💬 NLP

Towards Intelligent Legal Document Analysis: CNN-Driven Classification of Case Law Texts

تقترح هذه الورقة إطار عمل يعتمد على الشبكات العصبية الالتفافية (CNN) يتميز بخفته ودقته العالية، حيث يجمع بين التجذير (lemmatization)، وتضمينات FastText، والالتفاف متعدد النوى لتحقيق تصنيف فائق لعمليات الاستشهاد والمعالجة في الوثائق القانونية، متفوقاً بذلك على نماذج المحولات (transformer) الثقيلة مثل BERT في كل من الدقة وسرعة الاستدلال.

المؤلفون الأصليون: Moinul Hossain, Sourav Rabi Das, Zikrul Shariar Ayon, Sadia Afrin Promi, Ahnaf Atef Choudhury, Shakila Rahman, Jia Uddin

نُشر 2026-04-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Moinul Hossain, Sourav Rabi Das, Zikrul Shariar Ayon, Sadia Afrin Promi, Ahnaf Atef Choudhury, Shakila Rahman, Jia Uddin

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 أمين مكتبة في مكتبة ضخمة وعريقة. كل يوم، تصل آلاف الكتب الجديدة (القضايا القانونية). كل كتاب مكتوب بلغة قديمة ومحددة للغاية، مليئة بالجمل الطويلة والمربكة والعبارات اللاتينية الغريبة. مهمتك هي فرز هذه الكتب في صناديق مختلفة بناءً على كيفية تعاملها مع الكتب الأخرى التي تذكرها. هل تمدح كتاباً سابقاً؟ أم تقول إنه خاطئ؟ أم تذكره فقط بشكل عابر؟

القيام بذلك يدوياً مرهق، بطيء، وعرضة للأخطاء. ومن هنا تأتي أهمية هذه الورقة البحثية. لقد صنع المؤلفون روبوت أمين مكتبة ذكي يمكنه قراءة هذه الكتب القانونية وفرزها في لمح البصر، وقد فعلوا ذلك دون الحاجة إلى حاسوب خارق بحجم منزل.

إليك قصة كيفية بناء هذا الروبوت، مشروحة ببساة:

١. المشكلة: الروبوت "الثقيل"

في الماضي، حاول الناس حل هذه المشكلة باستخدام "روبوتات ثقيلة" (مثل BERT). فكر في هذه الروبوتات كأنها نماذج ذكاء اصطناعي عملاقة وقوية قرأت الإنترنت بأكمله. إنها ذكية ودقيقة للغاية، ولكنها أيضاً:

ثقيلة: تتطلب كميات هائلة من الكهرباء ورقائق حاسوبية باهظة الثمن.
بطيئة: تستغرق وقتاً طويلاً لقراءة صفحة واحدة.
خرقاء: أحياناً ترتبك بسبب المصطلحات القانونية الغريبة والمحددة لأنها تحاول فهم كل شيء في وقت واحد.

سأل المؤلفون: "هل يمكننا بناء 'روبوت خفيف الوزن' يكون بنفس الذكاء ولكنه يعمل على حاسوب محمول عادي وبسرعة الضوء؟"

٢. الحل: "الثلاثي الذكي"

ابتكر المؤلفون نظاماً جديداً يجمع بين ثلاث أدوات بسيطة ولكنها قوية. فكر في الأمر كأنه فريق من ثلاثة متخصصين يعملون معاً:

أ. المترجم (التحليل الصرفي - Lemmatization)

النصوص القانونية فوضوية. قد يكتب المحامي "citing" (يستشهد)، أو "cited" (استشهد)، أو "cites" (يستشهد)، أو "citation" (استشهاد). بالنسبة للحاسوب، تبدو هذه أربع كلمات مختلفة.

التشبيه: تخيل مترجماً يحول جميع هذه التنويعات فوراً إلى شكلها "الأصلي". لذا، فإن "citing" و"cited" و"cites" تصبح جميعها مجرد "cite".
لماذا يساعد ذلك: إنه يمنع الروبوت من الارتباك بسبب حيل القواعد النحوية ويسمح له بالتركيز على المعنى.

ب. القاموس (تضمينات FastText)

الوثائق القانونية مليئة بالكلمات النادرة، والعبارات اللاتينية، والمصطلحات التي لا توجد في القواميس العادية.

التشبيه: بدلاً من مجرد البحث عن كلمة كاملة، تنظر هذه الأداة إلى الحروف داخل الكلمة. إذا رأى الروبوت كلمة قانونية غريبة لم يسبق له رؤيتها، فإنه يفككها إلى أجزاء صغيرة (مثل "un-"، "just-"، "-able") ليخمن معناها بناءً على أجزائها.
لماذا يساعد ذلك: الأمر يشبه وجود محقق يمكنه معرفة هوية شخص غريب حتى لو كان يرتدي تنكراً، فقط من خلال النظر إلى حذائه وقبعته.

ج. الماسح الضوئي (الشبكة العصبية التلافيفية متعددة النواة - Multi-Kernel CNN)

هذا هو عقل العملية. الروبوت لا يقرأ مجرد كلمة واحدة في كل مرة؛ بل يمسح النص باستخدام ثلاث "عدسات مكبرة" مختلفة في نفس الوقت.

التشبيه: تخيل النظر إلى لوحة من خلال ثلاث عدسات مختلفة:
- العدسة ١ (صغيرة): تنظر إلى التفاصيل الدقيقة (عبارات من كلمتين).
- العدسة ٢ (متوسطة): تنظر إلى الجمل القياسية (عبارات من ٣ كلمات).
- العدسة ٣ (واسعة): تنظر إلى المشهد بأكمله (عبارات من ٥ كلمات).
لماذا يساعد ذلك: من خلال استخدام جميع هذه العدسات في وقت واحد، يلتقط الروبوت الإشارات القانونية القصيرة، والحجج متوسطة الحجم، والجمل الطويلة والمعقدة دفعة واحدة.

٣. النتائج: فوز الطرف الأضعف

اختبر الفريق "الروبوت الخفيف" الخاص بهم ضد "الروبوتات الثقيلة" (مثل BERT) وبعض الطرق القديمة والأبسط. إليكم ما حدث:

الدقة: أصاب روبوتهم في ٩٧.٢٦٪ من الإجابات. وهذا في الواقع أفضل من نموذج BERT الضخم والثقيل (الذي حقق ٩٧.١٢٪).
السرعة: هذا هو السحر الحقيقي. استغرق نموذج BERT الثقيل ٤.٢٥ مللي ثانية لقراءة وثيقة. أما الروبوت الجديد فقد فعل ذلك في ٠.٣١ مللي ثانية.
- التشبيه: إذا كان BERT سيارة فيراري تستغرق ١٠ ثوانٍ لتشغيل محركها، فإن الروبوت الجديد هو سيارة فورمولا ١ تبدأ فوراً. إنه أسرع بـ ١٣ مرة.
الكفاءة: يحتاج الروبوت الثقيل إلى حاسوب ضخم يحتوي على ١١٠ مليون "خلية دماغية" (معلمات). أما الروبوت الجديد فيحتاج فقط إلى ٥.١ مليون. إنه يشبه مقارنة حاسوب خارق بهاتف ذكي متطور.

٤. لماذا يهم هذا؟

تخيل شركة محاماة لديها آلاف القضايا.

قبل: عليهم توظيف فريق من المحامين المرهقين لفرز الوثائق يدوياً، أو عليهم دفع مبالغ طائلة مقابل حواسيب باهظة وبطيئة للقيام بذلك.
الآن: يمكنهم استخدام هذا النظام الخفيف. إنه رخيص، ويعمل على الحواسيب العادية، ويفرز الوثائق في رمشة عين بدقة تقارب الكمال.

الخلاصة

تثبت الورقة البحثية أنك لست بحاجة دائماً إلى أكبر وأغلى ذكاء اصطناعي لحل مشكلة صعبة. من خلال كونك ذكياً في كيفية تنظيف البيانات (المترجم)، وكيفية فهم الكلمات (القاموس)، وكيفية المسح بحثاً عن الأنماط (الماسح الضوئي)، يمكنك بناء نظام هو أسرع، وأرخص، وأكثر ذكاءً من العمالقة.

إنه تذكير بأن الحل الأفضل ليس دائماً في بناء مطرقة أكبر، بل في بناء واحدة أكثر حدة وخفة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "نحو تحليل ذكي للوثائق القانونية: تصنيف نصوص السوابق القضائية القائم على الشبكات العصبية الالتفافية (CNN)."

١. بيان المشكلة

يواجه المجال القانوني تحدياً حرجاً بسبب النمو الهائل في أرشيفات السوابق القضائية الرقمية. إن عملية الفرز والتصنيف اليدوي لهذه الوثائق تستغرق وقتاً طويلاً وعرضة للخطأ بسبب:

التعقيد اللغوي: السجلات الرسمية، تراكيب الجمل الطويلة، والمصطلحات اللاتينية المتخصصة.
التباين المورفولوجي (الصرفي): الاختلافات الاشتقاقية والمصطلحات خارج القاموس (OOV) التي تجد نماذج معالجة اللغات الطبيعية (NLP) القياسية صعوبة في تطبيعها.
التكاليف الحسابية: تعتمد الحلول المتطورة غالباً على نماذج "ترانسفورمر" (Transformer) ثقيلة (مثل BERT وLegal-BERT) والتي تتطلب موارد حاسوبية هائلة، ومجموعات بيانات تدريب ضخمة، وتعاني من زمن استجابة مرتفع عند الاستنتاج، مما يجعلها غير مناسبة للتحليلات القانونية في الوقت الفعلي أو في البيئات محدودة الموارد.

المهمة المحددة التي تعالجها الدراسة هي تصنيف معاملة الاستشهاد (Citation-Treatment Classification): تحديد كيفية تعامل حكم حالي مع سلطة مستشهد بها (على سبيل المثال: مستشهد به، تمت الإشارة إليه، تم تمييزه، تم نقضه، إيجابي، محايد، سلبي).

٢. المنهجية

يقترح المؤلفون مسار عمل خفيف الوزن وعالي الدقة يجمع بين المعالجة اللغوية التقليدية والتعلم العميق، متجنبين الأعباء الحسابية لنماذج "الترانسفورمر" الضخمة.

أ. مسار المعالجة المسبقة للبيانات

١. التنظيف والتطبيع: إزالة روابط URL، الأرقام، علامات الترقيم، والنصوص القانونية النمطية، وتحويل النص إلى حالة الأحرف الصغيرة (lowercase).
٢. التقطيع وإزالة كلمات التوقف: تقسيم النص إلى وحدات (tokens) وإزالة كلمات التوقف الإنجليزية القياسية والوحدات القصيرة (أقل من ٣ أحرف).
٣. الرد إلى الأصل (Lemmatization): خطوة حاسمة حيث يتم رد الوحدات إلى أشكالها المعجمية الأساسية (مثلاً: citing, cited $\leftarrow$ cite) باستخدام WordNet. هذا يقلل من التشتت المعجمي الناتج عن الاختلافات الاشتقاقية الشائعة في النصوص القانونية.
٤. التضمين (Embedding): تُستخدم المجموعة المردة إلى أصلها لتدريب تضمينات FastText (بأبعاد $d=500$ ). تم اختيار FastText لقدرتها على التعامل مع الكلمات خارج القاموس (OOV) والمصطلحات القانونية النادرة عبر تفكيكها إلى وحدات فرعية (n-gram للكلمات على مستوى الحروف).

ب. البنية المقترحة: CNN متعددة النوى (Multi-Kernel 1D-CNN)

النموذج الأساسي هو شبكة عصبية التفافية (CNN) مصممة لالتقاط الأنماط القانونية عند مستويات تعددية من الدقة في آن واحد:

المدخلات: تسلسل من ناقلات FastText ( $X \in \mathbb{R}^{L \times d}$ ).
فروع التفافية متوازية: ثلاثة طبقات التفافية أحادية الأبعاد (1D) متوازية مع أحجام نوى مختلفة:
- $k=2$ : لالتقاط الثنائيات (bigrams) القصيرة للاستشهاد.
- $k=3$ : لالتقاط العبارات القانونية متوسطة المدى.
- $k=5$ : لالتقاط الأنماط الجملية الأطول.
الترشيح (Filtering): يستخدم كل حجم نواة ١٢٨ مرشحاً مع دالة تنشيط ReLU.
التجميع (Pooling): يتم تطبيق التجميع الأقصى العالمي (Global Max Pooling) على كل فرع لاستخراج الميزات الأكثر بروزاً.
التصنيف: يتم دمج الميزات المجمعة، وتمريرها عبر طبقة إسقاط (Dropout) بمعدل ٠.٤، ثم تغذيتها في طبقة Softmax كاملة الاتصال للتنبؤ متعدد الفئات.
التدريب: تدريب شامل (End-to-end) باستخدام خسارة الإنتروبيا المتقاطعة (cross-entropy loss) مع مُحسن Adam. يتم ضبط تضمينات FastText بشكل مشترك مع معاملات الـ CNN.

٣. المساهمات الرئيسية

١. مسار عمل خفيف الوزن وعالي الأداء: تحقق بنية (CNN + FastText + Lemmatization) المقترحة دقة تقارب دقة نماذج "الترانسفورمر" (٩٧.٢٦٪) بينما هي أسرع وأصغر حجماً بشكل ملحوظ.
٢. التعامل الفعال مع المورفولوجيا القانونية: تثبت الدراسة تجريبياً أن الجمع بين "الرد إلى الأصل" (Lemmatization) وتضمينات FastText المدركة للوحدات الفرعية يتفوق على النماذج القاعدية للتعلم العميق في التعامل مع المتغيرات الصرفية والمصطلحات القانونية خارج القاموس.
٣. المفاضلة بين الكفاءة والأداء: يعمل النموذج بـ ٥.١ مليون معلمة فقط (مقارنة بـ ١١٠ مليون في BERT) ويحقق زمن استجابة قدره ٠.٣١ مللي ثانية (أسرع بـ ١٣ مرة من BERT)، مما يجعله قابلاً للتطبيق في التحليلات في الوقت الفعلي أو في البيئات محدودة الموارد.
٤. معالجة مسبقة متخصصة في المجال: مسار عمل قابل لإعادة الاستخدام مصمم لسيمانتيكا (دلالات) السوابق القضائية ويتعمم دون الحاجة لهندسة الميزات اليدوية.

٤. النتائج التجريبية

تم تقييم النظام على مجموعة بيانات عامة مكونة من ٢٥,٠٠٠ وثيقة قانونية مشروحة (٧٥٪ تدريب / ٢٥٪ اختبار).

مقاييس الأداء

النموذج	الدقة (%)	درجة F1 الكلية (Macro F1) (%)	المعلمات (مليون)	زمن الاستجابة (مللي ثانية)
المقترح (CNN+FT+Lem)	٩٧.٢٦	٩٦.٨٢	٥.١	٠.٣١
BERT (مضبوط بدقة)	٩٧.١٢	٩٦.٨٨	١١٠.٠	٤.٢٥
LSTM + FastText	٩٥.٦٨	٩٥.١٠	٧.٢	٠.٧٨
CNN (تضمين عشوائي)	٩٣.٥١	٩٢.٨٨	٣.٦	٠.٤٥
KNN (TF-IDF)	٨٩.٤٢	٨٨.٦٠	٠.٠٢	١.٨٧

الدقة: حقق النموذج المقترح ٩٧.٢٦٪، متفوقاً على نموذج BERT المضبوط بدقة (٩٧.١٢٪) وجميع النماذج القاعدية الأخرى.
AUC-ROC: حقق أعلى مساحة تحت المنحنى بنسبة ٩٧.٨٣٪، مما يشير إلى حساسية وخصوصية فائقة عبر جميع فئات الاستشهاد.
الكفاءة: النموذج أسرع بـ ١٣ مرة في الاستنتاج ويتطلب أقل بنسبة ~٩٥٪ من المعلمات مقارنة بـ BERT.

تحليل الخطأ

مصفوفة الارتباك (Confusion Matrix): انحصرت الأخطاء بشكل أساسي في الفئات المتجاورة دلالياً (مثل: إيجابي مقابل محايد، تمييز مقابل نقض)، مما يعكس الغموض اللغوي المتأصل في الصياغة القانونية وليس فشلاً في النموذج.
دراسة الاستئصال (Ablation Study): ثبت أن تكوين النوى المتعددة $\{٢, ٣, ٥\}$ ضروري. استخدام نواة واحدة ( $k=3$ ) أدى إلى انخفاض الدقة إلى ٩٥.٨٪، بينما حقق نهج النوى الثلاثية أقصى أداء من خلال التقاط الأنماط متعددة المقاييس.
المتانة: عند حقن ضوضاء غاوسية ( $\sigma=0.05$ )، تدهورت الدقة بنسبة ١.٣٪ فقط (إلى ٩٥.٩٪)، مما أظهر مرونة عالية.

٥. الأهمية والخاتمة

تثبت هذه الورقة أن البنى الالتفافية المصممة بعناية وخفيفة الوزن يمكن أن تنافس نماذج "الترانسفورمر" الثقيلة في المجالات المتخصصة مثل تحليل النصوص القانونية.

الأثر العملي: يقدم النظام المقترح بديلاً قابلاً للتوسع وفعال الموارد للمؤسسات القانونية، مما يسمح بفرز الوثائق في الوقت الفعلي دون الحاجة إلى مجموعات حوسبة (GPU) باهظة الثمن أو بيانات تدريب ضخمة.
المساهمة العلمية: تتحدى الدراسة الافتراض بأن النماذج اللغوية الكبيرة ضرورية دائماً للحصول على دقة عالية في معالجة اللغات الطبيعية القانونية، وتسلط الضوء على قيمة المعالجة المسبقة المتخصصة (الرد إلى الأصل) وتضمينات الوحدات الفرعية (FastText) عند دمجها مع بنى فعالة.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع مسار العمل ليشمل مجموعات بيانات متعددة اللغات/الولايات القضائية، ودمج طبقات "ترانسفورمر" خفيفة الوزن للسياق طويل المدى، ودمج الذكاء الاصطناعي القابل للتفسير (XAI) لمساعدة الممارسين القانونيين في فهم تنبؤات النموذج.