A Two-Stage Architecture for NDA Analysis: LLM-based Segmentation and Transformer-based Clause Classification
تقترح هذه الورقة بنية مكونة من مرحلتين تجمع بين نموذج LLaMA-3.1-8B-Instruct لتجزئة اتفاقيات عدم الإفصاح (NDA) ونموذج Legal-Roberta-Large مضبوط بدقة لتصنيف البنود، محققةً دقة عالية (مقياس ROUGE F1 يبلغ 0.95 ووزن F1 يبلغ 0.85) لأتمتة تحليل اتفاقيات عدم الإفصاح المعقدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محامٍ، ولكن بدلاً من مراجعة عقد واحد في اليوم، أنت تغرق في بحر من اتفاقيات عدم الإفصاح (NDAs). هذه هي "المصافحات" القانونية التي توقعها الشركات لتتعهد بعدم إفشاء أسر بعضها البعض.
المشكلة؟ كل شركة تكتب هذه الاتفاقيات بشكل مختلف. بعضها قصير وموجز؛ والبعض الآخر عبارة عن 50 صفحة من المصطلحات القانونية الكثيفة والمربكة التي لا تملك هيكلاً واضحاً. قراءة هذه الوثائق يدوياً أمر بطيء، ممل، ومن السهل الوقوع في الخطأ فيه. قد تفوتك فقرة صغيرة تقول: "بالمناسبة، نحن نملك فكرتك الآن"، مدفونة في الفقرة رقم 42.
تقترح هذه الورقة البحثية فريق روبوتات مكون من مرحلتين للقيام بالعمل الشاق نيابة عنك. فكر في الأمر كخط تجميع عالي التقنية للوثائق القانونية.
🏗️ خط التجميع ذو المرحلتين
بُني النظام مثل سباق التتابع مع عداءين: المجزئ (The Segmenter) والمصنف (The Classifier).
المرحلة 1: المجزئ (المجلّد - "The Book Binder")
المشكلة: اتفاقية عدم الإفصاح تشبه كتلة ضخمة من الرخام غير المنحوت. إنها كلها كتلة واحدة كبيرة من النص. لا يمكنك تحليلها حتى تقطعها إلى قطع يمكن إدارتها (بنود). لكن النصوص القانونية فوضوية؛ فأحياناً يكون البند جملة واحدة، وأحياناً يكون ثلاث فقرات، وأحياناً يكون التنسيق كابوساً.
الحل: يستخدم الفريق ذكاءً اصطناعياً فائق الذكاء يسمى LLaMA (فكر فيه كمكتبي جداً، سريع القراءة، ومطلع جداً).
- كيف يعمل: تقوم بتغذية الاتفاقية بأكملها للمكتبي. يقرأ المكتبي الوثيقة بأكملها ويقول: "حسناً، هذا هو البند 1، وهذا هو البند 2، وهذا هو البند 3..."
- الخدعة السحرية: علم الباحثون هذا المكتبي تجاهل التنسيق الفوضوي (مثل الأعمدة الغريبة أو الجداول) والتركيز فقط على المعنى لمعرفة أين ينتهي فكرة ما وتبدأ الفكرة التالية.
- النتيجة: إنه دقيق للغاية. إذا كانت الوثيقة الأصلية تحتوي على 100 بند، فقد وجد الروبوت 95 منها بدقة تامة ولم يفت الأجزاء المهمة. إنه يشبه طاهياً ماهراً يقطع رغيف الخبز بدقة مثالية بحيث تكون كل شريحة بالحجم المناسب تماماً، حتى لو كان شكل الرغيف غريباً.
المرحلة 2: المصنف (خبير التصنيف - "The Labeling Expert")
المشكلة: الآن بعد أن حصلت على البنود الفردية، تحتاج إلى معرفة نوع هذه البنود. هل هذا بند "السرية"؟ أم بند "القانون الحاكم"؟ أم بند "من سيتم فصله إذا خرقنا القواعد"؟
الحل: يستخدم الفريق ذكاءً اصطناعياً متخصصاً يسمى Legal-Roberta (فكر في هذا كعالم قانوني قرأ آلاف العقود وحفظ الأنماط).
- كيف يعمل: يقوم "المجزئ" بتسليم البنود المقطعة إلى "العالم". يقرأ العالم بنداً ما ويصرخ: "هذا بند سرية!" أو "هذا بند إنهاء!".
- التحدي: بعض البنود مخادعة. قد تتحدث فقرة واحدة عن "السرية" و"المسؤولية" في آن واحد. إنها مشكلة تعدد التصنيفات (مثل أغنية هي "روك" و"جاز" في نفس الوقت). كما أن بعض أنواع البنود نادرة (مثل "حقوق المنافسة")، مما يجعل من الصعب على الروبوت التعلم.
- النتيجة: "العالم" جيد جداً في رصد البنود الشائعة (بنسبة دقة تصل إلى حوالي 85% إجمالاً). إنه يشبه محققاً متمرساً يمكنه فوراً رصد أكثر أنواع الأدلة شيوعاً، حتى لو فاتته بعض الأدلة النادرة والغامضة أحياناً.
🧪 كيف اختبروا ذلك؟
لم يكتفِ الباحثون بالتخمين؛ بل أخضعوا النظام لاختبار صارم.
- مجموعة البيانات: استخدموا 322 اتفاقية عدم إفصاح حقيقية من قاعدة بيانات عامة. كانت هذه وثائق حقيقية وفوضوية من شركات مختلفة، وليست مجرد أمثلة نظيفة ومثالية.
- فحص "الإبرة في كومة القش": للتأكد من أن "المجزئ" لم يكتفِ بتخمين العدد الصحيح من البنود بل حصل بالفعل على النص الصحيح، استخدموا خوارزمية رياضية خاصة (Needleman-Wunsch). تخيل محاولة مطابقة نسختين مختلفتين قلياً من قصة ما؛ تقوم هذه الخوارزمية بمحاذاة الكلمات كلمة بكلمة لترى مدى تطابقهما.
- الدرجة:
- التجزئة: حصل الروبوت على درجة 95%. لقد قام بتقطيع الوثائق بشكل مثالي تقريباً.
- التصنيف: حصل على درجة 85% في البنود الأكثر شيوعاً. إنه ليس مثالياً بعد (لأن اللغة القانونية معقدة وبعض البنود نادرة)، لكنه جيد بما يكفي لتوفير ساعات من العمل على المحامين.
🚀 لماذا يهم هذا الأمر؟
حالياً، يقضي المحامون ساعات في قراءة هذه الوثائق، وهم يحدقون في الشاشة، آملين ألا تفوتهم فخاخ مخفية.
- قبل: يقرأ المحامي اتفاقية عدم إفصاح مكونة من 30 صفحة، وهو يضيق عينيه أمام الشاشة، آملاً ألا يفوت أي فخ مستتر.
- بعد: يقرأ الروبوت الـ 30 صفحة في ثوانٍ، ويقطعها، ثم يسلم المحامي قائمة مرتبة: "إليك الـ 14 بنداً. البند 3 يتعلق بالمال، البند 7 يتعلق بالسرية، والبند 12 يتعلق بمن يملك الملكية الفكرية. عليك فقط التحقق من هذه الثلاثة."
🔮 ما التالي؟
يعترف المؤلفون بأن النظام ليس مثالياً بعد. فهو يعاني قليلاً مع البنود النادرة والغريبة بسبب عدم وجود أمثلة كافية لتعليمه إياها.
- الخطة المستقبلية: يريدون تعليم الروبوت ليس فقط إيجاد وتصنيف البنود، بل أيضاً إعادة كتابتها. تخيل روبوتاً يقول: "مهلاً، هذا البند غامض للغاية. إليك نسخة أفضل وأكثر أماناً منه".
باختصار: تبني هذه الورقة البحثية مساعداً ذكياً يحول كومة فوضوية من الأوراق القانونية إلى ملف منظم ونظيف ومصنف، مما يسمح للمحامين البشر بالتركيز على القرارات الكبيرة بدلاً من القراءة المملة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.