$\textit{Grahak-Nyay:}$ Consumer Grievance Redressal through Large Language Models

📄 arXiv: 2507.04854v1 📥 PDF

作者: Shrey Ganatra, Swapnil Bhattacharyya, Harshvivek Kashid, Spandan Anaokar, Shruti Nair, Reshma Sekhar, Siddharth Manohar, Rahul Hemrajani, Pushpak Bhattacharyya

分类: cs.CL

发布日期: 2025-07-07

💡 一句话要点

Grahak-Nyay：利用大型语言模型解决印度消费者权益纠纷问题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 消费者权益保护 大型语言模型 检索增强生成 聊天机器人 法律AI

📋 核心要点

  1. 印度消费者权益保护面临程序复杂、法律术语晦涩和管辖权挑战等问题，阻碍了消费者有效维权。
  2. Grahak-Nyay利用开源LLM和RAG技术，构建一个聊天机器人，通过简化法律知识和提供相关判例，辅助消费者解决纠纷。
  3. 论文构建了多个QA数据集和对话数据集，并提出HAB指标评估聊天机器人性能，法律专家验证了系统的有效性。

📝 摘要（中文）

本文提出Grahak-Nyay（消费者正义），一个利用开源大型语言模型（LLM）和检索增强生成（RAG）的聊天机器人，旨在简化印度消费者权益纠纷处理流程，解决程序复杂、法律术语晦涩和管辖权挑战等问题。Grahak-Nyay通过简洁且最新的知识库简化法律复杂性。论文贡献了三个新的数据集：GeneralQA（通用消费者法）、SectoralQA（特定行业知识）和SyntheticQA（用于RAG评估），以及包含300个带注释的聊天机器人对话的NyayChat数据集。此外，还引入了来自印度消费者法院的Judgments数据，以辅助聊天机器人进行决策并增强用户信任。论文还提出了HAB指标（Helpfulness, Accuracy, Brevity，即有用性、准确性和简洁性）来评估聊天机器人的性能。法律领域专家验证了Grahak-Nyay的有效性。代码和数据集将会开源。

🔬 方法详解

问题定义：印度消费者权益纠纷处理流程复杂，法律术语晦涩难懂，消费者难以有效维护自身权益。现有方法缺乏针对性和易用性，无法有效解决消费者面临的实际问题。

核心思路：利用大型语言模型（LLM）的理解和生成能力，结合检索增强生成（RAG）技术，构建一个智能聊天机器人，为消费者提供简洁、准确、易懂的法律咨询和纠纷解决建议。通过检索相关法律条文和判例，为LLM提供外部知识，提高回答的准确性和可靠性。

技术框架：Grahak-Nyay系统主要包含以下模块：1) 知识库构建模块，收集和整理消费者法律相关知识，包括法律条文、行业法规、判例等；2) RAG模块，根据用户提问，从知识库中检索相关信息，并将其作为上下文输入LLM；3) LLM生成模块，利用LLM生成简洁、准确、易懂的回答；4) 用户交互模块，提供友好的用户界面，方便用户提问和获取答案。

关键创新：1) 构建了多个高质量的QA数据集和对话数据集，用于训练和评估聊天机器人；2) 提出了HAB指标，用于综合评估聊天机器人的有用性、准确性和简洁性；3) 引入了印度消费者法院的判例数据，增强了聊天机器人的决策能力和用户信任度。

关键设计：论文使用了开源LLM作为基础模型，并针对消费者法律领域进行了微调。RAG模块使用了基于向量相似度的检索方法，选择与用户提问最相关的知识片段。HAB指标的计算方法未知，论文未提供具体细节。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文构建了三个新的QA数据集（GeneralQA, SectoralQA, SyntheticQA）和一个对话数据集（NyayChat），为该领域的研究提供了宝贵资源。提出的HAB指标为评估聊天机器人在法律领域的性能提供了一种新的方法。法律领域专家验证了Grahak-Nyay的有效性，但具体的性能数据和提升幅度未知。

🎯 应用场景

Grahak-Nyay可应用于在线法律咨询、消费者权益保护热线、政府监管部门等场景，帮助消费者快速了解相关法律知识，解决纠纷，提高维权效率。该研究有助于推动法律服务的普及化和智能化，促进社会公平正义，并为其他领域的法律AI应用提供借鉴。

📄 摘要（原文）

Access to consumer grievance redressal in India is often hindered by procedural complexity, legal jargon, and jurisdictional challenges. To address this, we present $\textbf{Grahak-Nyay}$ (Justice-to-Consumers), a chatbot that streamlines the process using open-source Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG). Grahak-Nyay simplifies legal complexities through a concise and up-to-date knowledge base. We introduce three novel datasets: $\textit{GeneralQA}$ (general consumer law), $\textit{SectoralQA}$ (sector-specific knowledge) and $\textit{SyntheticQA}$ (for RAG evaluation), along with $\textit{NyayChat}$, a dataset of 300 annotated chatbot conversations. We also introduce $\textit{Judgments}$ data sourced from Indian Consumer Courts to aid the chatbot in decision making and to enhance user trust. We also propose $\textbf{HAB}$ metrics ($\textbf{Helpfulness, Accuracy, Brevity}$) to evaluate chatbot performance. Legal domain experts validated Grahak-Nyay's effectiveness. Code and datasets will be released.