Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mang kiến thức pháp lý đến với công chúng bằng cách xây dựng ngân hàng câu hỏi pháp lý sử dụng mô hình ngôn ngữ đã được đào tạo quy mô lớn
Artificial Intelligence and Law - Trang 1-37 - 2023
Tóm tắt
Việc tiếp cận thông tin pháp lý là rất quan trọng để tiếp cận công lý. Tuy nhiên, khả năng tiếp cận không chỉ liên quan đến việc cung cấp tài liệu pháp lý cho công chúng, mà còn là việc làm cho thông tin pháp lý trở nên dễ hiểu đối với họ. Một vấn đề nan giải trong việc mang thông tin pháp lý đến với công chúng là làm thế nào để chuyển đổi các tài liệu pháp luật chính thức như luật pháp và phán quyết, vốn thường rất chuyên môn, thành kiến thức dễ dàng điều hướng và hiểu được đối với những người không có nền tảng giáo dục pháp lý. Trong nghiên cứu này, chúng tôi xây dựng một phương pháp ba bước để mang kiến thức pháp lý đến với người không chuyên, giải quyết các vấn đề về khả năng điều hướng và độ dễ hiểu. Đầu tiên, chúng tôi dịch các phần được chọn của luật thành các đoạn (gọi là trang CLIC), mỗi đoạn là một phần nhỏ của bài viết tập trung giải thích một khái niệm pháp lý chuyên môn bằng ngôn ngữ dễ hiểu. Thứ hai, chúng tôi xây dựng một Ngân hàng Câu hỏi Pháp lý, là một tập hợp các câu hỏi pháp lý mà câu trả lời có thể được tìm thấy trong các trang CLIC. Thứ ba, chúng tôi thiết kế một Hệ thống Đề xuất CLIC tương tác. Dựa trên mô tả bằng lời của người dùng về một tình huống pháp lý cần giải pháp pháp lý, CRec diễn giải đầu vào của người dùng và lựa chọn các câu hỏi từ ngân hàng câu hỏi có khả năng liên quan cao nhất đến tình huống pháp lý cụ thể và gợi ý các trang CLIC tương ứng nơi có thể tìm thấy kiến thức pháp lý liên quan. Trong bài báo này, chúng tôi tập trung vào các khía cạnh kỹ thuật của việc tạo ra một Ngân hàng Câu hỏi Pháp lý. Chúng tôi chỉ ra cách mà các mô hình ngôn ngữ đã được huấn luyện quy mô lớn, như GPT-3, có thể được sử dụng để tạo ra các câu hỏi pháp lý. Chúng tôi so sánh các câu hỏi được tạo ra bởi máy với các câu hỏi do con người biên soạn và nhận thấy rằng các câu hỏi do máy sinh ra (MGQs) có tính quy mô lớn hơn, tiết kiệm chi phí hơn, và đa dạng hơn, trong khi các câu hỏi do con người xây dựng (HCQs) có độ chính xác cao hơn. Chúng tôi cũng giới thiệu một nguyên mẫu của CRec và minh họa qua một ví dụ cách mà phương pháp ba bước của chúng tôi mang lại kiến thức pháp lý liên quan đến công chúng một cách hiệu quả.
Từ khóa
Tài liệu tham khảo
Becher SI, Benoliel U (2021) Law in books and law in action: the readability of privacy policies and the GDPR. In: Mathis K, Tor A (eds) Consumer law and economics. Springer International Publishing, New York, pp 179–204
Brown T, Mann B, Ryder N, Subbiah M, Kaplan JD, Dhariwal P, Neelakantan A, Shyam P, Sastry G, Askell A, Agarwal S, Herbert-Voss A, Krueger G, Henighan T, Child R, Ramesh A, Ziegler D, Wu J, Winter C, Hesse C, Chen M, Sigler E, Litwin M, Gray S, Chess B, Clark J, Berner C, McCandlish S, Radford A, Sutskever I, Amodei D (2020) Language models are few-shot learners. In: Larochelle H, Ranzato M, Hadsell R, Balcan M, Lin H (eds) Advances in neural information processing systems, vol 33. Curran Associates Inc, New York, pp 1877–1901
Curtotti M, Weibel W, McCreath E, Ceynowa N, Frug S, Bruce TR (2015) Citizen science for citizen access to law. J Open Access Law 3(1):57–120
Dai Z, Chaganty AT, Zhao VY, Amini A, Rashid QM, Green M, Guu K (2022) Dialog inpainting: turning documents into dialogs. In: International conference on machine learning. ICML 2022, pp 4558–4586
Das R, Ray A, Mondal S, Das D (2016) A rule based question generation framework to deal with simple and complex sentences. In: 2016 International conference on advances in computing, communications and informatics (ICACCI), pp 542–548. https://doi.org/10.1109/ICACCI.2016.7732102
Du X, Shao J, Cardie C (2017) Learning to ask: neural question generation for reading comprehension. In: Proceedings of the 55th annual meeting of the association for computational linguistics, Vol 1: Long Papers, pp 1342–1352. https://doi.org/10.18653/v1/P17-1123
Dyson DD, Schellenberg K (2017) Access to justice: the readability of legal services corporation legal aid internet services. J Poverty 21(2):142–165. https://doi.org/10.1080/10875549.2016.1186773
Heilman M, Smith NA (2010) Good question! Ssatistical ranking for question generation. In: Human language technologies: the 2010 annual conference of the North American chapter of the association for computational Linguistics, Los Angeles, California. Association for Computational Linguistics, pp 609–617 . https://doi.org/10.5555/1857999.1858085
Kaplan J, McCandlish S, Henighan T, Brown TB, Chess B, Child R, Gray S, Radford A, Wu J, Amodei D (2020) Scaling laws for neural language models. arXiv preprint arXiv:2001.08361
Kim Y, Lee H, Shin J, Jung K (2019) Improving neural question generation using answer separation. In: Proceedings of the AAAI conference on artificial intelligence, vol 33, pp 6602–6609. https://doi.org/10.1609/aaai.v33i01.33016602
Lindberg D, Popowich F, Nesbit J, Winne P (2013) Generating natural language questions to support learning on-line. In: Proceedings of the 14th European workshop on natural language generation, pp 105–114
Liu B, Wei H, Niu D, Chen H, He Y (2020) Asking questions the human way: Scalable question-answer generation from text corpus. In: Proceedings of the web conference, vol 2020, pp 2032–2043. https://doi.org/10.1145/3366423.3380270
Min B, Ross H, Sulem E, Veyseh APB, Nguyen TH, Sainz O, Agirre E, Heinz I, Roth D (2021) Recent advances in natural language processing via large pre-trained language models: a survey. arXiv preprint arXiv:2111.01243
Mommers L (2011) Access to law in Europe, innovating government. Springer, New York, pp 383–398
Mommers L, Voermans W, Koelewijn W, Kielman H (2009) Understanding the law: improving legal knowledge dissemination by translating the contents of formal sources of law. Artif Intell Law 17(1):51–78. https://doi.org/10.1007/s10506-008-9073-5
New Zealand Law Reform Commission (2008) New Zealand Parliamentary Counsel’s Office (2008) Presentation of New Zealand statute law (NZLC R104). https://www.lawcom.govt.nz/sites/default/files/projectAvailableFormats/NZLC%20R104.pdf
Radford A, Wu J, Child R, Luan D, Amodei D, Sutskever I (2019) Language models are unsupervised multitask learners. OpenAI Blog 1(8):9
Raffel C, Shazeer N, Roberts A, Lee K, Narang S, Matena M, Zhou Y, Li W, Liu PJ et al (2020) Exploring the limits of transfer learning with a unified text-to-text transformer. J Mach Learn Res 21(140):1–67
Ruohonen J (2021) Assessing the readability of policy documents on the digital single market of the European Union. In: 2021 Eighth international conference on eDemocracy & eGovernment (ICEDEG). IEEE, pp 205–209. https://doi.org/10.1109/ICEDEG52154.2021.9530996
Schick T, Schütze H (2021) Generating datasets with pretrained language models. In: Proceedings of the 2021 conference on empirical methods in natural language processing, pp 6943–6951. https://doi.org/10.18653/v1/2021.emnlp-main.555
Song L, Wang Z, Hamza W, Zhang Y, Gildea D (2018) Leveraging context information for natural question generation. In: Proceedings of the 2018 conference of the North American chapter of the association for computational Linguistics: human language technologies, Vol 2 (Short Papers), New Orleans, Louisiana. Association for Computational Linguistics, pp 569–574 https://doi.org/10.18653/v1/N18-2090
Steuer T, Filighera A, Tregel T, Miede A (2022) Educational automatic question generation improves reading comprehension in non-native speakers: a learner-centric case study. Front Artif Intell. https://doi.org/10.3389/frai.2022.900304
Wang S, Wei Z, Fan Z, Liu Y, Huang X (2019) A multi-agent communication framework for question-worthy phrase extraction and question generation. In Proceedings of the AAAI conference on artificial intelligence, vol 33, pp 7168–7175. https://doi.org/10.1609/aaai.v33i01.33017168
Wang Z, Valdez J, Basu Mallick D, Baraniuk RG (2022) Towards human-like educational question generation with large language models. In: International conference on artificial intelligence in education. Springer, pp 153–166. https://doi.org/10.1007/978-3-031-11644-5_13