ClaimGen-CN: Un Dataset su larga scala in cinese per la generazione di rivendicazioni legali

ClaimGen-CN: A Large-scale Chinese Dataset for Legal Claim Generation

August 24, 2025

Autori: Siying Zhou, Yiquan Wu, Hui Chen, Xavier Hu, Kun Kuang, Adam Jatowt, Ming Hu, Chunyan Zheng, Fei Wu

cs.AI

Abstract

Le rivendicazioni legali si riferiscono alle richeste del querelante in un caso e sono essenziali per guidare il ragionamento giudiziario e la risoluzione del caso. Mentre molti lavori si sono concentrati sul miglioramento dell'efficienza dei professionisti del diritto, la ricerca sull'aiuto ai non professionisti (ad esempio, i querelanti) rimane inesplorata. Questo articolo esplora il problema della generazione di rivendicazioni legali basate sui fatti del caso. In primo luogo, costruiamo ClaimGen-CN, il primo dataset per il compito di generazione di rivendicazioni legali in cinese, derivato da varie controversie legali del mondo reale. Inoltre, progettiamo una metrica di valutazione specifica per valutare le rivendicazioni generate, che comprende due dimensioni essenziali: la fattualità e la chiarezza. Sulla base di ciò, conduciamo una valutazione zero-shot completa dei modelli linguistici di grandi dimensioni generali e specifici per il dominio legale. I nostri risultati evidenziano i limiti dei modelli attuali nella precisione fattuale e nella chiarezza espressiva, indicando la necessità di uno sviluppo più mirato in questo ambito. Per incoraggiare ulteriori esplorazioni di questo importante compito, renderemo il dataset disponibile pubblicamente.

English

Legal claims refer to the plaintiff's demands in a case and are essential to guiding judicial reasoning and case resolution. While many works have focused on improving the efficiency of legal professionals, the research on helping non-professionals (e.g., plaintiffs) remains unexplored. This paper explores the problem of legal claim generation based on the given case's facts. First, we construct ClaimGen-CN, the first dataset for Chinese legal claim generation task, from various real-world legal disputes. Additionally, we design an evaluation metric tailored for assessing the generated claims, which encompasses two essential dimensions: factuality and clarity. Building on this, we conduct a comprehensive zero-shot evaluation of state-of-the-art general and legal-domain large language models. Our findings highlight the limitations of the current models in factual precision and expressive clarity, pointing to the need for more targeted development in this domain. To encourage further exploration of this important task, we will make the dataset publicly available.