در عصر حاضر، هوش مصنوعی و پردازش زبان طبیعی (NLP) مرزهای دانش را در بسیاری از حوزه‌ها جابجا کرده‌اند. حوزه حقوق نیز از این قاعده مستثنی نیست و پتانسیل عظیمی برای بهره‌مندی از این فناوری‌ها دارد. یکی از چالش‌های اساسی در پیاده‌سازی سیستم‌های هوشمند حقوقی، کمبود داده‌های آموزشی با کیفیت و در مقیاس بزرگ است. مقاله حاضر با عنوان “A Statutory Article Retrieval Dataset in French” (مجموعه‌داده بازیابی ماده قانونی در زبان فرانسه) به قلم آنتوان لوئیس و گراسیموس اسپاناکیس، گامی مهم در جهت رفع این خلأ برمی‌دارد. این تحقیق به طور خاص بر روی وظیفه “بازیابی ماده قانونی” تمرکز دارد؛ وظیفه‌ای که در آن سیستم‌های خودکار باید بتوانند مواد قانونی مرتبط با یک سوال حقوقی مشخص را بازیابی کنند. اهمیت این موضوع در افزایش سرعت و دقت دسترسی به اطلاعات حقوقی، بهبود تصمیم‌گیری‌های حقوقی و در نهایت، افزایش کارایی سیستم قضایی نهفته است.

بازیابی اطلاعات حقوقی، به ویژه از متون قانونی حجیم و پیچیده، همواره یکی از دغدغه‌های اصلی حقوقدانان، وکلا، قضات و حتی شهروندان بوده است. حجم عظیم قوانین، تفسیرهای مختلف و تغییرات مداوم، یافتن ماده قانونی دقیق و مرتبط با یک سناریوی خاص را به کاری زمان‌بر و دشوار تبدیل می‌کند. سیستم‌های مبتنی بر هوش مصنوعی می‌توانند این فرآیند را متحول سازند، اما موفقیت آن‌ها به شدت به داده‌های آموزشی با کیفیت بستگی دارد. مقاله مورد بررسی، با ارائه یک مجموعه داده جدید و استاندارد، زمینه‌ساز تحقیقات آینده در این حوزه خواهد بود.

نویسندگان این مقاله، آنتوان لوئیس (Antoine Louis) و گراسیموس اسپاناکیس (Gerasimos Spanakis)، در حوزه محاسبات و زبان (Computation and Language) فعالیت می‌کنند. زمینه تحقیق آن‌ها به طور خاص بر پردازش زبان طبیعی در حوزه حقوقی متمرکز است. این حوزه که به عنوان “حقوق محاسباتی” (Computational Law) یا “حقوق و هوش مصنوعی” نیز شناخته می‌شود، به دنبال استفاده از ابزارها و تکنیک‌های محاسباتی و هوش مصنوعی برای تحلیل، فهم و حتی تولید متون و فرآیندهای حقوقی است. تحقیقات پیشین در این زمینه شامل ساخت سیستم‌های تحلیل قرارداد، پیش‌بینی نتایج پرونده‌ها، و همچنین ابزارهای جستجوی پیشرفته اسناد قانونی بوده است.

با این حال، همانطور که در چکیده مقاله اشاره شده، وظیفه بازیابی ماده قانونی تا پیش از این تحقیق، به دلیل فقدان داده‌های کافی، کمتر مورد توجه قرار گرفته بود. این مقاله پاسخی مستقیم به این چالش است و با ارائه یک منبع داده‌ای جدید، مسیر را برای پژوهشگران بیشتری در این زمینه هموار می‌سازد. تمرکز بر زبان فرانسه نیز نشان‌دهنده توجه به تنوع زبانی در تحقیقات هوش مصنوعی حقوقی است، زیرا بسیاری از سیستم‌های موجود عمدتاً بر روی زبان انگلیسی توسعه یافته‌اند.

چکیده مقاله به طور خلاصه به مشکل اصلی، راه‌حل ارائه شده، روش‌شناسی، یافته‌ها و مشارکت این تحقیق می‌پردازد. “بازیابی ماده قانونی” به عنوان وظیفه‌ای تعریف شده است که هدف آن، بازیابی خودکار مواد قانونی مرتبط با یک سوال حقوقی است. نویسندگان با اشاره به پیشرفت‌های اخیر در پردازش زبان طبیعی، خاطرنشان می‌کنند که بازیابی ماده قانونی همچنان به دلیل کمبود مجموعه‌داده‌های بزرگ و با کیفیت، عمدتاً دست‌نخورده باقی مانده است.

برای رفع این محدودیت، آن‌ها مجموعه‌داده بازیابی ماده قانونی بلژیک (Belgian Statutory Article Retrieval Dataset – BSARD) را معرفی می‌کنند. این مجموعه داده شامل بیش از ۱۱۰۰ پرسش حقوقی بومی به زبان فرانسه است که توسط حقوقدانان باتجربه، با مواد قانونی مرتبط از یک مجموعه ۲۲۶۰۰+ مقاله‌ای از قوانین بلژیک، برچسب‌گذاری شده‌اند. با استفاده از BSARD، چندین رویکرد بازیابی پیشرفته، از جمله معماری‌های واژگانی (lexical) و متراکم (dense)، هم در حالت بدون آموزش (zero-shot) و هم در حالت تحت نظارت (supervised)، مورد ارزیابی قرار گرفته‌اند.

یافته کلیدی مقاله این است که مدل‌های بازیابی متراکم که با داده‌های BSARD تنظیم دقیق (fine-tuned) شده‌اند، به طور قابل توجهی از سایر سیستم‌ها بهتر عمل می‌کنند. بهترین مدل ارائه‌شده، به امتیاز ۷۴.۸٪ R@100 دست یافته است که نویدبخش امکان‌پذیری این وظیفه و همچنین نشان‌دهنده فضای بالقوه برای بهبود است. نویسندگان BSARD را چالشی منحصربه‌فرد برای تحقیقات آینده در زمینه بازیابی اطلاعات حقوقی معرفی می‌کنند و تأکید دارند که مجموعه داده و کد منبع آن‌ها به صورت عمومی در دسترس قرار گرفته است.

روش‌شناسی تحقیق در این مقاله بر پایه‌ ساخت و ارزیابی یک مجموعه داده جدید و سپس استفاده از آن برای سنجش عملکرد مدل‌های بازیابی اطلاعات استوار است.

الف) ساخت مجموعه داده BSARD:

• منبع داده: مجموعه قوانین بلژیک به زبان فرانسه (بیش از ۲۲۶۰۰ ماده قانونی).
• پرسش‌ها: بیش از ۱۱۰۰ پرسش حقوقی واقعی به زبان فرانسه. این پرسش‌ها به گونه‌ای انتخاب شده‌اند که طیف وسیعی از سناریوهای حقوقی را پوشش دهند.
• برچسب‌گذاری: پرسش‌ها توسط حقوقدانان حرفه‌ای و باتجربه مورد بررسی قرار گرفته و مواد قانونی مرتبط و دقیق با هر پرسش، به عنوان برچسب (label) تعیین شده‌اند. این فرآیند اطمینان از کیفیت و دقت بالای مجموعه داده را تضمین می‌کند.
• قالب داده: مجموعه داده به گونه‌ای سازماندهی شده است که هر پرسش ورودی، با یک لیست از مواد قانونی صحیح مرتبط، همراه باشد.

ب) ارزیابی مدل‌های بازیابی:

پس از آماده‌سازی مجموعه داده، نویسندگان از آن برای ارزیابی رویکردهای مختلف بازیابی اطلاعات استفاده کرده‌اند. این ارزیابی شامل دو دسته اصلی مدل‌ها بود:

• مدل‌های واژگانی (Lexical Models): این مدل‌ها بر اساس تطابق کلمات کلیدی و اصطلاحات بین پرسش و متن مواد قانونی عمل می‌کنند. مثال‌هایی از این دسته می‌تواند شامل روش‌های مبتنی بر TF-IDF یا BM25 باشد. این رویکردها معمولاً سریع هستند اما در فهم معنایی عمیق و روابط بین کلمات ممکن است دچار محدودیت باشند.
• مدل‌های متراکم (Dense Models): این مدل‌ها از شبکه‌های عصبی عمیق (مانند ترنسفورمرها) برای تبدیل پرسش و مواد قانونی به بردارهای معنایی (embeddings) استفاده می‌کنند. سپس، شباهت بین بردار پرسش و بردارهای مواد قانونی محاسبه می‌شود. این مدل‌ها قابلیت درک معنایی بهتری دارند و می‌توانند روابط پیچیده‌تری را بین واژگان و مفاهیم شناسایی کنند.

تنظیمات ارزیابی:

• حالت بدون آموزش (Zero-shot): در این حالت، مدل‌ها بدون دیده شدن داده‌های برچسب‌گذاری شده BSARD، برای بازیابی استفاده می‌شوند. این ارزیابی برای سنجش قابلیت تعمیم مدل‌ها مفید است.
• حالت تحت نظارت (Supervised): در این حالت، مدل‌ها بر روی بخشی از مجموعه داده BSARD آموزش داده شده و سپس بر روی بخش دیگر ارزیابی می‌شوند. این رویکرد به مدل‌ها اجازه می‌دهد تا با دقت بیشتری با ویژگی‌های خاص داده‌های حقوقی فرانسه تطبیق یابند.

معیارهای ارزیابی: معیارهای متداولی در بازیابی اطلاعات مانند R@100 (بازیابی صحیح در میان ۱۰۰ نتیجه اول) برای سنجش عملکرد مدل‌ها به کار رفته است.

نتایج حاصل از ارزیابی مدل‌ها بر روی مجموعه داده BSARD، نکات مهمی را آشکار می‌سازد:

• برتری مدل‌های متراکم: یافته اصلی و قابل توجه، برتری چشمگیر مدل‌های بازیابی متراکم نسبت به مدل‌های واژگانی است. این امر نشان می‌دهد که درک معنایی عمیق‌تر، که توسط مدل‌های متراکم فراهم می‌شود، برای وظیفه بازیابی ماده قانونی در متون حقوقی بسیار حیاتی است. تطابق صرف کلمات کلیدی اغلب کافی نیست و نیاز به فهم زمینه و رابطه معنایی بین پرسش و متن قانونی وجود دارد.
• اهمیت تنظیم دقیق (Fine-tuning): مدل‌های متراکم پس از تنظیم دقیق بر روی مجموعه داده BSARD، عملکرد بهتری از خود نشان دادند. این نشان می‌دهد که با وجود پیشرفت مدل‌های از پیش آموزش‌دیده، تطبیق آن‌ها با ویژگی‌های خاص زبان حقوقی فرانسه و دامنه این مجموعه داده، برای دستیابی به حداکثر کارایی ضروری است.
• عملکرد پیشرو: بهترین مدل ارائه‌شده در این تحقیق، توانسته است به امتیاز ۷۴.۸٪ R@100 دست یابد. این رقم، هرچند نشان‌دهنده پیشرفت قابل توجهی است، اما فضایی نیز برای بهبود بیشتر باقی می‌گذارد. این نتیجه، امکان‌پذیری فنی وظیفه بازیابی ماده قانونی را با استفاده از روش‌های مدرن NLP تأیید می‌کند.
• چالش منحصر به فرد BSARD: نویسندگان BSARD را به عنوان یک چالش خاص در حوزه بازیابی اطلاعات حقوقی معرفی می‌کنند. این مجموعه داده به دلیل تمرکز بر یک زبان خاص (فرانسه)، دامنه تخصصی (حقوق بلژیک) و ماهیت وظیفه (بازیابی ماده قانونی)، نیازمند روش‌ها و مدل‌های نوآورانه‌ای است که بتوانند با پیچیدگی‌های آن مقابله کنند.

به طور خلاصه، یافته‌ها حاکی از آن است که با استفاده از مجموعه داده‌های با کیفیت و مدل‌های پیشرفته پردازش زبان طبیعی، می‌توان سیستم‌های مؤثری برای بازیابی خودکار اطلاعات حقوقی ساخت، اما این حوزه هنوز جای زیادی برای نوآوری و پیشرفت دارد.

ارائه مجموعه داده BSARD و یافته‌های مرتبط با آن، دستاوردهای متعددی را به همراه دارد و کاربردهای بالقوه فراوانی در دنیای واقعی خواهد داشت:

• بهبود سیستم‌های جستجوی حقوقی: این تحقیق می‌تواند مستقیماً به ساخت یا ارتقاء موتورهای جستجوی حقوقی منجر شود. وکلا، قضات، حقوقدانان و حتی دانشجویان حقوق می‌توانند با استفاده از این ابزارها، سریع‌تر و دقیق‌تر به مواد قانونی مرتبط با پرونده‌ها و سوالات خود دست یابند.
• توسعه ابزارهای پشتیبانی تصمیم‌گیری حقوقی: سیستم‌های بازیابی پیشرفته می‌توانند به عنوان ابزارهای کمکی برای تصمیم‌گیری حقوقی عمل کنند. با ارائه مستندات قانونی مرتبط، کارشناسان حقوقی می‌توانند اطلاعات جامع‌تری داشته باشند و تصمیمات آگاهانه‌تری اتخاذ نمایند.
• دسترسی بهتر به اطلاعات حقوقی: برای شهروندان عادی نیز، درک قوانین و یافتن مواد مربوطه می‌تواند دشوار باشد. ابزارهای مبتنی بر این تحقیق می‌توانند دسترسی عمومی به اطلاعات حقوقی را تسهیل کرده و به افزایش آگاهی حقوقی جامعه کمک کنند.
• پیشبرد تحقیقات حقوق محاسباتی: BSARD به عنوان یک منبع عمومی، امکان تکرارپذیری تحقیقات را فراهم می‌کند و محققان دیگر را قادر می‌سازد تا مدل‌های خود را بر روی این داده‌ها آزمایش کرده و با نتایج این مقاله مقایسه کنند. این امر به سرعت بخشیدن به پیشرفت در حوزه حقوق محاسباتی کمک شایانی خواهد کرد.
• توسعه مدل‌های تخصصی زبانی: این مجموعه داده فرصتی برای توسعه و ارزیابی مدل‌های پردازش زبان طبیعی تخصصی برای زبان حقوقی فرانسه فراهم می‌کند. این مدل‌ها می‌توانند درک عمیق‌تری از واژگان، ساختار و مفاهیم حقوقی این زبان داشته باشند.
• استانداردسازی و مقایسه‌پذیری: ارائه یک مجموعه داده استاندارد، امکان مقایسه‌ی منصفانه‌ی رویکردهای مختلف بازیابی را فراهم می‌آورد و به محققان کمک می‌کند تا پیشرفت‌های واقعی در این حوزه را بسنجند.

در مجموع، این مقاله با پر کردن یک شکاف مهم در داده‌های آموزشی، گامی عملی و تأثیرگذار در جهت هوشمندسازی فرآیندهای حقوقی و افزایش کارایی سیستم قضایی برداشته است.

مقاله “A Statutory Article Retrieval Dataset in French” توسط لوئیس و اسپاناکیس، یک سهم ارزشمند و عملی در حوزه بازیابی اطلاعات حقوقی و حقوق محاسباتی ارائه می‌دهد. نویسندگان با شناسایی خلاء مهمی در داده‌های آموزشی برای وظیفه بازیابی ماده قانونی به زبان فرانسه، مجموعه داده BSARD را ایجاد کرده‌اند. این مجموعه داده، که از پرسش‌های حقوقی واقعی برچسب‌گذاری شده توسط متخصصان تشکیل شده است، استانداردی را برای ارزیابی و توسعه مدل‌های بازیابی در این حوزه تعیین می‌کند.

یافته‌های تحقیق نشان می‌دهد که مدل‌های بازیابی متراکم، به ویژه پس از تنظیم دقیق بر روی داده‌های تخصصی، پتانسیل بالایی برای حل موفقیت‌آمیز چالش بازیابی ماده قانونی دارند. دستیابی به امتیاز ۷۴.۸٪ R@100، هرچند نویدبخش است، اما همزمان نشان‌دهنده لزوم تحقیقات بیشتر برای دستیابی به عملکرد مطلوب‌تر در سیستم‌های عملی است.

دسترسی عمومی به مجموعه داده BSARD و کد منبع، از دستاوردهای کلیدی این تحقیق است که می‌تواند جامعه تحقیقاتی را قادر سازد تا بر روی آن بنا کنند، مدل‌های جدیدی توسعه دهند و در نهایت، به سیستم‌های حقوقی هوشمندتر و کارآمدتر دست یابند. این مقاله نه تنها یک مجموعه داده ارزشمند را به اشتراک می‌گذارد، بلکه مسیر را برای تحقیقات آینده در جهت حل مسائل پیچیده در تعامل انسان و قانون با استفاده از هوش مصنوعی هموار می‌سازد.