BERT-классификатор англоязычных абзацев решений ЕСПЧ для оценки структурного обоснования судебного воздержания в миграционных делах по статье 8.
14скачиваний за 30 дней0лайковвеса обновлены19 июн 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Публичные оценки
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
DC-D5-LegalBERT v1 — это дообученная модель BERT для классификации абзацев решений Европейского суда по правам человека (ЕСПЧ) по измерению D5: структурное обоснование судебного воздержания. Она относит абзацы к одному из четырёх классов: ND, MD, HD или NA; вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки уважения усмотрения, а при преобладании NA оценка не вычисляется.
Модель предназначена для анализа дел ЕСПЧ по статье 8, связанных с миграцией, и была создана как часть магистерской диссертации. Это BERT-классификатор последовательностей на 136,7 млн параметров с контекстом до 512 токенов; исходная модель — nlpaueb/legal-bert-base-uncased. При обучении использовались 549 абзацев для обучения и 164 для валидации; лучший macro-F1 составил 0,8239, средний по пяти запускам — 0,7496 ± 0,0456.
Модель принимает текст и выдаёт метки классов и связанные с ними оценки. Она рассчитана на англоязычные юридические тексты в узкой задаче анализа решений ЕСПЧ; результаты на других типах документов и вне этой предметной области не подтверждены. Лицензия — MIT; автор прямо указывает, что модель не предназначена для производственного использования.
Сценарии применения
Классификация абзацев решений ЕСПЧ по уровню судебного воздержания
Оценка деференции в делах о миграции по статье 8 ЕКПЧ
Расчёт непрерывной оценки деференции по вероятностям классов ND, MD и HD
Анализ англоязычных юридических абзацев для исследовательской работы
Ограничения
Обучена на небольшом наборе из 549 абзацев и предназначена для узкой исследовательской задачи; автор не рекомендует производственное применение. Средний macro-F1 по пяти запускам составляет 0,7496 ± 0,0456, поэтому результаты могут заметно зависеть от обучения.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
DC-D5-LegalBERT v1: Deference Classifier — Structural Rationale for Restraint
Fine-tuned from nlpaueb/legal-bert-base-uncased for 4-class classification of ECtHR paragraphs
on deference dimension D5 (Structural Rationale for Restraint).
Classes: ND (0) | MD (1) | HD (2) | NA (3)
Scoring rule: continuous deference score = 0×p(ND) + 0.5×p(MD) + 1.0×p(HD);
NaN if p(NA) is argmax.
Training data snapshot (v1)
Train paragraphs : 549
Val paragraphs : 164
Validation performance (v1)
Best macro-F1 : 0.8239
Mean macro-F1 : 0.7496 ± 0.0456
All seeds : [0.8239, 0.6903, 0.7574, 0.7609, 0.7155]
Training setup
Regime : small (10 epochs, batch size 8, 5 seeds)
Learning rate : 2e-05
Seeds tested : [0, 1, 2, 3, 4]
Intended use
Part of a Master's Thesis measuring judicial deference in ECtHR Article 8 migration cases.
Not intended for production use.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров