异议！律师智能体减轻法律判决预测中的有罪偏见

法律判决预测 (LJP) 模型通常根据从起诉角度描述事实的文档进行训练。现有数据集进一步表现出对有罪结果的严重标签不平衡。因此，这些模型遭受“有罪偏见”，盲目地接受检方的叙述作为客观事实。先前的研究采用三步推理结构或对综合生成的无罪数据进行训练提高了整体准确性，但它们仍然无法减轻推理时的偏差。在本文中，我们介绍了 OBJECTION，这是一种推理时间管道，它将对抗性律师代理集成到犯罪、非法和有罪的每个 3 步推理中。与一般批评家不同，我们的代理通过在每个推理阶段注入法律辩护论据来积极挑战模型的有罪推定。为了彻底评估这一点，我们提出了一个新的“Natural Innocent”数据集，其中包括 3.4k 个真实案例，克服了合成无辜基准的局限性。测试结果表明，OBJECTION将错误犯罪率（FGR）从82.93%（SOTA基线）大幅降低至16.69%，证明了其进行实质性法律推理的能力。这项工作标志着法律人工智能与无罪推定相一致的关键进展。