CN111353307A - 基于简单证据的法律意见书评估系统及方法 - Google Patents
基于简单证据的法律意见书评估系统及方法 Download PDFInfo
- Publication number
- CN111353307A CN111353307A CN202010132131.0A CN202010132131A CN111353307A CN 111353307 A CN111353307 A CN 111353307A CN 202010132131 A CN202010132131 A CN 202010132131A CN 111353307 A CN111353307 A CN 111353307A
- Authority
- CN
- China
- Prior art keywords
- evidence
- legal
- case
- relevance
- fact
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000004576 sand Substances 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 240000008415 Lactuca sativa Species 0.000 description 2
- 235000012045 salad Nutrition 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及法律服务技术领域,具体涉及一种基于简单证据的法律意见书评估系统及方法,包括步骤:S1、输入法律意见书;S2、从法律意见书中提取出证据及该证据的关键词;S3、根据关键词与案件事实的关联性将证据分为直接证据与间接证据;S4、根据直接证据对案件事实的证明力来评价法律意见书的有效性。本发明从法律意见书中挑选出直接证据,通过该直接证据对案件事实的证明力能够有效地评价法律意见书的专业性,便于后续机器人的优化,同时给到咨询者在收集证据方面的建议。
Description
技术领域
本发明涉及法律服务技术领域,具体涉及一种基于简单证据的法律意见书评估系统及方法。
背景技术
随着我国法制的完善,人民的法律意识逐渐增强,对法律服务的需求也与日俱增。由于我国人数众多、公共司法资源不足,目前法律智能服务机器人的使用也越来越广泛。用户只要在机器人上输入需要咨询的法律问题,机器人便可快速生成法律意见书,这给予了广大人民群众极大的便利。但是,受限于目前的科学技术,机器人给出的法律意见书的专业性、有效性还不够高。对此,文件CN110222145A公开了一种智能法律评估方法和系统,包括以下步骤:S1接收用户输入的案情信息;S2根据所述案情信息确定用户的案由类型和至少一个法律诉求;S3基于决策模型根据所述案情信息生成相应的评估报告并展示给所述用户。该发明经过决策模型对用户输入的案情信息进行综合分析并给出专业精准的评估报告,帮助用户解决一些诉前问题,降低用户咨询成本。
可见,需要对机器人给出的法律意见书的质量进行评价,以提高法律智能服务机器人的工作质量。在法律上,事实认定必须要有相应的证据加以证明,一份专业的、有效的法律意见书应当基于有证据加以佐证的事实做出。因此,可以从证据的角度并结合案件事实对机器人生成的法律意见书进行评价。
发明内容
本发明提供一种基于简单证据的法律意见书评估系统及方法,结合案件事实和相关证据对机器人生成法律意见书进行评价,便于后续机器人的优化,同时给到咨询者在收集证据方面的建议。
本发明提供的基础方案为:基于简单证据的法律意见书评估方法,包括步骤:S1、输入法律意见书;S2、从法律意见书中提取出证据及该证据的关键词;S3、根据关键词与案件事实的关联性将证据分为直接证据与间接证据;S4、根据直接证据对案件事实的证明力来评价法律意见书的有效性。
本发明的工作原理在于:从法律意见书中提取出证据,并将证据分为直接证据和间接证据。由于直接证据与案件具有直接联系,能够单独地、以不依赖于其他证据直接证明案件事实;而间接证据与案件事实之间具有只有间接联系,不能单独直接证明案件事实,必须与其他证据结合起来,以推论的方式起证明作用。因此,直接证据的证明力远大于间接证据。本发明的优点在于:根据直接证据对案件事实的证明力可以有效评价法律意见书的有效性。
本发明从法律意见书中挑选出直接证据,通过该直接证据对案件事实的证明力能够有效地评价法律意见书的专业性,便于后续机器人的优化,同时给到咨询者在收集证据方面的建议。
进一步,步骤S2的具体步骤包括:S21从法律意见书里提取出案件事实部分的篇章;S22对案件事实部分进行预处理,得到若干个词语;S23获取法律语料库;S24计算法律语料库中每个词语在案件事实部分的篇章中的tf值以及在法律语料库中的idf值;S25根据tf值及idf值计算权重;S26选出预设个数权重最大的词语作为关键词。tf-idf是一种统计方法,用以评估某字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。如果某个词或短语在一篇文章中出现的频率tf高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。
进一步,步骤S3的具体步骤包括:S31确定关键词与案件事实是否存在内容关联性;S32确定关键词与案件事实是否存在载体关联性;S33选出同时与案件事实存在内容关联性与载体关联性的关键词作为直接证据。内容关联性是证据的信息同案件事实之间的关联性,影响案件事实存在或不存在之认定;载体关联性是证据的载体同当事人或其他诉讼参与人之间的关联性,确定证据所蕴含的信息同案件当事人等主体有无关联。因此,同时与案件事实存在内容关联性与载体关联性的关键词可以直接、单独证明案件事实,将其筛选出作为直接证据,可以为后续高效、准确地评价法律意见书的专业性提供基础。
进一步,步骤S32具体步骤包括:S32a确定关键词与案件事实是否存在人的关联性,即身份关联性;S32b确定关键词与案件事实是否存在事的关联性,即行为关联性;S32c确定关键词与案件事实是否存在物的关联性,即介质关联性;S32d确定关键词与案件事实是否存在时的关联性,即时间关联性;S32e确定关键词与案件事实是否存在空的关联性,即地址关联性;S32f将同时存在身份相关性、行为相关性、介质相关性、时间相关性和地址相关性的关键词确定为直接证据。案件都是由人、事、物、时、空五个要素构成,确定了这五个要素就很容易还原案件事实。
进一步,步骤S4具体步骤包括:S41计算每个直接证据与案件事实的单独相关度αi;S42根据每个直接证据的权重Wi计算直接证据整体与案件事实的整体相关度β;S43计算有效性σ,σ=β×100%。权重不仅体现某因素所占的百分比,更强调该因素的相对重要程度。可见,通过赋予每个直接证据权重可以提高评价法律意见书有效性的准确性。
进一步,步骤S41具体步骤包括:S41a获取第i个直接证据文本对应的文本向量Ai及其案件类型;S41b根据案件类型从数据库里提取对应的直接证据标准文本,并获取该直接证据标准文本的文本向量Bi;S41c根据文本向量Ai与文本向量Bi计算单独相关度αi,αi=cos<Ai,Bi>;S41d重复步骤S41a到S41c,计算完所有直接证据与案件的单独相关度。相关度是指两个事物间存在相互联系的百分比。因此,从每个直接证据与案件的单独相关度可以得知该直接证据对案件的相对重要程度,从而便于针对性收集证据。
进一步,步骤S42具体步骤包括:S42a对第i个直接证据赋予权重,为Wi;S42b根据单独相关度αi及其对应的权重Wi计算整体相关度β,β=∑αi×Wi。权重不同于比重,体现的不仅是某因素所占的百分比,更强调该因素的相对重要程度。由于法官对案件事实的认定,是从单个证据组成的证据链出发的。因此,既要考虑单个直接证据的证明力,又必须考虑每个直接证据对案件证明力的影响权重。
进一步,还包括步骤S5,预估胜诉概率;具体步骤包括:S51调用数据库的案件模板根据直接证据的关键词生成案件事实;S52提取所生成的案件事实文本的文本向量C;S53从数据库查找对应的典型案例的判决书,并提取该判决书中事实认定部分篇章的文本向量D;S54计算文本向量C与文本向量D的文本相似度γ,γ=cos<C,D>;S55计算胜诉的概率P=γ×100%。根据已经生成的法律意见书预测胜诉可能性,可以使得目标对象对胜诉或者败诉的法律结果有一定的心理预期。
进一步,还包括步骤S6,根据胜诉概率评价胜诉等级;具体步骤包括:S61按照胜诉概率预设等级区间;S62根据胜诉概率p确定其所在等级区间;S63确定胜诉等级。根据胜诉等级,有利于初步给出大体的法律建议。
本发明还公开一种基于简单证据的法律意见书评估系统,包括:输入模块,用于输入法律意见书;提取模块,用于从法律意见书中提取出证据及该证据的关键词;分析模块,用于根据关键词与案件事实的相关度将证据分为直接证据与间接证据;存储模块,用于存储法律数据;评估模块,用于根据直接证据对案件事实的证明力评价法律意见书的专业性;输出模块,用于输出评估结果。
本发明从法律意见书中挑选出直接证据,通过该直接证据对案件事实的证明力能够有效地评价法律意见书的专业性,便于后续机器人的优化,同时给到咨询者在收集证据方面的建议。
附图说明
图1为本发明基于简单证据的法律意见书评估方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例1
本发明基于简单证据的法律意见书评估方法实施例基本如附图1所示,包括输入法律意见书、从法律意见书中提取出证据及该证据的关键词、根据关键词与案件事实的相关度将证据分为直接证据与间接证据和根据直接证据对案件事实的证明力来评价法律意见书的有效性四个步骤。
首先,输入机器人针对用户的法律问题以及法律需求生成的法律意见书。法律意见书包含案件事实、用户的法律需求以及相应的法律建议三个部分。
然后,从法律意见书中提取出证据及该证据的关键词。在法律意见书的案件事实部分,大多会以叙事的方式阐明案件发生的起因、时间、对象、经过和结果,还会有提供相应的证据。因此,提取证据主要在法律意见书中案件事实对应的相关篇章或者段落进行。由于各种证据的语句因人而异,提取其中的关键词进行分析既高效、又不失准确。具包括:第一步,从法律意见书里提取出案件事实部分的篇章;第二步,对案件事实部分进行预处理,得到若干个词语;第三步,获取法律语料库;第四步,计算法律语料库中每个词语在案件事实部分的篇章中的tf值以及在法律语料库中的idf值;第五步,根据tf值及idf值计算权重;第六步,选出预设个数权重最大的词语作为关键词。这些步骤的详细过程可参考现有技术。
接下来,根据关键词与案件事实的关联性将证据分为直接证据与间接证据。直接证据与案件主要事实的证明关系是直接的,单独一个直接证据可以不依赖于其他证据,以直接证明的方式对案件的主要事实起到证明作用。而间接证据与案件主要事实的证明,必须与其他证据结合起来,以推论的方式即间接证明的方式起证明作用。单独一个间接证据不能直接证明案件的主要事实,它只能证明案件事实中的某一情节片断,同其他证据结合起来才能查明案件主要事实。因此,直接证据对案件事实的证明力大于间接证据,对案件的证明也起着决定性作用。具体而言,先确定关键词与案件事实是否存在内容关联性,接着确定关键词与案件事实是否存在载体关联性,最后挑选出同时与案件事实存在内容关联性与载体关联性的关键词作为直接证据。
内容关联性是证据同案件事实之间的关联性,通过阅读证据即可轻易确定。而载体关联性是证据的载体同当事人或其他诉讼参与人之间的关联,这需要考虑五个因素。因此,确定载体关联性的具体步骤包括:第一步,确定关键词与案件事实是否存在人的关联性,即身份关联性。比如,确定各种电子账号,包括电子邮箱、手机号、微信号等归当事人所有或所用。第二步,确定关键词与案件事实是否存在事的关联性,即行为关联性。比如,确认当事人有无实施收发邮件、短信等行为,这些行为将会影响法律责任的认定。第三步,确定关键词与案件事实是否存在物的关联性,即介质关联性。比如,确定证据的载体同的关系,该电脑或手机是否为当事人所有或所用。第四步,确定关键词与案件事实是否存在时的关联性,即时间关联性。比如,确定电子邮件的发送时间等,该时间可能对定案至关重要。第五步,确定关键词与案件事实是否存在空的关联性,即地址关联性。比如,确认地址信息同当事人之间的关系,尤其是电子证据,更需要判断这些地址是否归当事人所有或所用。最后将同时存在身份相关性、行为相关性、介质相关性、时间相关性和地址相关性的关键词确定为直接证据。
最后,根据直接证据对案件事实的证明力来评价法律意见书的有效性。先计算每个直接证据与案件事实的单独相关度αi,接着根据每个直接证据的权重Wi计算直接证据整体与案件事实的整体相关度β,最后计算有效性σ,σ=β×100%。计算每个直接证据与案件事实的单独相关度αi的具体步骤包括:第一步,获取第i个直接证据文本对应的文本向量Ai及其案件类型;第二步,根据案件类型从数据库(储存有海量的判例、案件模板以及证据标准文本,这些案件模板、证据标准文本通过大数据算法从案例中提取)里提取对应的直接证据标准文本,并获取该直接证据标准文本的文本向量Bi;第三步,根据文本向量Ai与文本向量Bi计算单独相关度αi,αi=cos<Ai,Bi>;第四步,重复前三步,计算完所有直接证据与案件的单独相关度。当所有直接证据与案件的单独相关度计算完毕后,根据每个直接证据的权重Wi计算直接证据整体与案件事实的整体相关度β:第一步,对第i个直接证据赋予权重,为Wi;第二步,根据单独相关度αi及其对应的权重Wi计算整体相关度β,β=∑αi×Wi。因此,可计算法律意见书的有效性σ,σ=β×100%。
实施例2
与实施例1不同之处仅在于:还包括预估胜诉概率;具体步骤包括:第一步,调用数据库的案件模板根据直接证据的关键词生成案件事实;第二步,提取所生成的案件事实文本的文本向量C;第三步,从数据库查找对应的典型案例的判决书,并提取该判决书中事实认定部分篇章的文本向量D;第四步,计算文本向量C与文本向量D的文本相似度γ,γ=cos<C,D>;第五步,计算胜诉的概率P=γ×100%。然后根据该胜诉的概率评价胜诉等级,按照胜诉概率预设等级区间,根据胜诉概率p确定其所在等级区间确定胜诉等级。
基于实施例1和实施例2,本发明还公开一种基于简单证据的法律意见书评估系统,包括:输入模块,用于输入法律意见书;提取模块,用于从法律意见书中提取出证据及该证据的关键词;分析模块,用于根据关键词与案件事实的相关度将证据分为直接证据与间接证据;存储模块,用于存储法律数据;评估模块,用于根据直接证据对案件事实的证明力评价法律意见书的专业性;输出模块,用于输出评估结果。
实施例3
与实施例2不同之处仅在于,还要对日常语言进行识别。本实施例中,张三与李四存在合同纠纷。内容大致这样:“…张三于2010年6月1日向李四购买河沙5吨,于当日签订了河沙买卖合同,合同约定15日内李四将河沙保质保量运到张三家附近的石坝处,张三收到河沙时一次性付款。2010年6月16日,李四将河沙运到张三家附近的石坝处时,要求张三支付河沙价款2万元。”此外,李四提到了“ding金”,这时候就要区别是定金,还是订金。
首先,进行前置判断:若包含不超过20%或者一次性付清的信息,则输出定金;若包含超过20%或者多次付清的信息,则输出订金。比如说,张三和李四约定“ding金”为3500元,该“ding金”小于价款的20%(20000×0.2=4000),“ding金”应当为定金;反之,若张三和李四约定“ding金”为4500元,该“ding金”大于价款的20%(20000×0.2=4000),“ding金”应当为订金。又比如说,张三和李四约定“ding金”一次性交清,该“ding金”应当为定金;反之,若张三和李四约定“ding金”两次或者三次付清,该“ding金”就应当为订金。
事实上,由于当事人法律知识有限,弄不清楚定金与订金的区别:①、交付定金的合同是从合同,依约定应交付定金而未付的,不构成对主合同的违反;而交付订金的合同是主合同的一部分,依约定应交付订金而未交付的,即构成对主合同的违反。②、交付和收受订金的当事人一方不履行合同债务时,不发生丧失或者双倍返还预付款的后果,订金仅可作损害赔偿金。③、定金数额不超过主合同标的额的20%;而订金的数额依当事人之间自由约定,法律一般不作限制。④、定金具有担保性质,而订金只是单方行为,不具有明显的担保性质。
因此,当事人可能出现这样的约定,“定金为5000元”,这样超过了合同标的额的20%,超过部分在法律上不发生定金的效力。这时,前置判断就不能确定这5000元是订金还是定金。接着,就需要进行后续判断,输出“定金”、“订金”和“不知道”三个选项供用户选择,若用户选择定金或者订金,则直接输出结果。倘若用户选择不知道,则需要根据张三和李四约定的信息进行进一步的判断。比如说,如果李四提到“如果我把河沙拉来,你不付尾款,这5000块我就不退了”,可见这5000块具有担保的性质。那么张三和李四约定的就应当是“定金”,而超过价款的20%的那1000块则没有定金的效力。又比如,如果张三提到“如果你把河沙拉来,这5000块抵销5000块,我只付款15000元”,那么这5000块具有预付款的作用,张三和李四约定的就应当是“订金”。
前述的这些步骤可以理解为指令或者程序段,将这些指令翻译为机器语言,那么这些指令经过处理模块处理后控制机器人的某个动作的信号,就可理解为汇编语言。这样,将这些指令编译成指令集,机器人就能够理解指令,从而实现自学习。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于简单证据的法律意见书评估方法,其特征在于:包括步骤:S1输入法律意见书;S2从法律意见书中提取出证据及该证据的关键词;S3根据关键词与案件事实的关联性将证据分为直接证据与间接证据;S4根据直接证据对案件事实的证明力来评价法律意见书的有效性。
2.根据权利要求1所述的基于简单证据的法律意见书评估方法,其特征在于:步骤S2的具体步骤包括:S21从法律意见书里提取出案件事实部分的篇章;S22对案件事实部分进行预处理,得到若干个词语;S23获取法律语料库;S24计算法律语料库中每个词语在案件事实部分的篇章中的tf值以及在法律语料库中的idf值;S25根据tf值及idf值计算权重;S26选出预设个数权重最大的词语作为关键词。
3.根据权利要求2所述的基于简单证据的法律意见书评估方法,其特征在于:步骤S3的具体步骤包括:S31确定关键词与案件事实是否存在内容关联性;S32确定关键词与案件事实是否存在载体关联性;S33选出同时与案件事实存在内容关联性与载体关联性的关键词作为直接证据。
4.根据权利要求3所述的基于简单证据的法律意见书评估方法,其特征在于:步骤S32具体步骤包括:S32a确定关键词与案件事实是否存在人的关联性,即身份关联性;S32b确定关键词与案件事实是否存在事的关联性,即行为关联性;S32c确定关键词与案件事实是否存在物的关联性,即介质关联性;S32d确定关键词与案件事实是否存在时的关联性,即时间关联性;S32e确定关键词与案件事实是否存在空的关联性,即地址关联性;S32f将同时存在身份相关性、行为相关性、介质相关性、时间相关性和地址相关性的关键词确定为直接证据。
5.根据权利要求4所述的基于简单证据的法律意见书评估方法,其特征在于:步骤S4具体步骤包括:S41计算每个直接证据与案件事实的单独相关度αi;S42根据每个直接证据的权重Wi计算直接证据整体与案件事实的整体相关度β;S43计算有效性σ,σ=β×100%。
6.根据权利要求5所述的基于简单证据的法律意见书评估方法,其特征在于:步骤S41具体步骤包括:S41a获取第i个直接证据文本对应的文本向量Ai及其案件类型;S41b根据案件类型从数据库里提取对应的直接证据标准文本,并获取该直接证据标准文本的文本向量Bi;S41c根据文本向量Ai与文本向量Bi计算单独相关度αi,αi=cos<Ai,Bi>;S41d重复步骤S41a到S41c,计算完所有直接证据与案件的单独相关度。
7.根据权利要求6所述的基于简单证据的法律意见书评估方法,其特征在于:步骤S42具体步骤包括:S42a对第i个直接证据赋予权重,为Wi;S42b根据单独相关度αi及其对应的权重Wi计算整体相关度β,β=∑αi×Wi。
8.根据权利要求7所述的基于简单证据的法律意见书评估方法,其特征在于:还包括步骤S5,预估胜诉概率;具体步骤包括:S51调用数据库的案件模板根据直接证据的关键词生成案件事实;S52提取所生成的案件事实文本的文本向量C;S53从数据库查找对应的典型案例的判决书,并提取该判决书中事实认定部分篇章的文本向量D;S54计算文本向量C与文本向量D的文本相似度γ,γ=cos<C,D>;S55计算胜诉的概率P=γ×100%。
9.根据权利要求8所述的基于简单证据的法律意见书评估方法,其特征在于:还包括步骤S6,根据胜诉概率评价胜诉等级;具体步骤包括:S61按照胜诉概率预设等级区间;S62根据胜诉概率p确定其所在等级区间;S63确定胜诉等级。
10.基于简单证据的法律意见书评估系统,其特征在于:包括:输入模块,用于输入法律意见书;提取模块,用于从法律意见书中提取出证据及该证据的关键词;分析模块,用于根据关键词与案件事实的相关度将证据分为直接证据与间接证据;存储模块,用于存储法律数据;评估模块,用于根据直接证据对案件事实的证明力评价法律意见书的专业性;输出模块,用于输出评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132131.0A CN111353307A (zh) | 2020-02-29 | 2020-02-29 | 基于简单证据的法律意见书评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132131.0A CN111353307A (zh) | 2020-02-29 | 2020-02-29 | 基于简单证据的法律意见书评估系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353307A true CN111353307A (zh) | 2020-06-30 |
Family
ID=71194202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010132131.0A Pending CN111353307A (zh) | 2020-02-29 | 2020-02-29 | 基于简单证据的法律意见书评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353307A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508745A (zh) * | 2021-02-05 | 2021-03-16 | 北京肇祺信息科技有限公司 | 一种文书评估方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8447713B1 (en) * | 2012-03-23 | 2013-05-21 | Harvey L. Gansner | Automated legal evaluation using a neural network over a communications network |
US20160085744A1 (en) * | 2014-06-06 | 2016-03-24 | François DUNN | System and computer program product for collectively gathering reliable facts and validation thereof |
CN107122451A (zh) * | 2017-04-26 | 2017-09-01 | 北京科技大学 | 一种法律文书案由分类器的自动构建方法 |
CN107330820A (zh) * | 2017-08-28 | 2017-11-07 | 北京智诚律法科技有限公司 | 一种诉讼结果的预测系统及方法 |
CN107632968A (zh) * | 2017-05-22 | 2018-01-26 | 南京大学 | 一种面向裁判文书的证据链关系模型的构建方法 |
CN108182248A (zh) * | 2017-12-28 | 2018-06-19 | 贵州小爱机器人科技有限公司 | 信息处理方法以及信息处理装置 |
CN108763485A (zh) * | 2018-05-25 | 2018-11-06 | 南京大学 | 一种基于文本相似度的裁判文书的证据链关系模型构建方法 |
CN109146726A (zh) * | 2018-07-20 | 2019-01-04 | 吴怡 | 一种人工智能法律咨询平台及商业模式 |
CN110046241A (zh) * | 2019-04-18 | 2019-07-23 | 武汉大学 | 基于自动对比文章相似度辅助法律文书检错方法及系统 |
US20200012919A1 (en) * | 2018-07-09 | 2020-01-09 | Yavar Bathaee | Generating Predictions of Outcomes of Legal Arguments and Events Using Unstructured Natural Language Data |
CN110674840A (zh) * | 2019-08-22 | 2020-01-10 | 中国司法大数据研究院有限公司 | 一种基于贝叶斯网络的多方证据关联模型构建方法和证据链提取方法及装置 |
-
2020
- 2020-02-29 CN CN202010132131.0A patent/CN111353307A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8447713B1 (en) * | 2012-03-23 | 2013-05-21 | Harvey L. Gansner | Automated legal evaluation using a neural network over a communications network |
US20160085744A1 (en) * | 2014-06-06 | 2016-03-24 | François DUNN | System and computer program product for collectively gathering reliable facts and validation thereof |
CN107122451A (zh) * | 2017-04-26 | 2017-09-01 | 北京科技大学 | 一种法律文书案由分类器的自动构建方法 |
CN107632968A (zh) * | 2017-05-22 | 2018-01-26 | 南京大学 | 一种面向裁判文书的证据链关系模型的构建方法 |
CN107330820A (zh) * | 2017-08-28 | 2017-11-07 | 北京智诚律法科技有限公司 | 一种诉讼结果的预测系统及方法 |
CN108182248A (zh) * | 2017-12-28 | 2018-06-19 | 贵州小爱机器人科技有限公司 | 信息处理方法以及信息处理装置 |
CN108763485A (zh) * | 2018-05-25 | 2018-11-06 | 南京大学 | 一种基于文本相似度的裁判文书的证据链关系模型构建方法 |
US20200012919A1 (en) * | 2018-07-09 | 2020-01-09 | Yavar Bathaee | Generating Predictions of Outcomes of Legal Arguments and Events Using Unstructured Natural Language Data |
CN109146726A (zh) * | 2018-07-20 | 2019-01-04 | 吴怡 | 一种人工智能法律咨询平台及商业模式 |
CN110046241A (zh) * | 2019-04-18 | 2019-07-23 | 武汉大学 | 基于自动对比文章相似度辅助法律文书检错方法及系统 |
CN110674840A (zh) * | 2019-08-22 | 2020-01-10 | 中国司法大数据研究院有限公司 | 一种基于贝叶斯网络的多方证据关联模型构建方法和证据链提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
占善刚;楚晗旗;: "公证文书的证据效力探析" * |
梁坤;: "争议中运用的社会科学证据――评《科学证据与法律的平等保护》" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508745A (zh) * | 2021-02-05 | 2021-03-16 | 北京肇祺信息科技有限公司 | 一种文书评估方法及装置 |
CN112508745B (zh) * | 2021-02-05 | 2021-08-27 | 北京肇祺信息科技有限公司 | 一种文书评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Breaux et al. | Scaling requirements extraction to the crowd: Experiments with privacy policies | |
US6102961A (en) | Method and apparatus for selecting IP Blocks | |
Yazdian et al. | Joint optimisation of price, warranty and recovery planning in remanufacturing of used products under linear and non-linear demand, return and cost functions | |
EP4071688A1 (en) | System, method and apparatus for automatic categorization and assessment of billing narratives | |
WO2004006049A2 (en) | Method and system to value projects taking into account political risks | |
Beylot et al. | Assessing the national economic importance of metals: An Input–Output approach to the case of copper in France | |
Chowdhury et al. | Impact of macroeconomic variables on economic growth: Bangladesh perspective | |
CN108228622A (zh) | 业务问题的分类方法及装置 | |
Rehman et al. | A study of barriers to e-commerce adoption among SMEs in Malaysia | |
CN111353307A (zh) | 基于简单证据的法律意见书评估系统及方法 | |
Basak et al. | British Stock Market, BREXIT and Media Sentiments-A Big Data Analysis | |
Hlupic et al. | SimSelect: a system for simulation software selection | |
Choe | How many'clicks' does it take?: Finding price information on New Zealand lawyers' websites | |
Isa et al. | The issues of second layer charging fee in Wakalah Takaful model practices | |
Fridhayanti et al. | Impact of Pandemic on Online Marketplace Active Users | |
Niroomand et al. | A simple mathematical programming model for countries' credit ranking problem | |
Jereb | Risk assessment model respecting segments of the public | |
CN111368032B (zh) | 用于法律咨询的日常语言识别方法 | |
Rosland et al. | Contract (akad) in online banking | |
Arora et al. | A Hybrid Neuro-Fuzzy Network for Underwriting of Life Insurance. | |
CN111352988B (zh) | 针对法务信息的大数据仓库存储、分析、提取系统 | |
Wang et al. | Multi-Criteria Decision-Making Methods in Fuzzy Decision Problems: A Case Study in the Frozen Shrimp Industry. Symmetry 2021, 13, 370 | |
Jhantasana | Composite Analysis of Mobile Banking Usage: Dimension and Construct Effect | |
Afrilia | Application of Process Hierarchy Analysis on the Internal Rating Credit Line Model for Islamic Banks | |
Sobolieva-Tereshchenko et al. | The Development and Transformation of the Bank Card Market as an Imperative for Digitalization: the Case of Central and Eastern European Countries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |