利用大模型进行法律判决预测

概述

本文研究背景是法律专业人员常用的演绎推理方法，即法律演绎，用于案例分析。

过去的方法主要是通过学习、微调或示例来教授大型语言模型（LLM）进行法律判决预测。这些方法存在的问题是学习样本有限，解释性差。因此，本文提出了面向法律判决预测的简单提示方法——法律演绎提示（LoT），使模型能够根据法律大前提、事实小前提以及结论进行演绎推理并给出判决，无需学习、微调或示例。

本文提出的研究方法是使用法律演绎提示教授LLMs进行法律判决预测。该方法使模型能够集中于与判决相关的关键信息，并正确理解行为的法律含义。

本文在中国刑事案例数据集CAIL2018上对GPT-3模型进行了零-shot判决预测实验。实验结果表明，使用法律演绎提示的LLMs相比于基准方法和思维链提示（目前的最先进提示方法）在多样化的推理任务上实现了更好的性能。法律演绎提示使模型能够预测判决，同时附带法律条文和解释，显著提高了模型的可解释性。

重要问题探讨

1. 为什么当前的法律判决预测模型缺乏可解释性？

○ 当前的法律判决预测模型仅提供最终的判决结果，但缺乏提供法律推理过程的中间步骤。

○ 这限制了模型的可解释性，因为判断的依据无法被