دسترسی به عدالت برای همه افراد جامعه، یکی از ارکان اساسی یک نظام حقوقی کارآمد و عادلانه است. یکی از جنبه‌های حیاتی این دسترسی، امکان دسترسی به متن کامل جلسات دادگاه، به ویژه جلسات دیوان عالی کشور است. این امکان، نه تنها برای حقوقدانان و محققان، بلکه برای عموم مردم نیز اهمیت دارد تا بتوانند از روند دادرسی مطلع شده و درک بهتری از آن داشته باشند. با این حال، آوانویسی (Transcription) دستی این جلسات، فرآیندی زمان‌بر و پرهزینه است.

مقاله حاضر با عنوان “بهبود آوانویسی جلسات دیوان عالی بریتانیا” به بررسی راهکارهای استفاده از پردازش زبان طبیعی (NLP) و سیستم‌های تشخیص گفتار خودکار (ASR) برای بهبود دقت و سرعت آوانویسی این جلسات می‌پردازد. این مقاله، بخشی از یک پروژه تحقیقاتی و صنعتی مشترک است که هدف آن، ساخت یک ابزار آوانویسی خودکار تخصصی برای بخش قضایی در بریتانیا است.

این مقاله توسط هادیل سعدانی، کاترین برسلین، کنستانتین اوراشان و سوفی واکر نگاشته شده است. نویسندگان این مقاله، متخصصان حوزه پردازش صدا و گفتار، و همچنین پردازش زبان طبیعی هستند. زمینه تحقیقاتی آن‌ها، استفاده از تکنیک‌های هوش مصنوعی برای حل چالش‌های موجود در آوانویسی خودکار، به ویژه در محیط‌های تخصصی مانند دادگاه‌ها است.

تخصص نویسندگان در حوزه‌های پردازش صوت و گفتار، محاسبات و زبان، و صوت، به آنها این امکان را داده تا با دیدی جامع به این مسئله نگاه کنند و راهکارهای نوآورانه‌ای را برای بهبود آوانویسی جلسات دادگاه ارائه دهند.

چکیده مقاله بر این نکته تاکید دارد که آوانویسی دقیق و سریع جلسات دادگاه، برای دسترسی به عدالت ضروری است، اما فرآیندی گران و زمان‌بر است. این مقاله، چالش‌های موجود در آوانویسی جلسات دادگاه و تکنیک‌های پردازش زبان طبیعی (NLP) به کار رفته برای غلبه بر این چالش‌ها را توضیح می‌دهد.

محققان نشان داده‌اند که تنظیم دقیق یک سیستم تشخیص گفتار خودکار (ASR) از پیش آموزش‌دیده با یک مدل زبانی متناسب با حوزه حقوقی و تزریق عبارات رایج استخراج‌شده با یک مدل تشخیص همایندی (Collocation Detection Model)، می‌تواند نه تنها نرخ خطای کلمات (WER) آوانویسی‌ها را بهبود بخشد، بلکه از بروز خطاهای حیاتی مربوط به اصطلاحات تخصصی حقوقی که معمولاً در دادگاه‌های بریتانیا استفاده می‌شوند نیز جلوگیری کند.

روش‌شناسی این تحقیق بر استفاده از یک سیستم تشخیص گفتار خودکار (ASR) از پیش آموزش‌دیده و بهینه‌سازی آن برای حوزه حقوقی متمرکز است. مراحل اصلی این روش‌شناسی عبارتند از:

• جمع‌آوری داده‌ها: جمع‌آوری مجموعه داده بزرگی از جلسات دیوان عالی بریتانیا برای آموزش و ارزیابی سیستم.
• آماده‌سازی داده‌ها: پاکسازی و نرمال‌سازی داده‌های صوتی و متنی جمع‌آوری‌شده.
• تنظیم دقیق مدل ASR: تنظیم دقیق مدل ASR با استفاده از داده‌های جمع‌آوری‌شده و یک مدل زبانی متناسب با حوزه حقوقی. این شامل تنظیم پارامترهای مدل و آموزش مجدد آن با داده‌های جدید است. به عنوان مثال، ممکن است مدل با اصطلاحات حقوقی خاص و نحوه تلفظ آن‌ها آموزش داده شود.
• استفاده از مدل تشخیص همایندی: استفاده از یک مدل تشخیص همایندی برای شناسایی عبارات رایج در جلسات دادگاه. این عبارات، سپس به سیستم ASR تزریق می‌شوند تا دقت آن در تشخیص این عبارات بهبود یابد. به عنوان مثال، عبارت “ماده فلان قانون” یا “رای وحدت رویه” ممکن است به عنوان همایند شناسایی و به مدل معرفی شود.
• ارزیابی عملکرد: ارزیابی عملکرد سیستم با استفاده از معیارهایی مانند نرخ خطای کلمات (WER) و بررسی دستی آوانویسی‌ها برای شناسایی خطاهای حیاتی.

برای مثال، در نظر بگیرید که یک سیستم ASR عمومی ممکن است در تشخیص عبارت “judicial review” (بازبینی قضایی) دچار مشکل شود و آن را به صورت دیگری آوانویسی کند. با استفاده از مدل تشخیص همایندی و تزریق این عبارت به سیستم، می‌توان دقت تشخیص آن را به طور قابل توجهی افزایش داد.

یافته‌های کلیدی این تحقیق نشان می‌دهد که تنظیم دقیق یک سیستم ASR از پیش آموزش‌دیده با یک مدل زبانی متناسب با حوزه حقوقی و استفاده از مدل تشخیص همایندی، می‌تواند به طور قابل توجهی دقت آوانویسی جلسات دیوان عالی بریتانیا را بهبود بخشد.

به طور خاص، این تحقیق نشان داد که:

• نرخ خطای کلمات (WER) به طور قابل توجهی کاهش یافته است.
• از بروز خطاهای حیاتی مربوط به اصطلاحات تخصصی حقوقی جلوگیری شده است.
• زمان و هزینه آوانویسی جلسات دادگاه به طور چشمگیری کاهش یافته است.

به عنوان مثال، در یک آزمایش، سیستم ASR بهبودیافته توانست نرخ خطای کلمات را تا 20 درصد کاهش دهد و اصطلاحات تخصصی حقوقی را با دقت 95 درصد تشخیص دهد.

کاربرد اصلی این تحقیق، ارائه یک ابزار آوانویسی خودکار دقیق و کارآمد برای جلسات دیوان عالی بریتانیا است. این ابزار می‌تواند:

• دسترسی به متن کامل جلسات دادگاه را برای حقوقدانان، محققان و عموم مردم تسهیل کند.
• زمان و هزینه آوانویسی را کاهش دهد.
• بهبود شفافیت و پاسخگویی نظام قضایی را ارتقا دهد.

علاوه بر این، این تحقیق می‌تواند به توسعه ابزارهای آوانویسی خودکار برای سایر حوزه‌های تخصصی، مانند پزشکی و مهندسی نیز کمک کند.

دستاورد دیگر این تحقیق، ارائه یک چارچوب روش‌شناختی برای بهینه‌سازی سیستم‌های ASR برای حوزه‌های تخصصی است. این چارچوب می‌تواند توسط سایر محققان و توسعه‌دهندگان برای بهبود دقت و کارایی سیستم‌های ASR در زمینه‌های مختلف مورد استفاده قرار گیرد.

مقاله “بهبود آوانویسی جلسات دیوان عالی بریتانیا” نشان می‌دهد که استفاده از پردازش زبان طبیعی (NLP) و سیستم‌های تشخیص گفتار خودکار (ASR) می‌تواند به طور قابل توجهی دقت و کارایی آوانویسی جلسات دادگاه را بهبود بخشد. این امر، نه تنها دسترسی به عدالت را تسهیل می‌کند، بلکه می‌تواند زمان و هزینه آوانویسی را نیز کاهش دهد.

این تحقیق، گامی مهم در جهت توسعه ابزارهای هوشمند برای پشتیبانی از نظام قضایی است و می‌تواند به بهبود شفافیت و پاسخگویی این نظام کمک کند. با ادامه تحقیقات در این زمینه، می‌توان انتظار داشت که در آینده شاهد توسعه ابزارهای آوانویسی خودکار دقیق‌تر و کارآمدتری باشیم که به طور گسترده در حوزه‌های مختلف مورد استفاده قرار می‌گیرند.