법률 인공지능 연구 활성화를 위한 판례 데이터셋 자동 라벨링 및 BERT를 활용한 판례 유사성 분석

조희진; 강윤철

doi:http://dx.doi.org/10.47116/apjcri.2023.10.09

추천

검색

자료유형: 학술저널

저자정보: 조희진 (이화여자대학교 빅데이터분석학과) 강윤철 (이화여자대학교)

저널정보: 아태인문사회융합기술교류학회 아시아태평양융합연구교류논문지 Asia-pacific Journal of Convergent Research Interchange Vol.9 No.10

발행연도: 2023.10

수록면: 95 - 109 (15page)

DOI: http://dx.doi.org/10.47116/apjcri.2023.10.09

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (3)

2023

법률 인공지능 연구 활성화를 위한 판례 데이터셋 자동 라벨링 및 BERT를 활용한 판례 유사성 분석

조희진 , 강윤철 아시아태평양융합연구교류논문지 2023.10 학술저널

2022

BERT를 이용한 학습용 판례 데이터셋 자동구축 및 판례 유사도 분석

조희진 , 강윤철 대한산업공학회 춘계공동학술대회 논문집 2022.06 학술대회자료

BERT를 이용한 학습용 판례 데이터셋 자동구축 및 판례 유사도 분석

조희진 , 강윤철 한국경영과학회 학술대회논문집 2022.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구의 목적은 법률 인공지능 연구 활성화에 필수적인 학습용 대법원 판례 데이터셋 구축을 위한 자동 라벨링 방안을 마련하고, 해당 데이터셋을 활용하여 효과적인 판례 유사도 분석 방법들을 검증하는 데에 있다. 특히, 문장의 의미적 인식을 높이기 위해 문장 간 맥락까지 학습할 수 있는 BERT를 활용하는 방법을 제안하고자 한다. 학습 데이터로는 해고무효확인소송 등 고용관계 종료와 관련된 판례 데이터(1962.2 ~ 2021.2)를 사용하였다. 학습용 판례 데이터셋 구축 방안의 성능 비교 실험을 위해 판결문의 특정 요소 간의 비교 분석과, 판결문에서 추출한 사실관계로 주제 분류 실험을 수행하였다. 특히, 판례 유사도 분석 실험은 빈도 기반의 자카드분석, 확률 기반의 Doc2Vec 및 BERT 모델을 활용하여 유사도 성능을 비교하였고, 평가 방법으로는 코사인 유사도(Cosine similarity)와 의미론적 분석을 수행하였다. 연구 결과로, 학습용 판례 데이터셋 구축 시 판결 결과 라벨링에는 당사자 및 주문 정보를 함께 활용하는 것이 효과적이고, 판례에서 추출한 사실관계 문장으로 효과적으로 주제를 분류할 수 있었음을 밝혔다. 또한 판례 유사도 분석 시 확률 기반의 Doc2Vec 보다는 BERT 로 분석한 결과가 의미론적 관점에서 보다 효과적임을 보였다. 특히, 본 연구에서는 판례 전문을 이용하여 판례 유사도 분석 방안을 연구했다는 점에서 기존 연구들과 차별성을 지닌다.

This study established an automatic labeling method for the construction of a legal precedents dataset for training, an essential component for advancing legal artificial intelligence research. Also, it validated a method for case similarity analysis using the dataset built. To recognize semantics of sentences, we employed BERT, a pre-training language model capable of learning the order of words in a sentence. For the experiment, a labor legal precedent data related to termination of employment relationships was used, such as wrongful termination lawsuits. The reserachers extracted elements of the judgment text, labeled the verdict results of the cases using BERT, and confirmed that the subject of a case could be automatically classified using the factual circumstances extracted from the judgment text. Our case similarity analysis experiment utilized 1) frequency-based Jaccard analysis, 2) probability-based Doc2Vec, and 3) the BERT-based model. The performance of each model was compared through quantitative evaluation methods, such as Cosine similarity, and qualitative evaluation methods, such as semantic analysis. This research verified that combining party and order information is an effective approach when labeling verdict results during the construction of a learning case dataset. The study also demonstrated that subject classification for the relevant case is possible using the factual circumstances extracted from the case. Additionally, in terms of case similarity analysis, the results of the BERT model proved more semantically appropriate than the probability-based Doc2Vec approach. Consequently, it was identified that the type of information necessary for dataset construction from judgment texts, proposed a method to include judgment results, factual circumstances, and case subject classification attributes in the learning case dataset, and demonstrated that sentence-based case searches, which can supplement the limitations of existing keyword-based similar case searches, are a feasible approach.

#법률 인공지능 #사전학습 언어 모델 #노동법 판례 #법률 데이터셋 #판례 유사도 #Legal Technology #BERT #Labor Legal Precedents #Legal Datasets #Case Similarity

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

최근 본 자료

댓글(0)