Skip to main navigation Skip to search Skip to main content

Triplegal-cl: A Multi-jurisdictional Spanish Legal Corpus for Contrastive Training of Dense Retrieval Models

Research output: Article

Abstract

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 multilingues 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.
Translated title of the contributionTriplegal-cl: Un corpus legal español multijurisdiccional para el entrenamiento contrastivo de modelos de recuperación densa
Original languageEnglish (US)
Pages (from-to)1-12
Number of pages12
JournalProcesamiento de Lenguaje Natural
Volume76
Issue number76
DOIs
Publication statusPublished - 30 Mar 2026

Bibliographical note

Publisher Copyright:
© 2026 Sociedad Española para el Procesamiento del Lenguaje Natural

Areas de Conocimiento del CACES

  • 316A Desarrollo y análisis de software y aplicaciones

Fingerprint

Dive into the research topics of 'Triplegal-cl: A Multi-jurisdictional Spanish Legal Corpus for Contrastive Training of Dense Retrieval Models'. Together they form a unique fingerprint.

Cite this