西班牙法律文档秒变"人话"：西班牙国立远程教育大学和挪威国家图书馆联手破解法律条文的"天书"难题

法律文档就像是古老的密码本，普通人看到那些繁复的条文，往往只能感叹"不知所云"。而在西班牙，这个问题尤其突出——每天都有大量法律公告发布在国家官方公报上，但这些文件对普通民众来说简直是天书。不过，由西班牙国立远程教育大学的安德烈斯·费尔南德斯·加西亚和挪威国家图书馆的哈维尔·德拉罗萨共同领导的研究团队，在2025年9月发表了一项突破性研究，创建了一个名为BOE-XSUM的数据集，专门用于将复杂的法律文档转换成普通人能理解的简洁摘要。

这项研究发表在arXiv平台上，论文编号为2509.24908v1，感兴趣的读者可以通过这个编号查询完整论文。研究团队包括来自西班牙国立远程教育大学的胡里奥·冈萨洛、罗瑟·莫兰特、恩里克·阿米戈等多位学者，以及挪威国家图书馆的研究人员。

这个研究的核心就像是为法律文档配备了一个"同声传译"，能把那些动辄几千字的官方公告压缩成不到20个词的清晰摘要。研究团队收集了3648个来自西班牙国家官方公报（BOE）的文档，每个都配有专业记者撰写的极简摘要。这些摘要的平均长度只有17个词，但却能准确传达原文的核心信息，压缩率达到惊人的0.005%。

为了验证这种"翻译"效果，研究团队测试了多种人工智能模型。结果显示，经过专门训练的模型表现远超那些通用的大型语言模型。其中表现最佳的BERTIN GPT-J 6B模型准确率达到41.6%，比最好的零样本模型DeepSeek-R1的33.5%高出整整24%。这就好比一个专门学习法律翻译的学生，在考试中的表现明显优于那些临时抱佛脚的通才学生。

一、数据的来源：从记者的推特到学术宝库

整个研究的起点颇具戏剧性。研究团队的数据来源是一位名叫埃娃·贝尔蒙特的西班牙记者，她每天都会阅读国家官方公报，挑选出最具社会意义的条目，然后在社交媒体上发布简洁的摘要。这位记者就像是法律世界的"翻译官"，用普通人能理解的语言解释那些艰深的法律条文。

贝尔蒙特是西民基金会的联合主任，这是一个致力于通过数据新闻监督公共机构的独立非营利组织。她的工作内容涵盖新闻报道、公共倡导和为公共管理部门提供透明度服务。在2024年西班牙发生洪灾时，她的这些摘要就帮助民众了解中央和地方政府如何管理公共资源来缓解灾害影响。

研究团队最初收集了超过4500条社交媒体帖子，但经过严格筛选，剔除了那些缺乏直接链接到BOE文章、与BOE内容不明确相关或过于主观的帖子后，最终得到了3648个高质量的条目。每个条目都包含原始帖子、编辑后的摘要以及相应的文档类型标签。

为了确保数据质量，研究团队开发了一个专门的可视化工具，对数据进行逐一验证。他们核实了BOE文本与相关摘要的对应关系，发现任何不一致的地方就进行必要的修正，确保摘要准确反映原始文档的信息。这个过程就像是为每一对"翻译"做质量检查，确保没有误译或遗漏。

通过相似度分析，研究团队发现约三分之一的数据集（1154个帖子）的相似度超过90%，而大约160个帖子的相似度低于10%。这种差异反映了编辑干预的范围——从细微调整到完全重写——以确保摘要不仅提供一致的观点，而且忠实地代表原始BOE内容。

二、数据的精雕细琢：从粗糙石料到璀璨宝石

就像雕塑家需要将粗糙的石头雕琢成艺术品一样，研究团队对收集到的数据进行了精细的加工处理。首先，他们需要区分社交媒体帖子中的不同类型链接。有些链接指向记者自己网站上的详细文章，有些则直接指向BOE官方文档。对于那些PDF格式的BOE文档，研究团队开发了转换流程，将其下载为纯文本格式，并保留BOE文章中原本使用的标识符。

数据处理过程中最关键的环节是人工审核。研究团队开发了一个专门的编辑服务器，这个工具就像是数据处理的"工作台"，具备多项功能。它能显示当前处理的帖子编号，便于导航和参考，还能显示数据项在新数据库中的状态，区分已注册和未注册的状态。工具还提供了前进和后退按钮，让用户可以在数据集中无缝切换。

更重要的是，这个工具包含了埃娃·贝尔蒙特撰写的原始帖子，提供了指向初始数据点的直接链接。同时，它还展示BOE文档的纯文本版本，这对内容验证和分析至关重要。工具还有一个验证复选框，用于确认BOE纯文本的准确性，解决了文档链接错误的罕见情况。尽管这种错误很少发生，但所有受影响的条目都已从数据集中排除。

为了进一步提升数据质量，研究团队还设计了一个自动化清理编辑器，专门用于提高数据的整洁度和可用性。工具显示BOE文档的标识符，让用户能够验证相关帖子的相关性和准确性。每个数据项都有分类功能，便于结构化分析和检索。最后，还有一个保存按钮，确保任何修改或标签都能被保留。

在一项涉及两名30至45岁男性参与者的测试中，这些参与者都拥有大学学位，结果显示，按照指导原则编辑的摘要在200次选择中被选中189次，选择率高达94.5%，95%置信区间为[90.42%, 96.9%]，显著高于随机选择的结果。这个结果表明，经过精心编辑的摘要确实更符合人们的阅读期望。

三、数据的分门别类：为混乱世界建立秩序

面对如此庞大的数据集，如何进行有效分类就成了关键问题。研究团队采用了两个主要标准来为BOE文章分类。首先是明确提及标准：如果BOE文章中明确提到某个类别的名称，就直接分配该标签。比如，来自宪法法院的文章被标记为"宪法法院"，来自协议部分的文章被标记为"协议"。一些类别通过合并多个明确定义的类型形成，例如，与奖项和奖章相关的文章被归入"奖项和奖章"类别。

其次是基于频率的过滤标准：文章数量非常少的类别被归入名为"其他公告"的通用类别。不过有一个例外，就是"西班牙银行"类别，尽管包含的文章相对较少，但由于其重要性，仍然在数据集中保留。

最终，数据集包含了18个不同的类别，涵盖了从政府合同招标、人员任免、法院判决到国际协议等各个方面。其中"其他公告"类别包含1004个条目，是最大的类别，而"西班牙银行"类别只有5个条目，是最小的类别。这种分布反映了西班牙官方公报内容的真实情况。

在类别分布方面，数据集显示了明显的不平衡性。除了"其他公告"这个最大类别外，"合同招标"类别包含648个条目，"人员任免"类别有324个条目，"宪法法院"类别有311个条目。这种分布模式反映了西班牙政府日常运作的重点领域。

研究团队将数据集分为训练集、开发集和测试集，最初采用80/10/10的分布，但后来进行了调整以确保标注类别在各个分割中保持良好平衡。这种处理方式就像是在准备一道复杂的菜肴时，要确保每个部分都有适当的调料比例。

四、模型训练：教会机器"说人话"

要让机器学会将复杂的法律文档转换成普通人能理解的语言，就像训练一个翻译官一样需要大量的练习和指导。研究团队采用了两种不同的方法来测试各种模型的表现：微调训练和零样本提示。

在微调训练方面，研究团队使用BERTIN GPT-J 6B作为基础模型。这个模型就像是一个已经有一定语言基础的学生，研究团队下载了1988年到2023年的完整BOE数据，继续对这个模型进行了3个周期的预训练，创造了一个领域适应版本BOLETIN。这就好比让学生专门学习法律专业课程，增强在该领域的理解能力。

有了这两个模型后，研究团队进行了网格搜索，在各种配置下训练它们。为了建立性能基准，他们首先使用32位精度对两个模型进行完全微调。同时，他们还探索了使用低秩适应技术的参数高效微调方法。这种方法就像是在模型的注意力机制的关键组件中引入可训练的低秩矩阵，让模型能够适应新任务，同时只更新一小部分参数，大大减少了计算和内存需求。

训练过程采用了混合精度格式，包括4位、8位和16位，最多进行600步训练。由于模型架构的限制，输入序列被限制在最多2048个token。为了在这个限制内生成摘要，必须为启动摘要和模型输出预留一部分token。在训练过程中，研究团队在每篇BOE文章后添加了标记"### RESUMEN:"（"### 摘要："），然后是相应的摘要。

当文章超过token限制时，他们会截断输入以适应任务标记并为生成过程中的模型输出留出足够空间。对于特别长的文档，他们确保摘要主要涉及文章的初始部分，最大限度地减少截断可能移除生成准确摘要所需关键信息的风险。

五、零样本实验：不经训练直接上阵

除了微调训练外，研究团队还测试了各种模型在零样本设置下的表现，这就像是让学生在没有专门准备的情况下直接参加考试。他们选择了各种不同规模的开源和专有模型，包括一些多语言模型和专门针对西班牙语内容的模型，目标是分析大型和小型模型的性能表现。

在这种设置下，提示词的重要性就变得至关重要，这直接决定了生成模型回应的质量。经过一些迭代和有限的人工试验后，研究团队确定了一个显示出精确和有效生成摘要前景的提示词。

这个提示词的内容是："你是一个专家，擅长从正式语言编写的法律文档中生成日常语言的摘要。我希望你为以下文本提供15到22个词的西班牙语摘要。记住，我只希望你返回摘要，仅此而已。只返回摘要，仅返回摘要。以下是你需要摘要的文本：[BOE文档]"

这个看似简单的提示词实际上包含了多个关键要素：明确了任务性质（法律文档到日常语言的转换）、设定了具体的长度限制（15到22个词）、强调了输出格式的要求（只返回摘要本身），并且重复强调了格式要求以确保模型严格遵循。

六、评估方法：如何判断翻译的好坏

评估这些模型的表现就像是为翻译官打分一样，需要多个不同的评判标准。研究团队使用了文献中常用的四种指标：BLEU、ROUGE、METEOR和BERTScore。

BLEU评分专注于与参考文本的n-gram重叠，并包含简洁性惩罚以防止过于简短的输出。这就像是检查翻译中有多少短语与标准答案完全匹配，同时确保翻译不会为了追求高分而故意省略内容。

METEOR评分强调单词级别的精确率和召回率，通过同义词和词干匹配增加了灵活性，并对分散匹配包含惩罚。这种评分方式更加宽容，能够识别出意思相同但用词不同的表达。

ROUGE评分使用n-gram重叠和最长公共子序列来衡量质量，其变体针对不同的摘要方面进行了调整。这种方法特别适合评估摘要任务，因为它能够衡量内容覆盖度。

BERTScore利用BERT等模型的上下文嵌入，通过余弦相似度评估语义相似性，能够进行比表面词汇匹配更细致的比较。这就像是让一个真正理解语言含义的评判员来评估翻译质量，而不仅仅是逐字对比。

有趣的是，所有这些评估指标之间都显示出强烈的相关性，表明它们衡量的是生成文本质量的相关方面。ROUGE和BERTScore显示出最高的相关性（0.991），表明它们倾向于一起变化，反映出内容覆盖度和语义质量的非常相似的特征。BLEU与METEOR的相关性最低（0.872），但仍然很高，这是合理的，因为BLEU更严格（基于精确的n-gram匹配），而METEOR更灵活且面向语义。

七、实验结果：谁是最佳翻译官

经过严格的测试和比较，研究结果揭示了一些令人意外但也在情理之中的发现。在微调实验中，BERTIN GPT-J 6B模型以32位精度训练时表现最佳，在所有评估指标上都达到了最高分：BLEU得分0.109，METEOR得分0.365，ROUGE得分0.393，BERTScore达到0.416。

令人惊讶的是，专门在BOE数据上进行额外预训练的BOLETIN模型并没有显示出预期的性能提升。研究团队最初的假设是，继续预训练将帮助模型更好地掌握法律和行政文本的结构、术语和语义，从而提高其生成准确摘要的能力。虽然这种方法对需要正式或技术语言的任务可能有益，但当目标是用清晰、易懂的语言生成高度简洁的摘要时，似乎效果不佳。在领域适应过程中强化的专业化模式可能与目标风格产生了语言不匹配。

在零样本实验中，结果展现了不同的竞争格局。DeepSeek R1模型以0.335的BERTScore取得最佳成绩，紧随其后的是ChatGPT 4o，BERTScore为0.327，然后是Llama 3 70B Instruct，得分为0.285。值得注意的是，Gemma 2 9B模型的表现竟然优于参数量大得多的Llama 2 70B，这表明模型大小并不总是性能的决定因素。

特别有趣的是，排名靠前的模型ChatGPT 4o和DeepSeek R1生成的摘要平均长度分别为16.68和18.99个词，非常接近真实摘要的平均长度17个词。这种长度的匹配不是偶然的，研究发现生成摘要的平均词数与其BERTScore值之间存在强烈的负相关关系（皮尔逊相关系数r = –0.82, p < 0.001），表明随着生成摘要长度的增加，其与真实答案的BERTScore往往会显著下降。

最令人印象深刻的发现是，经过微调的小型模型（仅6B参数，2048token上下文窗口）在针对狭窄定义和语言约束任务时，竟然能够超越参数量大得多的前沿模型。这就像是一个专门学习某种特定翻译技能的学生，在这个特定领域的表现超过了那些博学但没有专门训练的通才。

八、深度分析：当机器遇到复杂现实

研究过程中，团队发现了一些有趣且具有挑战性的现象。训练期间的长度限制对摘要生成产生了负面影响，导致出现了一些不完整的摘要。比如，模型可能生成"修改1999年3月5日第369号皇家法令的皇家法令..."这样的不完整摘要，而期望的摘要应该是"1999年前已从事福音传道工作的牧师将获得退休金"。

另一个典型的问题是摘要过于详细但没有完成，如"体育高等委员会通知所有对皇家马德里就足球联盟修改规章和社会章程提出的上诉感兴趣的相关方..."，而正确的摘要应该是"皇家马德里对足球联盟的规章改革和社会章程提出上诉"。

这些问题的根源在于BOE文档往往篇幅很长且复杂。数据集中包含了各种内容，从相对简单的大使任命或官方职位指定等直接条目，到更复杂和冗长的文档，如宪法法院的决定、最高法院的裁决和各种协议。这些复杂文档的特点是篇幅庞大，经常跨越数千个词。

为了说明这些文章的复杂性和规模，研究团队展示了一个简化的例子，只包含一篇代表性文章的开头和结尾部分。这篇关于抵押贷款保护措施的皇家法令，原文有数千字，涉及复杂的法律条款和大量金融机构名单，但记者的原始摘要只有短短几个词："对抵押贷款良好做法准则的2项遵守承诺。到目前为止，效果不大。因为立法不容易，对吧？"

经过编辑的最终摘要则更加专业和信息丰富："银行遵守良好做法准则的清单，以加强对抵押债务人的保护、债务重组和社会租赁。"这个对比清楚地展示了从口语化表达到规范化摘要的转换过程。

数据集的统计数据进一步说明了这种复杂性：总计3648个BOE文本包含13,304,989个以空格分隔的词，平均每个文档3396个词，而摘要平均只有17个词，压缩率仅为0.005%。超过64%的BOE文档少于1000词，只有2.65%的文档超过25000词。

九、技术局限与未来展望：完美翻译官的成长之路

尽管取得了显著进展，但研究也暴露出当前技术的一些局限性。首先是评估指标的问题。依赖BLEU、ROUGE、METEOR和BERTScore等标准自动评估指标可能无法捕捉到清晰度、实用性或与非专业期望的一致性等基本品质。特别值得注意的是，研究发现生成摘要的长度与BERTScore之间存在强烈的负相关关系（-0.82），这表明更多信息性的摘要可能因为稍长而受到不公平的惩罚。

这引发了对这些指标是否真正与人类对"更好"摘要概念一致的担忧。虽然研究团队进行了有限的人工评估，但还需要更robust的以人为中心的验证。这就像是需要真正的客户来评判翻译质量，而不仅仅是依靠技术指标。

其次是数据来源的考虑。虽然数据集源于新闻摘要，但研究团队强调，实验中使用的所有摘要都经过仔细编辑，以消除风格特质并确保对BOE来源的忠实性。这减少了来源偏见的风险，并为模型训练和评估提供了更标准化和可泛化的输入。

研究还面临着技术挑战。对于特别长的文档，现有的启发式方法并不总是足够的，因为许多BOE文本都很长且复杂。结果，相当数量的示例可能缺乏生成准确摘要所需的关键信息。研究团队没有系统地排除或标记截断的样本，这意味着一些训练实例可能引入了噪音或不完整的上下文。

这可能部分解释了在一些生成摘要中观察到的问题，这些摘要表现得模糊或突然中断。未来的工作应该考虑整合具有更大上下文窗口的模型，或使用滑动窗口或分层编码等策略来更有效地处理长篇法律文本。

十、实际应用与社会意义：让法律真正服务民众

这项研究的意义远远超出了技术层面的突破。在信息过载的时代，普通民众面对繁复的法律文档往往感到无所适从，而这正是BOE-XSUM数据集试图解决的核心问题。通过将复杂的法律语言转换为清晰易懂的日常表达，这项技术有望大大提升法律透明度和公民参与度。

在实际应用场景中，这种技术可以帮助新闻机构快速处理大量法律公告，为读者提供及时、准确的信息摘要。政府部门也可以利用这种技术改善与公众的沟通，让重要的政策变化能够更容易被民众理解和接受。法律援助机构可以使用这种工具帮助当事人更好地理解相关法律条文，提高法律服务的可及性。

对于研究界而言，BOE-XSUM数据集填补了西班牙语自然语言处理资源的重要空白。目前，Hugging Face平台上有963个英语摘要数据集，而西班牙语只有75个，这种资源不平衡严重限制了西班牙语AI技术的发展。BOE-XSUM的发布为改善这种状况提供了重要贡献。

更重要的是，这项研究开创了一个新的研究方向：如何在保持专业准确性的同时，实现从专业领域语言到普通日常语言的自动转换。这种"语域翻译"不仅在法律领域有应用价值，在医学、科学、技术等其他专业领域同样具有巨大潜力。

研究团队计划在未来进一步扩展这个数据集，增加来自Civio网站的更长摘要，并开发能够自动分类所有日常BOE条目的模型。这样的系统一旦建成，就能够自动化地为具有广泛公共利益的BOE条目生成极简摘要并发布，真正实现法律信息的民主化传播。

说到底，这项研究的最大价值在于它为缩小专业知识与公众理解之间的鸿沟提供了技术解决方案。当法律条文不再是普通人眼中的"天书"，当政策变化能够及时、清晰地传达给每一个公民，我们的社会就能变得更加透明和民主。虽然目前的技术还不够完美，生成的摘要有时还会出现各种问题，但这个方向的探索本身就具有重要意义。

研究团队的工作表明，即使是相对较小的专门训练模型，在特定任务上也能超越那些参数量庞大的通用模型。这给我们一个重要启示：AI技术的发展不仅需要追求模型规模的扩大，更需要关注如何让技术真正解决现实世界的具体问题。当我们能够让机器理解人类的表达需求，并帮助不同群体之间建立更好的沟通桥梁时，AI技术才真正实现了其应有的价值。

Q&A

Q1：BOE-XSUM数据集是什么？它解决了什么问题？

A：BOE-XSUM是一个包含3648个西班牙法律文档极简摘要的数据集，专门用于训练AI模型将复杂的法律条文转换成普通人能理解的简洁语言。它解决了西班牙语自然语言处理资源稀缺的问题，特别是在法律文档摘要领域的空白。

Q2：经过微调的小模型真的比大型语言模型表现更好吗？

A：是的，在这个特定任务上确实如此。研究显示，经过专门训练的BERTIN GPT-J 6B模型（仅6B参数）的准确率达到41.6%，比参数量达到671B的DeepSeek R1模型的33.5%高出24%。这说明针对特定任务的专门训练比模型规模更重要。

Q3：这种法律文档摘要技术有什么实际应用价值？

A：这种技术可以帮助新闻机构快速处理法律公告、政府部门改善与公众沟通、法律援助机构提供更好服务。最重要的是，它能让普通民众更容易理解影响他们生活的法律变化，提升法律透明度和公民参与度。