LegalWriter：一种为初学法律学生提供结构化和有说服力的法律案例写作的智能写作支持系统

文献标题

LegalWriter: An Intelligent Writing Support System for Structured and Persuasive Legal Case Writing for Novice Law Students

文献信息

• 主题领域: 法律教育技术与人机交互
• 关键词: 写作支持系统, 学习系统, 自适应学习, 错误学习, 法律教育

研究背景与问题

• 问题或挑战:

  • 法学初学者需要掌握复杂的概念性知识，并学会结构化和具有说服力的法律写作。
  • 传统教育技术和现有写作支持系统未能有效支持法学学生提高写作能力，特别是针对具有法律领域特性的写作风格。
  • 当前的机器学习和自然语言处理算法尚未在法律领域发挥显著作用，例如无法准确总结法院决议或正确撰写法律文本。

• 重要性:

  • 结构化和说服力的法律写作不仅是法学教育的重要组成部分，也是法律职业成功的必备技能。
  • 提高法律写作能力能够帮助学生更好地解决法律问题，并适应法律职业的需求。

• 研究动机与相关工作:

  • 研究者对于在法学教育中应用信息技术的需求存在广泛认同，但相关工具仍然不足。
  • 现有系统，如CATO和ArguMed，虽能进行论证训练但无法提供针对性写作支持。
  • 此外，类ChatGPT的语言模型在法律文本生成方面的质量仍低于一般法学学生。

解决方案

• 方法或解决方案:

  • 提出一种基于机器学习的智能写作支持系统——LegalWriter，为法学初学者提供个性化、错误驱动的写作反馈。
  • 使用三种Transformer模型（基于BERT）对学生撰写的法律案例解决方案进行分析和反馈。
  • 提供实时的结构化写作建议，根据错误生成针对性的改进建议。

• 创新之处:

  • 首次引入基于机器学习的个性化法律写作反馈系统，具体到法律的特定写作风格（如评析风格）。
  • 将错误学习理论与机器学习结合，允许学生通过自然错误进行学习，并提升法律写作能力。
  • 使用包含学生写作案例的法律语料库进行模型训练，以确保系统能够识别法律写作特有的结构与论证逻辑。

• 实施步骤与技术:

  • 针对评析风格中的四个核心组成部分（主张、定义、涵摄、结论）进行分类及分析。
  • 训练三种BERT模型以识别这些法律写作组件及连接逻辑：
    1. 法律组件分类器（识别主张、定义、涵摄和结论）。
    2. 涵摄类型分类器（识别法律主张与论据的类型并分类）。
    3. 论据与法律主张关系分类器（鉴定论据与法律主张间的逻辑关系）。
  • 开发基于Flask框架的后端系统，通过动态反馈和仪表盘展示写作分析与建议。

研究成果

• 具体成果:

  • 使用LegalWriter的学生在完成法律案例写作任务过程中，文本质量显著提高，能够更好地遵循评析风格要求。
  • 系统提升了学生的法律写作质量，相比传统静态建议系统效果更优。
  • 学生认为基于ML的反馈比静态系统的反馈更准确，且使用体验更具乐趣。

• 优势:

  • 通过提供个性化反馈，有效支持了法学初学者的学习需求。
  • 系统具有较高的用户体验分数，包括更高的享受感和内在动机。
  • 相较于传统教育方法，能够在大规模学术环境中支持技能训练。

• 实验与评估结果:

  • 在62名学生参与的在线实验中，使用ML版本的学生平均评分显著高于对照组。
  • 参与者在评估系统互动时，给予了高分评价，并认为系统提高了写作效率和质量。

• 局限性与未来方向:

  • 系统当前仅支持德语环境，需适配其他语言和法律体系。
  • 单次使用无法测量长期学习效应，未来计划进行长期现场实验以验证教学结果。
  • 法律主张和论据分类器的精度有提升空间，进一步的模型优化可能增强反馈准确性。

结论

LegalWriter通过结合错误学习理论与机器学习，为法学初学者提供智能化的写作支持，在提升法律写作质量的同时，亦增强了学生的学习动力与体验。这项研究展示了ML在法律教育领域的潜力，并为未来相关系统设计提供了宝贵的参考。