本研究提出了一种将规则集融入法律分类模型的方法，解决了仅依赖事实的问题。首次展示了如何在规则驱动的模型中推导新案例的决策，并结合时间因素和法院层级结构，提升了模型的应用潜力。

本文综述多项研究，探讨时间因素对NLP模型的影响：时间错位会显著降低模型性能，过时信息导致重复错误。为此，研究者提出TempoBERT、日期前缀输入、自标记训练、时态适应及TEMT等框架，将时间戳与文本联合建模，以提升语义变化检测、知识更新与事实检验的准确性，并改善模型校准性与长期稳定性。