DALDALL: Data Augmentation for Lexical and Semantic Diverse in Legal Domain by leveraging LLM-Persona
本文提出了 DALDALL 框架，通过利用律师、检察官和法官等法律领域专业角色（Persona）引导大语言模型生成具有更高词汇和语义多样性的合成查询，从而有效提升了低资源法律信息检索任务中密集检索器的召回性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文介绍了一种名为 DALDALL 的新方法，旨在解决法律领域人工智能（AI）面临的一个大难题：“数据太少，而且太死板”。
为了让你轻松理解，我们可以把法律 AI 想象成一个刚入行的法律实习生，而这篇论文就是教他如何“快速成长”的秘籍。
1. 核心问题：实习生只有一本“死记硬背”的教科书
在法律领域（比如查找过去的判例），AI 需要大量的“问题 - 答案”配对数据来学习。但现实是：
- 数据稀缺：真正的法律案例数据很少，而且标注（分类）很贵，因为需要律师来干。
- 数据单一：现有的 AI 学习方法，就像让实习生只读一本教科书。如果书里全是“根据第 X 条法律，被告应受惩罚”，AI 就只会背这句话。一旦有人换个说法问“被告是不是该坐牢？”，AI 就懵了。
2. 解决方案：DALDALL —— 给 AI 安排“角色扮演”
为了解决这个问题，作者们没有让 AI 继续死记硬背，而是给它安排了一场**“模拟法庭”的角色扮演游戏**。
以前的做法（Vanilla 方法）：
就像让实习生对着镜子自言自语：“我要问这个问题……我要问这个问题……"。结果他问出来的话，跟原来的问题长得太像了，词汇都差不多，AI 学不到新东西。DALDALL 的做法（Persona 方法）：
作者给 AI 分配了不同的**“人设”（Persona）**，比如：- 👨⚖️ 法官：关注法律逻辑和最终裁决。
- 👩⚖️ 检察官：关注证据链和定罪理由。
- 👨⚖️ 辩护律师：关注漏洞和减轻处罚的理由。
- 🎓 法学教授：关注理论深度和学术引用。
比喻：想象一下，你问一个关于“盗窃”的问题。
- 普通 AI 可能会说：“这个人偷了东西，违法了。”
- 扮演律师的 AI 可能会说：“被告是否具备非法占有目的？是否存在紧急避险？”
- 扮演法官的 AI 可能会说：“依据刑法第 264 条，结合社会危害性，应如何量刑？”
虽然大家讨论的是同一件事（语义没变），但说话的方式、用的词汇、侧重的角度完全不同（词汇和语义多样性大增）。
3. 实验结果：效果如何？
作者们在两个著名的法律数据集（CLERC 和 COLIEE）上做了测试，发现：
- 词汇更丰富了：AI 生成的新问题，不再只是原问题的“换皮”版本，而是真正学会了用不同的方式表达同一个法律概念。
- AI 变聪明了：用这些“角色扮演”生成的数据去训练检索模型（相当于给实习生做特训），结果发现：
- 当有人用各种奇怪的方式提问时，这个 AI 都能精准找到对应的法律条文或判例。
- 它的表现比只用原始数据训练的 AI 更好，或者至少一样好。
4. 为什么这很重要？
在法律、医疗这些**“低资源领域”**（数据少、专业性强），质量比数量更重要。
- 如果你给 AI 喂 100 万条一模一样的废话，它学不会。
- 如果你给 AI 喂 1 万条由不同“专家视角”生成的、高质量、多样化的问题，它就能举一反三，真正理解法律逻辑。
总结
这篇论文的核心思想就是：不要只让 AI 当复读机，要让它学会“换位思考”。
通过让大语言模型（LLM）扮演法官、律师、检察官等不同角色，我们可以低成本地生成大量高质量的“变体”法律问题。这不仅丰富了 AI 的“词汇量”，还让它学会了从不同角度理解法律问题，最终让法律 AI 变得更聪明、更可靠。
一句话概括：DALDALL 就像给法律 AI 请了一群“私教”，让它们通过角色扮演，学会了用各种花样把法律问清楚，从而在真正的法庭上（实际应用中）表现得更出色。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。