الأساسي ، إلا أن أدائها ينخفض في التنبؤ بالحكم بالمقارنة مع العديد من النماذج القياسية. التفسيرات التي تم إنشاؤها بواسطة LLMS (جنبًا إلى جنب مع التنبؤ) من الجودة المعتدلة إلى اللائقة. نرى أيضًا أدلة على وجود جنس والتحيز الديني في النتائج التي تنظمها LLM. بالإضافة إلى ذلك ، نقدم ملاحظة من خبير قانوني كبير حول المخاوف الأخلاقية لنشر LLMs في هذه المهام القانونية الحرجة.

المؤلفون

Shaurya Vats ، Atharva Zope ، Somsubhra De ، Anurag Sharma ، Upal Bhattacharya ، Shubham Kumar Nigam ، Shouvik Kumar Guha ، Koustav Rudra ، Kripabandhu Ghosh

اقتباس

 @inproceedings{vats-etal-2023-llms,
    title = "{LLM}s {--} the Good, the Bad or the Indispensable?: A Use Case on Legal Statute Prediction and Legal Judgment Prediction on {I}ndian Court Cases",
    author = "Vats, Shaurya  and
      Zope, Atharva  and
      De, Somsubhra  and
      Sharma, Anurag  and
      Bhattacharya, Upal  and
      Nigam, Shubham  and
      Guha, Shouvik  and
      Rudra, Koustav  and
      Ghosh, Kripabandhu",
    editor = "Bouamor, Houda  and
      Pino, Juan  and
      Bali, Kalika",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2023",
    month = dec,
    year = "2023",
    address = "Singapore",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.findings-emnlp.831",
    pages = "12451--12474",
    abstract = "The Large Language Models (LLMs) have impacted many real-life tasks. To examine the efficacy of LLMs in a high-stake domain like law, we have applied state-of-the-art LLMs for two popular tasks: Statute Prediction and Judgment Prediction, on Indian Supreme Court cases. We see that while LLMs exhibit excellent predictive performance in Statute Prediction, their performance dips in Judgment Prediction when compared with many standard models. The explanations generated by LLMs (along with prediction) are of moderate to decent quality. We also see evidence of gender and religious bias in the LLM-predicted results. In addition, we present a note from a senior legal expert on the ethical concerns of deploying LLMs in these critical legal tasks.",
}