法的判決予測のためのLLM支援による因果構造の曖昧性解消と要因抽出

概要: 本論文は、PLM（事前学習済み言語モデル）に基づく法的判決予測（LJP）の主流手法が、事件事実と判決結果の間の統計的相関に過度に依存しており、法的構成要素と基盤となる因果論理の明示的なモデリングが欠如していることを指摘します。このパラダイムは偽の相関の学習を招き、頑健性が乏しくなります。因果推論を導入すればこの問題を緩和できますが、実世界の法的テキストにおいて既存の因果LJP手法には二つの重大なボトルネックがあります。1) ノイズの多い不正確な法的要素抽出、2) マルコフ同値性の下でのスパースな特徴に起因する因果構造推定の不確実性。これらの課題に対処するため、LLMの事前知識を統計的因果推論と統合する強化された因果推論フレームワークを提案します。まず、統計サンプリングとLLMの意味推論を組み合わせた粗から細へのハイブリッド抽出機構を設計し、標準的な法的構成要素を正確に同定・精練します。次に、構造的不確実性を解消するため、LLM支援の因果構造曖昧性解消機構を導入します。LLMを制約付きの事前知識ベースとして活用することにより、あいまいな因果方向の確率的評価と剪定を行い、法的に適合する候補因果グラフを生成します。最後に、生成された因果グラフを用いてテキストアテンション強度を明示的に制約することで、因果認識型判決予測モデルを構築します。LEVEN、QA、CAILを含む複数のベンチマークデータセットで広範な実験を行い、提案手法が最先端のベースラインよりも予測精度と頑健性の双方で有意に上回ることを示しました。特に紛らわしい罪名の区別において顕著です。