Acceso usuarios
La recuperación densa de casos jurídicos en español requiere un conjunto de datos estructurado para entrenar modelos bi-encoder. Sin embargo, la mayoría de los recursos jurídicos en español se han diseñado para clasificación o extracción de entidades y no proporcionan datos de entrenamiento orientados a recuperación densa. En este trabajo presentamos TripLegal-CL, un corpus multijurisdiccional de 592.382 instancias contrastivas estructurado para aprendizaje contrastivo, generado a partir de 148.637 documentos jurídicos públicos mediante un modelo LLM.
Sobre esta base, para comprobar la utilidad del recurso, ajustamos modelos multilingües bi-encoder mediante aprendizaje contrastivo a partir del corpus generado y los comparamos con sus versiones de línea base. Los modelos ajustados obtuvieron mejoras de hasta +18,2 puntos porcentuales en Acc@1 y +15,3 puntos porcentuales en MAP@100. Estos resultados confirman que el corpus resulta eficaz como datos de entrenamiento para el ajuste fino contrastivo de recuperadores densos en el dominio legal.
Dense legal case retrieval in Spanish requires a structured dataset to train bi-encoder models. However, most existing Spanish legal resources have been designed for classification or entity extraction tasks and do not provide training data tailored to dense retrieval. In this work, we present TripLegal-CL, a multi-jurisdictional corpus of 592,382 contrastive instances structured for contrastive learning, automatically generated from 148,637 publicly available legal documents using an LLM. On this basis, to assess the usefulness of the resource, we fine-tune multilingual bi-encoder models through contrastive learning using the generated data and compare them with their baseline versions. The fine-tuned models achieve improvements of up to +18.2 percentage points in Acc@1 and +15.3 percentage points in MAP@100. These results confirm that the corpus provides effective training data for the contrastive fine-tuning of dense retrievers in the legal domain.
