LePREC：推理作为评估法律问题相关性的结构化因素的分类

由于法律资源有限，全球一半以上的人口难以满足民事司法需求。虽然 大语言模型 (LLM) 表现出了令人印象深刻的推理能力，但即使在法律问题识别的基础步骤上仍然存在重大挑战。为了调查 LLM 在这项任务中的能力，我们从 769 个现实的马来西亚合同法法院案件中构建了一个数据集，使用 GPT-4o 提取事实并生成候选法律问题，并由资深法律专家注释，这揭示了一个关键的局限性：虽然 LLM 生成了多样化的候选问题，但其精度仍然不足（GPT-4o 仅达到 62%）。为了解决这一差距，我们提出了 LePREC（法律专业启发推理和分类），这是一种将神经生成与结构化统计推理相结合的神经符号框架。 LePREC 包括：(1) 神经组件利用 LLM 将法律描述转换为代表不同分析因素的问答对，(2) 符号组件对这些离散特征应用稀疏线性模型，学习显式代数权重来识别信息最丰富的推理因素。与端到端神经方法不同，LePREC 通过透明的特征加权实现可解释性，同时通过基于相关性的统计分类保持数据效率。实验表明，与先进的 LLM 基线（包括 GPT-4o 和 Claude）相比，性能提高了 30-40%，证实基于相关性的因素问题分析为相关性决策提供了数据效率更高的解决方案。