面向劳动仲裁争议焦点识别的可解释树状提示推理方法
来源：计算机工程与应用杂志2026年第15期北京时间：
作者：许墨晗, 奚雪峰, 崔志明
单位：1.苏州科技大学 电子与信息工程学院，江苏 苏州 215000；2.苏州市虚拟现实智能交互及应用技术重点实验室，江苏 苏州 215000；3.苏州智慧城市研究院，江苏 苏州 215000；
摘要：大语言模型在法律文本理解与推理任务中取得了显著进展，但在处理长篇庭审笔录时，模型需要同时记忆并处理大量证据信息与法律条文，会出现信息碎片化和认知过载问题。针对以上问题，提出了PromptTree方法，该方法先引导模型生成“中间争议命题”，再构建事实分支判断是否存在关键事实分歧；若事实无分歧，则进入法律分支判断相关法条的适用，最终输出结构化的争议焦点及完整推理路径。与标准Prompt和CoT方法相比，PromptTree在Zero-Shot设置下的准确率达到72.4%、F1为71.5%，可解释性评分4.5/5，显著提升了对长篇庭审文本的聚焦能力和推理透明度。消融实验与案例分析进一步验证了“中间争议命题生成”与“按事实先后，法律判断”的双分支流程对性能与可解释性的关键作用，为无需微调的大语言模型法律推理提供了新思路。
关键词：大语言模型,提示工程,结构化推理,可解释性
基金资助：国家自然科学基金（62176175）；江苏省“六大人才高峰”高层次人才项目（XYDXX-086）；苏州市水利水务科技项目（2023008）。
