想象一家法院的档案室。每天有成百上千份判决书、调解书堆在桌上——有的用词晦涩，有的结构混乱。传统方式要求人类书记员逐字阅读，然后手动抽出“当事人是谁”“因什么起纠纷”“判赔多少钱”等信息，填进标准化的档案卡片上。这个工作枯燥、缓慢，还容易出错。 CAIL2022评测，就是一次“档案管理员上岗资格考试”。它给AI一份标准化的“考卷”：大量真实判决书，要求AI把其中的关键信息结构化提取出来，填进预定义的表格。通过这场考试，AI将来就能帮法官、律师、法务处理海量文书，把原本需要几小时的人工整理压缩到几秒钟。 这篇文章将带你以“档案管理员”的视角，理解法律文书结构化任务的方方面面——考卷怎么出、分数怎么算、优秀管理员如何工作、容易踩哪些坑。学完之后你会发现，合同审查和案例检索这些法律NLP应用，底层站着同一位“档案管理员”。

岗位关联

理解法律文书结构化，等于掌握了法律NLP的底层地基。无论做合同审查工具、案例智能检索还是司法大数据平台，这项技能都能让你从“只会调用大模型”进化到“能构建真正落地的法律AI产品”，是法律科技从业者的核心能力之一。

目录
  1. 可视化演示
  2. 任务定义：搞清楚“档案卡片”长什么样
  3. 评测数据集：考卷从哪里来
  4. 核心任务类型：档案卡片上的栏目
  5. 评测指标：怎么打分
  6. 典型方法：三种档案员的工作风格
  7. 挑战与难点：档案室的混乱现场
  8. 应用落地：档案卡片的黄金价值
  9. 优化策略：打造更优秀的档案员
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

演示CAIL2022法律文书结构化：判决书按段落划分、逐字段抽取结构化信息，并以字段级F1与段落级F1评测抽取效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

段落划分 判决书分首部/当事人/事实等段落 逐段识别逻辑归属 段落 = 首部+当事人+… 非结构化文本按规范结构切分

任务定义：搞清楚“档案卡片”长什么样

想象你第一天到法院档案室上班。老师傅递给你一张空白的档案卡片，上面印着固定的栏目：当事人、案由、审判法院、裁判日期、判决金额……他告诉你，你的工作就是把每一堆杂乱的法律文书看完，然后在栏目里填上正确答案。这张卡片，就是“结构化”的模板。

在法律NLP领域，这份工作有个学名：法律文书结构化。CAIL2022（中国法律人工智能评测）正是以此为核心任务设立评测。所谓“结构化”，就是把供人阅读的非结构化文本（比如判决书的自由文本），转换成机器可以直接查询、统计、计算的标准化字段。它和合同审查、案例检索的关系，就像档案卡片和档案利用的关系——卡片是基础，用得好才是目标。

更形式化地说：给定一份文书文档，我们希望学习一个映射函数，把它变换为一组“字段—取值”的键值对集合。这些键值对就是档案卡片上一个个填好的栏目。

简单说，AI的职责就是：读一份文书，填一张卡片。别小看这件事，它是后面所有法律AI应用的地基。考试结束后，老师傅看着你工整的档案卡片，满意地点了点头——但真正的杂活还在后头。

结构化(d)={(fk,vk)∣k=1,2,…,n, fk∈F}\text{结构化}(d) = \{ (f_k, v_k) \mid k = 1, 2, \ldots, n,\ f_k \in \mathcal{F} \}
  1. 结构化算子$\text{结构化}(d)$ 表示对原始文书文本 $d$ 执行转换，输出的是结构化的字段集合。
    结构化(d)\text{结构化}(d)
  2. 字段字典$f_k \in \mathcal{F}$ 中的 $\mathcal{F}$ 是所有可填栏目的集合，如当事人、案由、标的额，相当于档案卡片的栏目清单。
    fk∈Ff_k \in \mathcal{F}
  3. 键值对输出$(f_k, v_k)$ 表示第 $k$ 个栏目填上了对应的取值，最终输出一整组键值对，即完成了一张档案卡片。
    {(fk,vk)∣k=1,2,…,n}\{ (f_k, v_k) \mid k = 1, 2, \ldots, n \}

评测数据集：考卷从哪里来

老师傅告诉你，光知道卡片栏目还不够，你得先练手。练习题从哪来？档案室里那些已整理好的旧卷宗——这些就是带标准答案的“例题”。

CAIL2022评测的数据集正来源于此：真实司法场景下的裁判文书。主办方组织法律专家，按照统一的标注规范，把一份份判决书中的人物、组织、金额等信息逐一提炼出来，制成“标准答案”。整个过程就像给档案室制定统一的编码规则：从标签定义、标注粒度到数据切分，都有严格的流程把控。

数据规模方面，评测集覆盖刑事、民事等多种案件类型，训练集、验证集、测试集层层递进。由于裁判文书是复杂的真实文本，数据中天然存在长句、嵌套、噪声等问题——这反而是好事，因为考卷越真实，考出来的AI才越能上岗。

训练数据就像老师傅给你的例题集，标准答案越准确，你学到的整理技巧就越可靠。可别小看这些例题——它们直接决定了考试分数的上限。

Ai={ y∈Y∣裁判文书i包含标签 y }\mathcal{A}_i = \{\, y \in \mathcal{Y} \mid \text{裁判文书}_i \text{包含标签 } y \,\}
  1. 标准答案集合$\mathcal{A}_i$ 是第 $i$ 份文书对应的真实结构化标签集合，相当于批改试卷用的标准答案。
    Ai\mathcal{A}_i
  2. 标签空间$y \in \mathcal{Y}$ 表示所有可能标签构成的空间，它定义了“哪些栏目可以填”，如当事人、案由、金额等。
    y∈Yy \in \mathcal{Y}
  3. 归属判定条件竖线后面的条件表示“第 $i$ 份文书中确实包含标签 $y$”时，$y$ 才被收入标准答案集。
    ∣裁判文书i包含标签 y\mid \text{裁判文书}_i \text{包含标签 } y

核心任务类型：档案卡片上的栏目

看清档案卡片后，你发现每个栏目背后都有不同的整理技巧。“当事人”需要从文中挑出人名，“案由”需要理解两句话之间的逻辑关系，“判赔金额”则要配合上下文判断数字的语义。

赛事把这些技巧拆分为多个子任务。第一是实体识别（NER）：从文本中找出命名实体的边界，比如“张三”是原告、“甲公司”是被告，相当于从字海中圈出人名、机构名和地名。第二是要素抽取：把特定栏目（如标的额、裁判日期）对应的文本片段抽出来。第三是关系分类：判断两个实体之间的关系，比如“张三”和“李四”是借贷关系还是买卖关系。第四是角色标签标注：给同一个实体打上“原告”“被告”等诉讼角色标签，就像区分信件的寄件人与收件人。

这些子任务不是孤立的，它们共同构成一张完整的档案卡片。在CAIL2022中，模型往往需要同时处理多个子任务，才能把卡片上的每一个格子都填满。

关系三元组是法律文书中最常见的信息单元。填卡片时，你不仅要认出“谁是谁”，还要看出“他们之间发生了什么”——这正是档案管理员从“识字”进阶到“读事”的关键一步。

(e1,r,e2)(e_1, r, e_2)
  1. 主体实体$e_1$ 是关系中的第一个实体，比如原告“张三”。
    e1e_1
  2. 关系谓词$r$ 是两者之间的关系类型，比如“起诉”“借贷”“买卖”。
    rr
  3. 客体实体$e_2$ 是关系中的第二个实体，比如被告“李四”。
    e2e_2

评测指标：怎么打分

练完题目，你交出一叠填好的档案卡片。怎么判断填得好不好？老师傅拿出三个统计口径：一是你填的内容里有多少是对的；二是正确答案里有多少被你找到了；三是两者综合起来打几分。这正是精确率（Precision）、召回率（Recall） 和 F1分数。

精确率回答“你说对的那些里，真对的占比”；召回率回答“所有该找的里面，你找到多少”。二者往往此消彼长——就像填档案，填得少容易保准确，填得多容易保覆盖。F1用调和平均把两个指标揉成一个数，是CAIL评测中最常看的分数。

记住这个打分逻辑，它贯穿所有NLP任务。比赛排名看F1，但真实业务中，合同审查漏掉一个违约条款比多标一个词严重得多——到时候你会在P和R之间做出自己的选择。

P=TPTP+FP,R=TPTP+FN,F1=2 P RP+RP = \frac{TP}{TP + FP}, \qquad R = \frac{TP}{TP + FN}, \qquad \text{F1} = \frac{2\,P\,R}{P + R}
  1. 真正例与假正例$TP$ 是模型预测正确的结果，比如正确标注出的“张三”；$FP$ 是模型预测了但实际不存在的结果，相当于多填了一个错误栏目。
    TP,FPTP, FP
  2. 精确率$P = \dfrac{TP}{TP + FP}$ 衡量“填得有多准”——预测为正的样本中，真正正确的比例。
    P=TPTP+FPP = \frac{TP}{TP + FP}
  3. 召回率$R = \dfrac{TP}{TP + FN}$ 衡量“找得有多全”——所有真实标签中，被模型找到的比例，$FN$ 是漏掉的结果。
    R=TPTP+FNR = \frac{TP}{TP + FN}
  4. F1综合打分$\text{F1} = \dfrac{2\,P\,R}{P + R}$ 是精确率和召回率的调和平均，只有当两者都高时F1才高，这就是老师傅最终打的综合分。
    F1=2 P RP+R\text{F1} = \frac{2\,P\,R}{P + R}

典型方法：三种档案员的工作风格

面对同一堆文书，不同的档案员有不同的干法。

第一种是规则派：把所有整理规则写成“如果……就……”的工作手册。比如“看到'元'前面的数字就填入金额”。这种方法简单、可解释，但遇到表述灵活的真实文书就四处漏风。

第二种是序列标注派：把文书按字切好，逐个打上BIO标签——B表示实体首字，I表示实体内部字，O表示非实体。然后用BERT等预训练模型学习上下文，让模型给每个字打分。这是CAIL2022的主流方法。

第三种是阅读理解派：把要素抽取当作“问答”来处理，比如问“被告是谁？”，让模型在文书中圈出答案。这种方法更灵活，还能顺带处理长文本。无论哪种风格，序列标注模型的本质都是学习一个逐字标注的条件概率分布。

三种档案员风格各有利弊：规则派稳但死板，序列标注派准但依赖算力，阅读理解派灵活但难调。真正的高手，往往把三种风格组合起来使用。

P(y∣x)=∏i=1nP(yi∣x1,…,xn)P(y \mid \mathbf{x}) = \prod_{i=1}^{n} P(y_i \mid \mathbf{x}_1, \ldots, \mathbf{x}_n)
  1. 输入序列$\mathbf{x}_1, \ldots, \mathbf{x}_n$ 是一份文书切分后的字/词序列，相当于递给档案员的原文。
    x1,…,xn\mathbf{x}_1, \ldots, \mathbf{x}_n
  2. 标签序列$y = (y_1, \ldots, y_n)$ 是每个字对应的BIO标签序列，例如“张→B”“三→I”。
    yy
  3. 逐字条件概率整体概率拆解成每个字在全文条件下的标注概率，模型逐个字决定打什么标签。
    ∏i=1nP(yi∣x1,…,xn)\prod_{i=1}^{n} P(y_i \mid \mathbf{x}_1, \ldots, \mathbf{x}_n)

挑战与难点：档案室的混乱现场

理想的档案卡片好填，真实的档案室却一团糟。

第一难是长文档。一份判决书动辄上千字，而BERT类模型一次最多读512个token。读不完，就像档案员只看了前三页就下结论，漏掉关键信息在所难免。第二难是嵌套实体——“某某公司诉某某公司买卖合同纠纷”里，“买卖合同纠纷”内部还包含“合同”这个实体，一层套一层，普通标注方式难以招架。第三难是数据不均衡：某些案由出现频率极高，而冷门要素样本寥寥无几，模型容易“偏科”。

一个常见的缓解思路是对长文档切片后分别抽取，再按置信度合并答案——有点像把所有卷子分给多个档案员，再综合他们的意见。

面对复杂的真实文书，AI不能只靠蛮力，还要学会“拆解”和“合并”。这也是为什么处理长文书、嵌套结构和数据不均衡，始终是CAIL评测中拉开分差的关键环节。

s^=arg⁡max⁡s1∣s∣∑i∈sconfi\hat{s} = \arg\max_{s} \frac{1}{|s|} \sum_{i \in s} \text{conf}_i
  1. 候选片段$s$ 是文书中的一个候选文本片段，例如一处可能是金额的描述。
    ss
  2. 平均置信度$\dfrac{1}{|s|} \sum_{i \in s} \text{conf}_i$ 把片段内每个字的模型置信度求平均，得到该片段的综合得分。
    1∣s∣∑i∈sconfi\frac{1}{|s|} \sum_{i \in s} \text{conf}_i
  3. 择优选取$\arg\max_{s}$ 表示在所有候选片段中选择得分最高者，作为最终抽取结果。
    s^=arg⁡max⁡s\hat{s} = \arg\max_{s}

应用落地：档案卡片的黄金价值

花这么大力气整理档案，当然不是为了好看。当所有散乱文书变成标准卡片后，下游应用就活了。

合同审查辅助：把合同条款按“当事人、金额、违约责任”结构化，系统可以自动核对关键要件有没有缺失，并标注风险条款。案例检索优化：传统全文检索搜“民间借贷纠纷”时常返回一堆无关案件；结构化后，系统可以直接组合“案由=民间借贷 且 标的额>100万”等条件，像查数据库一样精准。司法数据治理：法院、律所的存量文书积累了几十年，结构化之后才能做统计分析、法官画像、类案推荐。

从技术上讲，检索增强就可以构建在结构化字段之上。查询和文档不再是两堆散装文本硬碰硬，而是各自先整理成“向量档案”，再计算相似度。

档案卡片的价值不在卡片本身，而在它让机器第一次真正“读懂”了法律文本。合同审查、案例检索、司法数据治理——这些场景都在享受档案管理员辛勤工作的红利。

sim(q,d)=cos⁡(Emb(q), Emb(d))\text{sim}(q, d) = \cos\big(\mathbf{Emb}(q),\ \mathbf{Emb}(d)\big)
  1. 查询向量$\mathbf{Emb}(q)$ 将检索词 $q$（如“买卖合同纠纷”）编码成稠密向量。
    Emb(q)\mathbf{Emb}(q)
  2. 文档向量$\mathbf{Emb}(d)$ 将候选文书 $d$ 编码成向量，结构化字段也可以参与编码，让检索更精确。
    Emb(d)\mathbf{Emb}(d)
  3. 余弦相似度$\cos(\cdot, \cdot)$ 计算两个向量的夹角余弦值，值越高说明查询与文书越相关。
    cos⁡(Emb(q), Emb(d))\cos\big(\mathbf{Emb}(q),\ \mathbf{Emb}(d)\big)

优化策略：打造更优秀的档案员

档案员不是天生的，好成绩是练出来的。CAIL2022榜单上的高分方案，几乎都做了三件事。

第一是模型微调：在通用中文预训练模型的基础上，用海量法律语料继续训练，让模型“懂行话”。第二是数据增强：通过同义词替换、句式变换等手段制造更多练习样本，缓解样本不足和不均衡。第三是集成学习：把规则派、序列标注派、阅读理解派模型的结果放在一起投票——三个臭皮匠顶个诸葛亮。

投票集成的思想朴素而有效：单个模型可能看走眼，但多个模型同时看走眼并选同一个错误答案的概率要低得多。

训练、加练、开小组会——AI的成长路径和人类档案员惊人的相似。理解了这一点，你就理解了CAIL2022高分系统的全部秘密：扎实的数据、微调的模型、以及一点团队协作的智慧。

y^=arg⁡max⁡y∑m=1M1{y^m=y}\hat{y} = \arg\max_{y} \sum_{m=1}^{M} \mathbb{1}\{\hat{y}_m = y\}
  1. 模型预测$\hat{y}_m$ 是第 $m$ 个模型的预测标签，比如“案由=买卖合同纠纷”。
    y^m\hat{y}_m
  2. 投票计数$\sum_{m=1}^{M} \mathbb{1}\{\hat{y}_m = y\}$ 统计所有模型中有多少个投票给了候选标签 $y$。
    ∑m=1M1{y^m=y}\sum_{m=1}^{M} \mathbb{1}\{\hat{y}_m = y\}
  3. 多数取胜$\arg\max_y$ 选出得票最多的标签作为最终输出。
    y^=arg⁡max⁡y\hat{y} = \arg\max_{y}

AI 应用场景

智能合同审查：让法务从逐字阅读中解放

阶段：信息抽取与文书结构化

解决的问题：传统法务审合同需要逐条阅读，一份几十页的合同要花数小时，且容易漏看隐藏在长句中的关键条款。利用CAIL2022同款结构化技术，系统可自动抽取当事人、标的额、付款期限、违约责任等要素，秒级生成结构化摘要，并对缺失条款和异常表述给出风险预警。

具体案例：某企业法务上传一份50页的采购合同，系统自动抽出甲乙双方、付款期限、违约金比例，生成一张“档案卡片”，并标红缺失的“争议解决条款”。法务只需看卡片和标红处，5分钟即可完成初审。

类案检索系统：从关键词搜索升级为字段查询

阶段：要素抽取 + 语义检索

解决的问题：传统案例检索依赖全文关键词匹配，检索“民间借贷纠纷”时返回大量无关案件，律师需要人工翻看筛选。将判决书结构化后，系统支持按案由、标的额、审理法院、裁判年份等字段组合过滤，检索精度大幅提升。

具体案例：律师想找“本省近三年标的额50万元以上的买卖合同败诉案例”，系统从100万份判决书中筛出327份符合条件的案例，并自动生成要素对比表，律师据此快速定位有利判例。

司法数据治理：让历史文书变成可分析的资产

阶段：批量文书结构化 + 统计分析

解决的问题：法院和律所积压了几十年的历史裁判文书，全是非结构化文本，无法进行定量分析和决策支持。通过批量结构化流水线，把海量文书转化为结构化数据库，支撑审判态势分析、法官画像、类案统计等数据应用。

具体案例：某省高院将200万份历史裁判文书批量结构化，按案由、地域、年份三维统计，形成年度审判态势白皮书，辅助司法资源调配。

Python 演示

python88 行
# -*- coding: utf-8 -*-"""规则版法律文书要素抽取器：档案管理员的小工具箱"""import re  CASE_TYPES = {    "合同": "买卖合同纠纷",    "借贷": "民间借贷纠纷",    "离婚": "离婚纠纷",    "侵权": "侵权责任纠纷",}  def extract_amount(text):    """抽取判决金额（单位统一折算为元）"""    m = re.search(r"(\d+(?:\.\d+)?)\s*万元", text)    if m:        return float(m.group(1)) * 10000    m = re.search(r"(\d+(?:\.\d+)?)\s*元", text)    return float(m.group(1)) if m else None  def extract_parties(text):    """抽取原告与被告姓名"""    parties = {"原告": None, "被告": None}    m = re.search(r"原告([^\s，。]+)", text)    if m:        parties["原告"] = m.group(1)    m = re.search(r"被告([^\s，。]+)", text)    if m:        parties["被告"] = m.group(1)    return parties  def extract_case_type(text):    """抽取案由"""    for key in CASE_TYPES:        if key in text:            return CASE_TYPES[key]    return None  def structure_document(text):    """把一份判决书整理成档案卡片"""    parties = extract_parties(text)    return {        "原告": parties["原告"],        "被告": parties["被告"],        "案由": extract_case_type(text),        "标的额": extract_amount(text),    }  def evaluate(preds, golds):    """用CAIL同款逻辑计算精确率、召回率与F1"""    tp = fp = fn = 0    for fields, truth in zip(preds, golds):        for key in truth:            if truth[key] is None:                continue            if fields.get(key) == truth[key]:                tp += 1            else:                fp += 1                fn += 1    p = tp / (tp + fp) if tp + fp else 0.0    r = tp / (tp + fn) if tp + fn else 0.0    f1 = 2 * p * r / (p + r) if p + r else 0.0    return p, r, f1  if __name__ == "__main__":    docs = [        "原告张三与被告李四因买卖合同纠纷诉至法院，判令支付货款50000元。",        "原告王五起诉民间借贷纠纷，请求判令被告归还本金10万元。",        "原告诉称侵权责任纠纷，要求赔偿损失20000元。",    ]    golds = [        {"原告": "张三", "被告": "李四", "案由": "买卖合同纠纷", "标的额": 50000.0},        {"原告": "王五", "被告": None, "案由": "民间借贷纠纷", "标的额": 100000.0},        {"原告": None, "被告": None, "案由": "侵权责任纠纷", "标的额": 20000.0},    ]    preds = [structure_document(d) for d in docs]    print("预测结果：")    for doc, pred in zip(docs, preds):        print(doc[:15] + "... ->", pred)    p, r, f1 = evaluate(preds, golds)    print("精确率=%.2f  召回率=%.2f  F1=%.2f" % (p, r, f1))
目的：用规则方式实现一个极简版“档案管理员”，从模拟判决书中抽取当事人、案由、标的额，并用F1分数评估抽取效果，帮助你理解CAIL2022评测的打分逻辑。
  1. struct = re.search(r"(\d+(?:\.\d+)?)\s*万元", text)用正则先找“万元”金额，再找“元”金额，模拟规则派档案员的查表手法。
  2. parties = {"原告": None, "被告": None}先初始化档案卡片的两个栏目，再逐项填充。
  3. m = re.search(r"原告([^\s，。]+)", text)用正则抓取“原告”后面的姓名，相当于档案员按固定句式定位信息。
  4. if fields.get(key) == truth[key]逐字段比对预测值与标准答案，统计TP/FP/FN，这是F1计算的核心循环。
  5. f1 = 2 * p * r / (p + r)用调和平均综合精确率和召回率，和CAIL官方打分方式一致。

常见误区

误区法律文书结构化不就是把文书里出现过的词抽出来吗？看到“张三”就填当事人，看到“五万”就填金额，用正则就够了。

正解结构化产出的是“标准化语义字段”，需要理解角色和上下文。比如同一句话里的“张三”，既要判断他是原告还是被告，还要判断“五万元”是合同价款还是违约金。纯关键词匹配会把角色搞混、把金额填错格，这在真实判决书的复杂句式中尤其致命。

为何常见：初学者看到结构化输出是一张“字段—值”表格，容易误以为是字符串查找的产物，忽略了背后的语义判断和角色推理。

误区评测榜单排的是F1，那我把F1刷高就万事大吉，不用管精确率和召回率分别多少。

正解F1是两者的调和平均，但业务场景对二者的容忍度不同。合同审查中，漏掉一个“违约责任”条款（召回率低）可能让客户蒙受巨大损失；而多标一个无关字段（精确率低）最多增加人工复核量。实际产品必须根据业务代价调整阈值，而不是盲目追F1。

为何常见：比赛只报一个F1数字，容易让人误以为它是“唯一真理”，忽略了P和R之间的内在张力。

误区BERT只能读512个token，那把判决书从开头截断512个字送给模型不就行了？反正大部分信息在前面。

正解判决书的核心信息（金额、判决结果）往往分布在后半部分，随机截断可能恰好切掉最关键的字段。正确做法是滑动窗口分段抽取、按句子分层编码，或使用支持长文本的模型（如Longformer），最后再合并各段结果。

为何常见：这看起来只是一个工程处理细节，实际上信息分布不均，先入为主的“开头最重要”直觉在司法文书中并不成立。

误区现在都是深度学习的天下，CAIL2022高分肯定全靠BERT，传统规则方法已经被淘汰了。

正解在CAIL2022的实践中，规则后处理、正则表达式和词典匹配依然是高效手段——尤其对金额、日期、身份证号这类格式规律的要素，规则又快又稳。高分方案通常是“深度学习抽取 + 规则校验修正”的组合，而不是单一方法包打天下。

为何常见：公开报道总爱宣传“XX模型刷新纪录”，让人误以为深度模型碾压一切，忽略了工程落地上规则方法的不可替代性。

面试题

Q1. CAIL2022法律文书结构化任务的核心目标是？

单选题 · easy

  • A.把判决书翻译成白话文章
  • B.从文书中提取标准化信息字段← 正确答案
  • C.判断文书的真伪和实际效力
  • D.自动生成一份全新的判决书

答案：B。CAIL2022法律文书结构化聚焦“非结构化文本 → 标准字段”的转换，相当于档案管理员把散乱文书整理成档案卡片。A是翻译任务，C是文书真实性校验，D是文本生成，都不是结构化的核心目标。

Q2. F1分数是精确率与召回率的什么关系？

单选题 · easy

  • A.精确率与召回率的算术平均
  • B.精确率与召回率的调和平均← 正确答案
  • C.精确率与召回率的简单乘积
  • D.召回率数值的两倍关系

答案：B。F1定义为 $2PR/(P+R)$，是两个指标的调和平均。调和平均对较低值更敏感，因此只有精确率和召回率同时高时F1才高。算术平均（A）和简单乘积（C）都不是F1的定义。

Q3. 评测指标中“召回率”衡量的是？

单选题 · easy

  • A.预测正确占全部预测的比例
  • B.预测正确占真实要素的比例← 正确答案
  • C.文书被正确分类的百分比数
  • D.模型处理文档的速度快慢值

答案：B。召回率 $R=TP/(TP+FN)$ 分母是真实存在的要素总数，衡量“该找的找到了多少”。A描述的是精确率；C和D分别描述分类正确率和速度，与召回率无关。

Q4. 下列哪项不属于CAIL2022法律文书结构化常见的抽取要素？

单选题 · mid

  • A.文书中的当事人姓名信息
  • B.作出判决的审判法院
  • C.纠纷对应的法律案由
  • D.判决书所用纸张的尺寸← 正确答案

答案：D。法律文书结构化关心的是“语义字段”：当事人、案由、标的额、裁判日期、审判法院等，这些字段能支撑下游检索和统计分析。纸张尺寸属于物理属性，对法律语义理解无意义，不属于结构化要素。

Q5. 序列标注模型中"BIO"标注标签的作用是？

单选题 · mid

  • A.标记文档段落间的边界信息
  • B.标注实体起始词与内部词← 正确答案
  • C.表示文档正负情感倾向程度
  • D.统计模型训练的迭代轮次数

答案：B。BIO体系是序列标注中标记实体的标准方式：B表示实体首字（Begin），I表示实体内部字（Inside），O表示非实体（Outside）。例如“张三”标注为“张→B，三→I”。它不负责段落边界（A）、情感（C）或训练计数（D）。

Q6. 阅读理解式抽取相比序列标注的一个优势是？

单选题 · mid

  • A.完全不需要任何训练数据
  • B.可通过问题引导定位特定要素← 正确答案
  • C.完全无法处理嵌套实体情况
  • D.推理速度有大幅度的提升

答案：B。阅读理解式抽取把“抽取要素”变成“回答问题”，例如问“本案被告是谁？”，模型在文书中定位答案。问题本身提供了强引导，使抽取更灵活。它仍需要训练数据（A错），并非不能处理嵌套（C错），速度也不一定更快（D错）。

Q7. 法律文书结构化任务面临的主要挑战包括？

多选题 · mid

  • A.长文档超出模型的输入长度上限← 正确答案
  • B.嵌套实体导致标签体系的困难← 正确答案
  • C.数据类别存在严重的不均衡分布← 正确答案
  • D.文书文本无法转换成电子格式

答案：ABC。长文档超出BERT等模型的512 token上限、嵌套实体（如“买卖合同纠纷”内含“合同”）、案由类别不均衡都是CAIL2022的真实难点。而判决书已经是电子文本，不存在无法转换的问题，D错误。

Q8. 某要素抽取结果中 TP=80、FP=20、FN=10，则该要素的 F1 值约为？

单选题 · hard

  • A.0.80
  • B.0.84← 正确答案
  • C.0.89
  • D.0.94

答案：B。精确率 $P=80/(80+20)=0.8$，召回率 $R=80/(80+10)\approx0.889$，则 $\text{F1}=2\times0.8\times0.889/(0.8+0.889)\approx0.842$，最接近0.84。A是精确率本身；C和D分别是只算错一个方向的偏差结果。

Q9. 针对CAIL长文书的优化策略有哪些？

多选题 · hard

  • A.滑动窗口切分并合并结果← 正确答案
  • B.采用长文本模型完成编码← 正确答案
  • C.随机截断文书的后半部分
  • D.使用分层编码的策略处理← 正确答案

答案：ABD。滑动窗口切分后合并、采用Longformer等长文本模型、分层编码（先句子后段落）都是针对长文档的有效策略。C随机截断会丢失关键判决信息，是常见错误做法。

Q10. 关于CAIL2022法律文书结构化的描述，正确的有？

多选题 · hard

  • A.评测数据来自真实司法场景← 正确答案
  • B.结构化结果可辅助案例检索← 正确答案
  • C.规则方法在评测中完全失效
  • D.生成式方法可端到端输出结果← 正确答案

答案：ABD。CAIL2022数据来自真实裁判文书（A对），结构化字段可直接用于案件检索的字段过滤（B对），生成式方法（如基于大模型的端到端抽取）是可选方案之一（D对）。规则方法在金额、日期等要素上依然有效，说“完全失效”过于绝对（C错）。