ARTICLE DOSSIERREF / 9D3A01D8
法律本体学习如何守住语义：研究提出面向并购协议的评估方法
SOURCE / arXiv cs.CL · On Measuring Semantic Preservation in Legal Ontology Learning
原文
On Measuring Semantic Preservation in Legal Ontology Learning
完整原文
一项发表于 arXiv 的预印本研究关注法律知识系统中的一个基础风险：把非结构化法律文本转换为可推理的本体表示后，原文含义是否被保留。研究以并购协议分析为场景，对比 LLM 直接处理原文与处理三种本体学习方法生成的结构化表示，并覆盖六种语言模型。 作者提出以任务表现差异量化“语义损失”的评估方法。结果显示，结构正确不等于语义完整；不同模型与处理方法的组合会产生明显不同的损失。 对建设合同审查、知识图谱或法律检索系统的团队而言，应在上线前将“结构化后是否仍支持原问题回答”纳入验收，而不能只检查字段完整度或本体一致性。
归纳
一项预印本研究以并购协议分析为例，比较 LLM 直接处理原文与处理本体化结构后的任务表现，发现信息结构化可能带来语义损失，且损失程度会随模型、方法和推理复杂度显著变化。
点评
法律文本结构化可能在不易察觉的情况下损失影响任务判断的语义。
AI 生成 · 人工审核
法律视角点评
AI 生成 · 人工审核核心关切
法律文本结构化可能在不易察觉的情况下损失影响任务判断的语义。
实务启示
用原文与结构化表示上的同一法律任务表现差异，作为法律知识系统上线前的语义保真测试。