در دنیای امروز، هوش مصنوعی (AI) در حال دگرگون کردن صنایع مختلفی از بهداشت و درمان گرفته تا حمل‌ونقل است. یکی از حوزه‌هایی که پتانسیل عظیمی برای تحول توسط هوش مصنوعی دارد، حوزه حقوق و قضا است. فرآیندهای حقوقی، به‌ویژه در سیستم‌های قضایی بزرگ مانند هند، اغلب با حجم عظیمی از اسناد، رویه‌های پیچیده و نیاز به تحقیقات گسترده برای یافتن پرونده‌های مشابه و قوانین مرتبط همراه است. این پیچیدگی‌ها نه تنها کار متخصصان حقوقی را دشوار می‌کند، بلکه دسترسی عموم مردم به عدالت را نیز با چالش مواجه می‌سازد.

مقاله “IITP at AILA 2019: System Report for Artificial Intelligence for Legal Assistance Shared Task” گزارشی از تلاش یک تیم تحقیقاتی از مؤسسه فناوری هند (IITP) برای مقابله با این چالش‌ها ارائه می‌دهد. این مقاله در چارچوب یک رقابت علمی به نام AILA 2019 (هوش مصنوعی برای دستیاری حقوقی) ارائه شده است. اهمیت این پژوهش در آن است که راه‌حل‌های عملی مبتنی بر پردازش زبان طبیعی (NLP) و بازیابی اطلاعات (IR) را برای خودکارسازی بخشی از وظایف حیاتی حقوقی پیشنهاد می‌کند. این امر می‌تواند به افزایش کارایی، کاهش هزینه‌ها و دموکراتیزه کردن دسترسی به اطلاعات حقوقی کمک شایانی کند.

این مقاله توسط تیمی از پژوهشگران به نام‌های بابان گین، دیبیانایان باندیوپادیای، آرکادیپتا دی، تانیک شیخ و آصف اقبال به رشته تحریر درآمده است. این تیم، وابسته به مؤسسه فناوری هند در پاتنا (IIT Patna)، در حوزه علوم کامپیوتر و به‌طور خاص در زمینه‌های پردازش زبان طبیعی و یادگیری ماشین فعالیت می‌کنند. مشارکت آن‌ها در رویداد AILA 2019 نشان‌دهنده تمرکز فزاینده جامعه علمی بر کاربردهای هوش مصنوعی در دامنه حقوقی است، حوزه‌ای که به “فناوری حقوقی” یا Legal Tech مشهور است.

زمینه اصلی این تحقیق، تلاقی سه حوزه است:

• پردازش زبان طبیعی (NLP): شاخه‌ای از هوش مصنوعی که به کامپیوترها توانایی درک، تفسیر و تولید زبان انسانی را می‌دهد.
• بازیابی اطلاعات (IR): علم و هنر جستجو و بازیابی اطلاعات مرتبط از میان حجم عظیمی از داده‌ها، که اساس کار موتورهای جستجو است.
• حوزه حقوقی: که با زبان پیچیده، ساختاریافته و مملو از اصطلاحات تخصصی خود، چالشی منحصربه‌فرد برای الگوریتم‌های هوش مصنوعی محسوب می‌شود.

این پژوهش نمونه‌ای برجسته از چگونگی استفاده از تکنیک‌های پیشرفته کامپیوتری برای حل مشکلات واقعی در یک حوزه تخصصی و حیاتی است.

مقاله، سیستم توسعه‌داده‌شده توسط تیم IITP برای شرکت در چالش AILA 2019 را تشریح می‌کند. هدف اصلی این چالش، توسعه ابزارهایی برای کمک به متخصصان حقوقی و عموم مردم در سیستم قضایی هند بود. این رویداد دو وظیفه اصلی را برای شرکت‌کنندگان تعریف کرده بود:

وظیفه ۱: شناسایی پرونده‌های پیشین مرتبط برای یک وضعیت حقوقی معین.
در عمل، وکلا و قضات برای صدور رأی یا تنظیم دفاعیه، نیازمند یافتن پرونده‌های مشابهی هستند که در گذشته رسیدگی شده‌اند (رویه قضایی). این وظیفه نیازمند سیستمی است که بتواند یک شرح از وضعیت فعلی را دریافت کرده و از میان هزاران پرونده موجود، مرتبط‌ترین آن‌ها را پیدا کند.

وظیفه ۲: شناسایی مناسب‌ترین قوانین و مقررات برای یک وضعیت حقوقی معین.
علاوه بر رویه قضایی، هر پرونده‌ای باید بر اساس قوانین و مواد قانونی مشخصی تحلیل شود. این وظیفه از سیستم می‌خواهد که با دریافت شرح یک پرونده، مواد قانونی (Statutes) مرتبط را از مجموعه قوانین کشور استخراج و پیشنهاد دهد.

تیم IITP برای حل هر دو مسئله، رویکردهایی مبتنی بر دو تکنیک قدرتمند BM25 و Doc2Vec را ارائه کرد. نتایج اعلام‌شده توسط برگزارکنندگان نشان داد که این تیم توانسته در وظیفه اول به رتبه سوم دست یابد که یک موفقیت قابل توجه است و در وظیفه دوم نیز جایگاه قابل قبولی کسب کرده است.

ستون فقرات سیستم پیشنهادی تیم IITP بر دو الگوریتم کلاسیک و مدرن در حوزه بازیابی اطلاعات و پردازش زبان طبیعی استوار است. انتخاب این دو روش نشان‌دهنده یک رویکرد ترکیبی هوشمندانه برای درک معنایی و تطبیق آماری متون حقوقی است.

الف) الگوریتم BM25 (Okapi BM25)
این الگوریتم یکی از مشهورترین و کارآمدترین مدل‌ها در زمینه بازیابی اطلاعات است. BM25 یک تابع رتبه‌بندی است که تخمین می‌زند یک سند چقدر به یک پرس‌وجو (Query) مرتبط است. این الگوریتم بر اساس مدل احتمالی کار می‌کند و نسخه بهبودیافته‌ای از مدل کلاسیک TF-IDF است.

• Term Frequency (TF): به سادگی، تعداد دفعاتی که یک کلمه در یک سند تکرار می‌شود. BM25 این مفهوم را بهینه می‌کند تا تکرارهای بیش از حد یک کلمه، امتیاز را به صورت نامتناسب افزایش ندهد.
• Inverse Document Frequency (IDF): این معیار، اهمیت یک کلمه را می‌سنجد. کلماتی که در اسناد کمیاب‌تری وجود دارند (مانند “قصور” در متون حقوقی) از کلمات رایج (مانند “و” یا “در”) وزن بیشتری دریافت می‌کنند.

BM25 با ترکیب هوشمندانه این دو معیار و با استفاده از پارامترهایی برای کنترل طول سند، می‌تواند اسناد مرتبط را با دقت بالایی رتبه‌بندی کند. تیم IITP از این الگوریتم برای تطبیق کلمات کلیدی بین شرح پرونده جدید و اسناد حقوقی موجود (پرونده‌های پیشین یا قوانین) استفاده کرده است.

ب) الگوریتم Doc2Vec (Paragraph Vector)
در حالی که BM25 بر تطبیق کلمات کلیدی متمرکز است، Doc2Vec یک گام فراتر می‌رود و تلاش می‌کند تا معنای کلی یک سند را درک کند. این الگوریتم که توسعه‌ای از مدل معروف Word2Vec است، هر سند (اعم از یک جمله، پاراگراف یا یک متن کامل) را به یک بردار عددی با طول ثابت تبدیل می‌کند.

• یادگیری بدون نظارت: Doc2Vec به‌صورت خودکار و بدون نیاز به داده‌های برچسب‌خورده، از روی مجموعه بزرگی از متون یاد می‌گیرد که چگونه این بردارهای معنایی را تولید کند.
• حفظ معنای متنی: بردارهای تولیدشده توسط Doc2Vec ویژگی‌های معنایی سند را در خود جای می‌دهند. اسنادی که مفاهیم مشابهی دارند، حتی اگر از کلمات متفاوتی استفاده کرده باشند، بردارهای نزدیکی در فضای برداری خواهند داشت.

با استفاده از این تکنیک، تیم IITP توانست شباهت معنایی بین شرح پرونده جدید و اسناد موجود را محاسبه کند. این روش برای یافتن پرونده‌هایی که از نظر مفهومی مشابه هستند، حتی اگر زبان و واژگان متفاوتی داشته باشند، بسیار کارآمد است.

مهم‌ترین یافته این پژوهش، تأیید کارایی ترکیبی از روش‌های کلاسیک بازیابی اطلاعات و مدل‌های مدرن بازنمایی معنایی در حوزه پیچیده حقوقی است. نتایج تیم در رقابت AILA 2019 خود گویای این موفقیت است:

• موفقیت در وظیفه ۱ (یافتن پرونده‌های پیشین): کسب رتبه سوم در این وظیفه نشان می‌دهد که رویکردهای مبتنی بر BM25 و Doc2Vec برای یافتن رویه‌های قضایی مرتبط بسیار مؤثر بوده‌اند. این موفقیت احتمالاً به این دلیل است که متون پرونده‌های قضایی طولانی‌تر و توصیفی‌تر هستند و الگوریتم‌هایی مانند Doc2Vec می‌توانند به خوبی زمینه و مفهوم کلی آن‌ها را درک کنند.
• عملکرد قابل قبول در وظیفه ۲ (یافتن قوانین): کسب “جایگاه قابل قبول” (modest position) در این وظیفه نیز ارزشمند است، هرچند به موفقیت وظیفه اول نمی‌رسد. این نتیجه ممکن است به دلیل ماهیت متفاوت متون قوانین باشد. قوانین معمولاً کوتاه‌تر، دقیق‌تر و دارای زبانی بسیار رسمی و استاندارد هستند. در چنین شرایطی، الگوریتم‌های معنایی ممکن است برتری کمتری نسبت به روش‌های مبتنی بر تطبیق دقیق کلمات کلیدی داشته باشند.

این یافته‌ها نشان می‌دهد که یک رویکرد واحد ممکن است برای تمام وظایف حقوقی بهینه نباشد و ترکیب هوشمندانه مدل‌ها کلید موفقیت است.

اگرچه این مقاله یک گزارش از یک سیستم تحقیقاتی است، اما دستاوردها و کاربردهای بالقوه آن بسیار گسترده و تأثیرگذار هستند:

• افزایش بهره‌وری متخصصان حقوقی: وکلا، قضات و کارآموزان حقوقی می‌توانند با استفاده از چنین سیستمی، ساعت‌ها در زمان تحقیقات خود صرفه‌جویی کنند. به جای جستجوی دستی در میان هزاران سند، سیستم می‌تواند در چند ثانیه مرتبط‌ترین موارد را پیشنهاد دهد.
• بهبود کیفیت تصمیم‌گیری قضایی: با دسترسی سریع و جامع به رویه‌های قضایی و قوانین مرتبط، قضات می‌توانند تصمیمات آگاهانه‌تر و منسجم‌تری اتخاذ کنند که به تقویت حاکمیت قانون کمک می‌کند.
• دموکراتیزه کردن دسترسی به عدالت: در بلندمدت، این ابزارها می‌توانند به صورت عمومی در دسترس قرار گیرند و به شهروندان عادی کمک کنند تا موقعیت حقوقی خود را بهتر درک کرده و اطلاعات اولیه مورد نیاز خود را به دست آورند.
• پیشرفت تحقیقات در حوزه NLP حقوقی: این مقاله و چالش AILA 2019، مسیر را برای تحقیقات بیشتر در زمینه پردازش زبان طبیعی برای متون حقوقی هموار می‌کنند. این حوزه با چالش‌هایی مانند ابهام‌زدایی از اصطلاحات تخصصی، درک ساختارهای پیچیده استدلال و مدیریت اسناد بسیار طولانی روبرو است.

مقاله “IITP at AILA 2019” یک نمونه برجسته از کاربرد عملی هوش مصنوعی برای حل یکی از مشکلات اساسی در سیستم قضایی است. تیم نویسندگان با ترکیب موفقیت‌آمیز الگوریتم‌های BM25 و Doc2Vec، سیستمی را طراحی کردند که قادر به شناسایی هوشمندانه پرونده‌های پیشین و قوانین مرتبط با یک وضعیت حقوقی جدید است. کسب رتبه سوم در یک رقابت معتبر علمی، نشان‌دهنده استحکام و کارایی رویکرد آن‌هاست.

این پژوهش نه تنها یک دستاورد فنی است، بلکه چشم‌اندازی از آینده‌ای را ترسیم می‌کند که در آن فناوری به عنوان یک دستیار قدرتمند در کنار متخصصان حقوقی قرار می‌گیرد تا فرآیندهای قضایی را سریع‌تر، دقیق‌تر و در دسترس‌تر کند. با ادامه تحقیقات در این حوزه، می‌توان انتظار داشت که ابزارهای هوش مصنوعی نقش کلیدی در تحول دیجیتال نظام قضایی در سراسر جهان ایفا کنند.