استخراج الأساس المنطقي على مستوى الفقرة من خلال التنظيم: دراسة حالة عن المحكمة الأوروبية لحالات حقوق الإنسان

الترجمة الترجمة الشفوية أو الشرح هي مجال بحث ناشئ في NLP. من وجهة نظر متعلقة بالمستخدم، يكون الهدف هو بناء نماذج توفر مبرر مناسب لقراراتها، مماثلة لتلك الإثارة، من خلال مطالبة النماذج بإرضاء قيود إضافية. تحقيقا لهذه الغاية، نقدم طلبا جديدا على النص القانوني حيث، على عكس الأدب السائد الذي يستهدف أستهدف منورات على مستوى الكلمات، فإننا نتصور المناولة كفقرات محددة في قضايا المحكمة متعددة الفقيرات. ونصدر أيضا بمجموعة بيانات جديدة تضم محكمة أوروبية لحالات حقوق الإنسان، بما في ذلك التعليقات التوضيحية من أجل المناولة على مستوى الفقرات. نستخدم هذه البيانات هذه البيانات لدراسة تأثير قيود الأساس المنطقية المقترحة بالفعل، أي على سبيل المثال.، Sparsity، الاستمرارية، والشمول تشير النتائج إلى أن بعض هذه القيود ليست مفيدة في استخراج الأساس المنطقي على مستوى الفقرة، بينما يحتاج البعض الآخر إلى إعادة صياغة للتعامل بشكل أفضل في الطبيعة المتعددة التسمية للمهمة التي نعتبرها. نقدم أيضا قيود جديدة، تفرد، مما يحسن جودة المناولة، حتى مقارنة بالإشراف الأساسي الصاخب. تشير النتائج التجريبية إلى أن المهمة المقدمة حديثا تحديا للغاية وهناك مجال كبير لمزيد من البحث.

Interpretability or explainability is an emerging research field in NLP. From a user-centric point of view, the goal is to build models that provide proper justification for their decisions, similar to those of humans, by requiring the models to satisfy additional constraints. To this end, we introduce a new application on legal text where, contrary to mainstream literature targeting word-level rationales, we conceive rationales as selected paragraphs in multi-paragraph structured court cases. We also release a new dataset comprising European Court of Human Rights cases, including annotations for paragraph-level rationales. We use this dataset to study the effect of already proposed rationale constraints, i.e., sparsity, continuity, and comprehensiveness, formulated as regularizers. Our findings indicate that some of these constraints are not beneficial in paragraph-level rationale extraction, while others need re-formulation to better handle the multi-label nature of the task we consider. We also introduce a new constraint, singularity, which further improves the quality of rationales, even compared with noisy rationale supervision. Experimental results indicate that the newly introduced task is very challenging and there is a large scope for further research.