跳到主要内容
返回时间线
arXiv来源发表:

法律判决模型在决定性事实改变后仍判有罪:PROSE把支持性判决的误伤从17.5%降到8.5%

核心概要

法律判决预测模型常在决定性法律条件被改动、罪名已不成立时仍维持有罪结论,形成“有罪偏置”。PROSE把纠错写成配对约束:同一案件的无依据版本应改判,仅差一个决定性条件的支持版本应保持。在Qwen3-8B与GLM-4-9B上,它以一次离线参数编辑实现选择性修复,并在修复率对齐时把支持性判决的误伤从17.5%降到8.5%(Qwen)、从24.3%降到7.1%(GLM)。

Source-provided article image: PROSE: Preservation-Constrained Selective Editing for Guilty Bias in Legal Judgment Prediction
arXiv

深度剖析

法律判决预测的纠错目标从整体压低有罪预测,改为在同一案件的两个版本之间做选择性修复:无依据版本应改判为罪名不成立,仅差一个决定性条件的支持版本应保持原判。 此前的非有罪监督、辩护式交互、自我精炼与辩论等方法以降低总体错误率为目标,而总体错误下降可能只是有罪分数整体下移,同时抬高假无罪率。 在CAIL-MC配对修复—保持赛道上,PROSE在Qwen3-8B与GLM-4-9B两个骨干上都取得高于法律判决预测基线和模型编辑基线的配对安全修复率,且假有罪率与假无罪率分别不高于8.61和15.04(Qwen)、15.04和10.61(GLM)。

修复通过一次离线参数更新完成,部署时仍是普通单次前向推理,不需要成对输入,也不需要在每次查询时重复审议。 基于数据的纠错需要多步训练,推理时的批评与辩论则要对每个案件重复推理。 离线开销为Qwen 1.1 GPU小时、GLM 2.1 GPU小时,在一张RTX 4080 SUPER上测得;与修复率对齐的均匀阈值平移相比,PROSE把基础模型原本判对的支持性有罪案件改错的比例从17.5%降到8.5%(Qwen)、从24.3%降到7.1%(GLM)。

证据敏感性在换语料、换构造方式后仍然保留:只给指控时倾向于不认定罪名,给足事实时仍认定罪名。 在配对数据上表现最好的全参数监督微调在证据充分性赛道上准确率只有49.64–51.00,假有罪率高达94.29–97.25。 在由LeCaRD与Criminal-S构造的四档证据条件上,PROSE在GLM上取得该赛道最好的宏F1,在Qwen上具有竞争力;在CAIL-MC测试事实的三档改写中,只给指控时Qwen的认定率从无编辑的93.8%降到10.3%,给全事实时仍认定86.1%。

启示与展望

评测覆盖中文刑法下以罪名是否成立为目标的核验任务,使用Qwen3-8B与GLM-4-9B两个骨干,而非完整的司法裁判;配对赛道来自CAIL2018,证据充分性赛道来自LeCaRD与Criminal-S,后者只衡量所给文本中事实支持是否充分,不涉及证据可信度或司法证明标准。

CAIL-MC由大模型辅助改写已裁判事实,独立法律复核只能减少、不能消除生成痕迹与法律解释上的不确定性;其面向覆盖的构造方式和可编辑案件的选择不代表现实中刑事案件分布,证据赛道的源案件样本较小且仅用指控模板固定。PROSE依赖成对训练样本和骨干相关的配置选择,有限强度搜索可能漏掉可行干预,参数拟合只是近似激活效果,因此保持性是经验性的而非有保证的。