Rilevamento Inganni Legali: Benchmarking di Modelli NLP contro lo Stato dell'Arte nel Dominio Generale

Un recente preprint su arXiv (2607.29066) offre un'ampia rassegna e uno studio comparativo del Rilevamento Automatico dell'Inganno (ADD) basato su NLP, in particolare nel settore legale. La ricerca traccia la transizione dal machine learning basato su caratteristiche alle metodologie basate su Large Language Model (LLM) e svolge una valutazione empirica consolidata su sette dataset—due del campo legale e cinque di domini generali. L'analisi confronta sei modelli transformer fine-tuned insieme a sette LLM utilizzando quattro tecniche di prompting. I risultati rivelano una significativa sensibilità al dominio: i modelli fine-tuned performano meglio nei domini generali ricchi di dati, mentre gli LLM few-shot sono efficaci nei contesti legali con scarse risorse. È importante notare che il prompting Chain-of-Thought spesso fallisce rispetto alla classificazione diretta. Questi risultati evidenziano la necessità di strategie specifiche per dominio nel rilevamento dell'inganno, che è vitale per i contesti legali, le forze dell'ordine e la sicurezza online. Lo studio è scritto da un team di ricercatori ed è accessibile su arXiv.