DALDALL：LLM-Personaを活用することで法律領域における語彙的・意味論的多様性のためのデータ拡張

概要: データ不足は、低リソース領域において依然として持続的な課題です。既存のデータ拡張手法は、大規模言語モデル（LLM）の生成能力を活用して大量の合成データを作り出しますが、これらのアプローチは多くの場合、質よりも量を優先しており、ドメイン固有の戦略を欠いています。本研究では、法律情報検索（IR）向けに特化した、パーソナベースのデータ拡張フレームワークであるDALDALLを提案します。本手法では、弁護士、検察官、裁判官などのドメイン固有の専門家パーソナを用いて、バニラなプロンプト手法よりも著しく大きな語彙的・意味的多様性を示す合成クエリを生成します。CLERCおよびCOLIEEのベンチマークでの実験により、パーソナベースの拡張は、Self-BLEUスコアで測定される語彙多様性の向上を達成しつつ、元のクエリへの意味的な忠実性を維持することが示されました。さらに、パーソナ拡張データで微調整した密なリトリーバ（dense retrievers）は、元データで学習したものや汎用的な拡張で学習したものと比べて、常に競争力のある、またはそれを上回る想起（recall）性能を一貫して示します。これらの結果は、パーソナベースのプロンプトが、専門的で低リソースな領域において高品質な学習データを生成するための効果的な戦略であることを裏付けます。