در عصر حاضر، استفاده از فناوری‌های پردازش زبان طبیعی (NLP) در حوزه‌های مختلف به طور چشمگیری افزایش یافته است. یکی از تکنیک‌های کلیدی در این زمینه، “تعبیه واژه” (Word Embedding) است که به کمک آن می‌توان کلمات را به صورت برداری نمایش داد و روابط معنایی بین آن‌ها را درک کرد. این مقاله به بررسی ایجاد و ارزیابی یک دادگان تخصصی برای تعبیه واژه‌های حقوقی در زبان چینی می‌پردازد، که می‌تواند در بهبود عملکرد سیستم‌های پردازش زبان طبیعی در زمینه حقوقی بسیار موثر باشد. اهمیت این تحقیق در این است که به توسعه ابزارهای کارآمدتر برای تحلیل و درک متون حقوقی پیچیده کمک می‌کند.

این مقاله توسط Chun-Hsien Lin و Pu-Jen Cheng نگارش شده است. نویسندگان در زمینه‌های محاسبات و زبان، هوش مصنوعی و یادگیری ماشین تخصص دارند. زمینه تحقیقاتی آن‌ها بر روی توسعه و کاربرد تکنیک‌های پردازش زبان طبیعی در حوزه حقوق متمرکز است. این تخصص به آن‌ها این امکان را داده است که یک دادگان ارزیابی دقیق و موثر برای تعبیه واژه‌های حقوقی ایجاد کنند.

چکیده مقاله به این صورت است: “تعبیه واژه، یک رویکرد نوین توزیع‌شده برای نمایش کلمات است که به طور گسترده در بسیاری از وظایف پردازش زبان طبیعی مورد استفاده قرار می‌گیرد. تبدیل واژگان در یک سند حقوقی به یک مدل تعبیه واژه، امکان اعمال الگوریتم‌های یادگیری ماشین، یادگیری عمیق و سایر الگوریتم‌ها را بر روی اسناد حقوقی فراهم می‌کند و متعاقباً انجام وظایف پایین‌دستی پردازش زبان طبیعی را از طریق، به عنوان مثال، طبقه‌بندی اسناد، بررسی قرارداد و ترجمه ماشینی تسهیل می‌کند. رایج‌ترین و عملی‌ترین رویکرد ارزیابی دقت با مدل تعبیه واژه، استفاده از یک مجموعه محک با قوانین زبانی یا رابطه بین کلمات برای انجام استدلال قیاسی از طریق محاسبه جبری است. این مقاله پیشنهاد می‌کند که یک مجموعه 1134 سوال استدلال قیاسی حقوقی (LARQS) را از مجموعه قوانین چینی 2388 با استفاده از پنج نوع رابطه حقوقی ایجاد کند، که سپس برای ارزیابی دقت مدل تعبیه واژه چینی استفاده می‌شود. علاوه بر این، ما دریافتیم که روابط حقوقی ممکن است در مدل تعبیه واژه فراگیر باشند.”

به طور خلاصه، این مقاله به ایجاد یک دادگان ارزیابی جدید به نام LARQS (Legal Analogical Reasoning Questions Set) برای ارزیابی مدل‌های تعبیه واژه در حوزه حقوق می‌پردازد. این دادگان از مجموعه قوانین چین استخراج شده و شامل سوالات استدلال قیاسی حقوقی بر اساس پنج نوع رابطه حقوقی مختلف است. هدف از این کار، بهبود دقت و کارایی سیستم‌های پردازش زبان طبیعی در درک و تحلیل متون حقوقی چینی است.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

• جمع‌آوری و پیش‌پردازش داده‌ها: ابتدا مجموعه قوانین چینی (Chinese Codex) با حجم 2388 سند جمع‌آوری و سپس برای آماده‌سازی برای مراحل بعدی، پیش‌پردازش شد. این پیش‌پردازش شامل حذف کاراکترهای اضافی، اصلاح املایی و تجزیه متون به کلمات و عبارات بود.
• تعریف روابط حقوقی: پنج نوع رابطه حقوقی کلیدی شناسایی و تعریف شدند. این روابط به عنوان پایه و اساس برای ایجاد سوالات استدلال قیاسی حقوقی مورد استفاده قرار گرفتند.
• ایجاد دادگان LARQS: با استفاده از روابط حقوقی تعریف شده، 1134 سوال استدلال قیاسی حقوقی (LARQS) ایجاد شد. این سوالات به گونه‌ای طراحی شده‌اند که توانایی مدل‌های تعبیه واژه را در درک روابط حقوقی و انجام استدلال‌های مبتنی بر آن‌ها ارزیابی کنند.
• آموزش و ارزیابی مدل‌های تعبیه واژه: چندین مدل تعبیه واژه با استفاده از مجموعه قوانین چینی آموزش داده شدند. سپس، عملکرد این مدل‌ها با استفاده از دادگان LARQS ارزیابی شد. ارزیابی شامل محاسبه دقت مدل‌ها در پاسخگویی به سوالات استدلال قیاسی حقوقی بود.
• تحلیل نتایج: نتایج ارزیابی به دقت تحلیل شدند تا نقاط قوت و ضعف مدل‌های مختلف تعبیه واژه در درک روابط حقوقی مشخص شود. این تحلیل به ارائه پیشنهادات برای بهبود عملکرد مدل‌ها در آینده کمک کرد.

به عنوان مثال، یک سوال استدلال قیاسی حقوقی می‌تواند به این صورت باشد: “اگر سرقت با مجازات مرتبط است، قتل با چه چیزی مرتبط است؟”

یافته‌های کلیدی این تحقیق به شرح زیر است:

• اثرگذاری روابط حقوقی: این تحقیق نشان داد که روابط حقوقی می‌توانند به طور گسترده در مدل‌های تعبیه واژه وجود داشته باشند. این بدان معناست که مدل‌های تعبیه واژه قادر به یادگیری و نمایش روابط معنایی پیچیده بین مفاهیم حقوقی هستند.
• اهمیت دادگان LARQS: دادگان LARQS به عنوان یک ابزار موثر برای ارزیابی عملکرد مدل‌های تعبیه واژه در حوزه حقوق شناخته شد. این دادگان می‌تواند به توسعه مدل‌های دقیق‌تر و کارآمدتر برای تحلیل متون حقوقی کمک کند.
• تفاوت عملکرد مدل‌ها: عملکرد مدل‌های مختلف تعبیه واژه در پاسخگویی به سوالات LARQS متفاوت بود. این نشان می‌دهد که انتخاب مدل مناسب برای یک وظیفه خاص در حوزه حقوق بسیار مهم است.

به طور مثال، محققان دریافتند که مدل‌هایی که با استفاده از داده‌های حقوقی آموزش داده شده‌اند، عملکرد بهتری در پاسخگویی به سوالات LARQS دارند نسبت به مدل‌هایی که با استفاده از داده‌های عمومی آموزش داده شده‌اند. این یافته اهمیت استفاده از داده‌های تخصصی در آموزش مدل‌های پردازش زبان طبیعی در حوزه‌های تخصصی مانند حقوق را نشان می‌دهد.

این تحقیق دستاوردها و کاربردهای متعددی دارد:

• بهبود طبقه‌بندی اسناد حقوقی: مدل‌های تعبیه واژه ارزیابی شده با استفاده از دادگان LARQS می‌توانند در بهبود دقت و کارایی سیستم‌های طبقه‌بندی اسناد حقوقی مورد استفاده قرار گیرند. این امر به وکلا و محققان حقوقی کمک می‌کند تا به سرعت و به آسانی اسناد مرتبط با موضوع مورد نظر خود را پیدا کنند.
• تسریع در بررسی قراردادها: تکنیک‌های تعبیه واژه می‌توانند در خودکارسازی فرآیند بررسی قراردادها مورد استفاده قرار گیرند. این امر به شرکت‌ها و سازمان‌ها کمک می‌کند تا قراردادهای خود را به صورت سریع‌تر و دقیق‌تر بررسی کنند و از بروز مشکلات حقوقی جلوگیری کنند.
• تسهیل ترجمه ماشینی متون حقوقی: مدل‌های تعبیه واژه می‌توانند در بهبود کیفیت ترجمه ماشینی متون حقوقی مورد استفاده قرار گیرند. این امر به افراد و سازمان‌ها کمک می‌کند تا متون حقوقی را به زبان‌های مختلف ترجمه کنند و از درک صحیح مفاد آن‌ها اطمینان حاصل کنند.
• توسعه ابزارهای حقوقی هوشمند: دادگان LARQS و نتایج حاصل از این تحقیق می‌توانند در توسعه ابزارهای حقوقی هوشمند مانند سیستم‌های مشاوره حقوقی و دستیارهای مجازی حقوقی مورد استفاده قرار گیرند.

به عنوان مثال، یک سیستم بررسی قرارداد خودکار می‌تواند با استفاده از مدل‌های تعبیه واژه، بندهای مهم و بالقوه مشکل‌ساز یک قرارداد را شناسایی و به کاربر اطلاع دهد. این امر به کاربر کمک می‌کند تا قبل از امضای قرارداد، از مفاد آن به طور کامل آگاه شود و از بروز مشکلات احتمالی جلوگیری کند.

این مقاله با ارائه دادگان ارزیابی LARQS، گام مهمی در جهت بهبود عملکرد سیستم‌های پردازش زبان طبیعی در حوزه حقوق برداشته است. یافته‌های این تحقیق نشان می‌دهد که روابط حقوقی می‌توانند به طور گسترده در مدل‌های تعبیه واژه وجود داشته باشند و دادگان LARQS می‌تواند به عنوان یک ابزار موثر برای ارزیابی و توسعه این مدل‌ها مورد استفاده قرار گیرد. با توجه به کاربردهای گسترده تکنیک‌های پردازش زبان طبیعی در حوزه حقوق، این تحقیق می‌تواند به بهبود کارایی و دقت فرآیندهای حقوقی و توسعه ابزارهای حقوقی هوشمند کمک کند. تحقیقات آتی می‌توانند بر روی توسعه دادگان‌های ارزیابی بزرگتر و جامع‌تر، بهبود الگوریتم‌های یادگیری ماشین برای مدل‌های تعبیه واژه و بررسی کاربرد این مدل‌ها در سایر حوزه‌های حقوقی تمرکز کنند.