LePREC：神经符号框架破解法律问题识别难题，精度提升30-40%

LePREC是受法律专业人士启发的神经符号推理框架，结合大语言模型（LLM）生成结构化分析因素与稀疏线性模型分类，通过可解释的特征权重学习，显著提升法律问题识别准确性，超越GPT-4o和Claude等先进基线，精度提升30-40%。该框架解决了现有端到端神经网络"黑盒"特性导致的精度不足问题，为法律AI迈向可信化提供新路径。

法律问题识别是法律分析的起点，对AI系统至关重要，但现有顶级LLM（如GPT-4o）准确率仅62%，错误率高。根源在于端到端神经网络的"黑盒"特性，无法显式验证推理过程；LLM生成候选问题时"有广度缺精度"，混杂无关或错误内容；法律概念的复杂层级与交叉关系也加剧挑战。全球民事司法需求困境下，AI需突破这一"最后一公里"。

LePREC包含神经组件和符号组件。神经组件通过多轮提示引导LLM生成案件事实的问答对（结构化分析因素），显式化推理过程；采用多样本生成与聚合策略确保全面性。符号组件应用稀疏逻辑回归分类，通过L1正则化学习显式特征权重，仅保留有预测力的特征，提升可解释性与泛化能力。

在马来西亚合同法数据集上，LePREC准确率比GPT-4o提升30-40%，精确率从62%升至85%+，F1分数从0.71升至0.89。改进源于结构化因素提取提高召回质量，稀疏分类过滤噪音。特征权重与人类法律判断逻辑一致，验证了可解释性。跨年度测试集稳定性优于纯神经网络方法。

LePREC的成功证明神经符号融合是法律AI突破瓶颈的关键。其优势包括可解释性（显式权重支持决策透明）、数据效率（小样本泛化好）、可调试性（模块化设计易定位错误）。该技术有望democratize法律服务获取，推动法律AI从"可用"向"可信"跨越，辅助人类专业人士提升效率。

LePREC目前主要适用于合同法领域，需验证其他法律领域适用性；因素提取依赖LLM提示质量，需探索更robust方法或人机协作；未涉及多案件比较与案例检索，需扩展端到端workflow；决策基于统计相关性，需融入法律演绎规则提升严谨性。