.png){kind=icon}
返回
Traffic accident liability determination using large language models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.tranpol.2026.104308.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通事故责任认定在交通安全管理中发挥着关键作用。然而，现有方法主要依赖主观判断，导致效率、可扩展性和一致性有限。本文提出了一种基于大语言模型（LLMs）的自动化、可解释的交通事故责任认定框架。该模型采用低秩适配（LoRA）在30,379个真实事故案例上进行轻量化微调，并借助检索增强生成（RAG）和提示工程进行增强。通过动态整合法律法规和相似案例，该框架能直接从事故文本描述中执行因素提取、行为分析、责任推理和最终责任分配。实验在DeepSeek-R1、Qwen3和GPT-oss等多个不同参数规模（7B、14B、20B和32B）的主流LLMs上进行。微调后的DeepSeek-R1-32B模型表现最佳，全责与无责区分准确率达94.8%，主责与次责区分准确率达93.5%，同等责任区分准确率达91.5%，优于基线模型。性能分析表明，所提模型在责任推理和结果生成中均展现出强逻辑一致性、领域理解和可解释性。此外，本研究提出了一种事故案例数据过滤标准，以构建更高质量的微调数据集。实证结果证明，使用过滤后的数据集训练可显著提升不同责任类型下的认定准确度和输出一致性。总体而言，所提模型在流程自动化、准确性、可解释性和实用性方面具有明显优势，为智能交通事故责任认定提供了一种高效可行的方法。
Keyword:
Large language model (LLM)
Traffic accident liability determination
LoRA fine-tuning
Retrieval-augmented generation (RAG)
