ルール学習：法律事例検索のための自己進化型エージェント
研究者らは、パラメータ学習なしでBM25の法律事例検索性能を向上させるため、LLMベースのエージェントが自動的にクエリ書き換えルールを生成する自己進化型フレームワークを提案。中国語ベンチマークLeCaRD-v2での評価では、人間設計ルールや貪欲選択などのベースラインを上回った。
法律事例検索は、法律用語の複雑さやクエリと関連事例間の正確な語彙一致の必要性から、依然として困難な課題です。高密度検索モデルが顕著な進歩を遂げている一方で、実証研究ではBM25がこの領域で強力なベースラインであり続けていることが示されています。この知見に基づき、本研究では、パラメータ学習を一切行わずにBM25を強化する、ルール駆動型クエリ書き換えのための自己進化型フレームワーク（Self-Evolving Framework）を提案します。
本フレームワークは、大規模言語モデル（LLM）ベースのエージェントに自動評価環境を提供し、以下の反復プロセスを可能にします：書き換えルールの作成、ルール組み合わせの検証実験の計画、過去のフィードバックに基づく非効率ルールの除去。これにより、エージェントは自らの実験経験から学習し、ルールセットを継続的に改善できます。
提案手法は、中国語法律事例検索ベンチマークLeCaRD-v2で評価されました。実験結果は、特に高性能LLM（例：GPT-4等）を中核とする場合、人間設計ルールや貪欲ルール選択などの非進化的ベースラインを上回ることを示しています。
さらに、自己進化のメカニズムを解明するための詳細な分析も実施しました。その結果、LLMが以前の実験結果を活用する能力と、ルール除去に関する内在的な知識が、自己進化によるルールセットの洗練に重要な役割を果たしていることが明らかになりました。この発見は、LLMを用いた自動知識発見の新たな可能性を示唆しています。
本論文はACL 2026に採録されており、研究コミュニティでのさらなる探求と拡張のために、関連コードとデータセットが公開される予定です。