Chunking German Legal Code

ملخص تقني: تقسيم النصوص القانونية الألمانية

بيان المشكلة
يتطلب الاعتماد المتزايد للنماذج اللغوية الكبيرة (LLMs) في الخدمات القانونية أنظمة استرجاع معززة بالتوليد (RAG) قوية للتخفيف من ظاهرة "الهلوسة". ومع ذلك، فإن الاسترجاع الفعال يعوقه ظاهرة "الضياع في المنتصف" (lost in the middle) وقيود نافذة السياق، مما يتطلب أن تكون المعلومات المسترجعة صغيرة وذات صلة وثيقة. ويتمثل التحدي الحاسم في المجالات القانونية، وتحديداً في القانون المدني الألماني (Bürgerliches Gesetzbuch, BGB)، في أن استراتيجيات التقسيم القياسية غالباً ما تقطع البنية الهرمية المتعمدة للنصوص التشريعية. فالقواعد القانونية منظمة في وحدات محددة (أقسام، فقرات، جمل) حيث ترتبط الشروط والنتائج ببعضها ارتباطاً وثيقاً. وتخاطر طرق التقسيم التقليدية ذات النوافذ ثابتة الحجم أو التجميعات الدلالية بكسر هذه الحدود المنطقية، مما يؤدي إلى فقدان السياق الضروري للإجابة الدقيقة على الأسئلة القانونية (QA). علاوة على ذلك، تفرض طرق التقسيم المتقدمة أعباءً حسابية كبيرة من حيث وقت بناء الفهرس، وزمن استجابة الاستعلام، ومتطلبات التخزين.

المنهجية
يقيم المؤلفون مجموعة شاملة من استراتيجيات التجزئة على متن (corpus) القانون المدني الألماني، الذي تم توحيده إلى 2,455 قسماً هرمياً. يستخدم التقييم مجموعة بيانات للأسئلة والأجوبة القانونية (gerlayqa-bgb-paraphrased) تحتوي على 525 سؤالاً من غير المتخصصين مع تسميات ذهبية (gold labels) على مستوى القسم. تقارن الدراسة المناهج التالية:

1. النماذج المرجعية المحافظة على البنية:
   • النوافذ ثابتة الحجم: نوافذ متداخلة بأحجام رموز (tokens) متفاوتة (على سبيل المثال، 16/4 إلى 256/64).
   • الوحدات الأساسية: تقسيم النص عند الحدود القانونية الطبيعية: الأقسام (§)، الفقرات (Absätze)، الجمل (Sätze)، والعبارات (Propositions) (وهي عبارات قانونية قائمة بذاتها).
2. الاستراتيجيات المتقدمة/المكثفة للنماذج اللغوية الكبيرة:
   • تقسيم أسلوب "لومبر" (Lumber-style): يستخدم نموذجاً لغوياً كبيراً لتحديد الحدود الدلالية ديناميكياً، مما ينشئ قطعاً متغيرة الطول قد تمتد عبر عدة أقسام قانونية.
   • التقسيم السياقي (Contextual Chunking): يعزز الوحدات الأساسية بسوابق سياقية مولدة بواسطة النموذج اللغوي (التسلسل الهرمي ونص القسم الكامل) قبل عملية التضمين (embedding).
   • التجميع الدلالي (Semantic Clustering): يجمع الوحدات الأساسية المتشابهة دلالياً باستخدام خوارزمية (KMeans)، حيث يتم تجميع المتجهات في متجهات عنقودية واحدة.
   • رابتور (RAPTOR): طريقة استرجاع هرمية تقوم بتجميع وتلخيص القطع بشكل متكرر في بنية شجرية، وتوجيه الاستعلامات عبر عقد الملخص وصولاً إلى عقد الأوراق (leaf nodes).

مقاييس التقييم
تقيس الدراسة أربعة أبعاد رئيسية:

• الاستدعاء عند 10 (Recall@10): القدرة على استرجاع أفضل 10 أقسام متميزة تطابق التسميات الذهبية.
• زمن استجابة الاستعلام (Query Latency): وقت البحث والتجميع عبر الإنترنت (باستثناء التضمين الأولي).
• وقت بناء الفهرس (Index Build Time): التكلفة الحسابية غير المتزامنة لبناء الفهرس.
• متطلبات التخزين: البصمة الذاكرية المستمرة للفهرس والبيانات الوصفية.

النتائج الرئيسية

• أداء الاسترجاع: حققت الاستراتيجيات المتوافقة مع البنية القانونية الأصلية أعلى مستويات الاستدعاء. حقق استرجاع الفقرات أفضل أداء (Recall@10 ≈ 0.47)، يليه مباشرة استرجاع الأقسام (≈ 0.46). وجاء استرجاع الجمل والعبارات في المرتبة التالية. في المقابل، كانت المناهج التي تتجاوز البنية القانونية أسوأ أداءً: حيث حقق تقسيم أسلوب لومبر والتقسيم ثابت الحجم أدنى مستويات الاستدعاء، وكان أوسع إعداد ثابت الحجم (256/64) هو الأسوأ أداءً. أما التجميع الدلالي ورابتور فقد شغلا مرتبة متوسطة، حيث أخفقا عموماً في التفوق على النماذج المرجعية الهيكلية.
• زمن الاستجابة: كان رابتور هو الأسرع (حوالي 2.0–2.3 مللي ثانية) بسبب التقليم الهرمي لمساحة البحث. بينما كان التجميع الدلالي ولومبر الأبطأ (13–16 مللي ثانية) بسبب عمليات الدمج المكثفة بعد الاسترجاع. ومن بين النماذج المرجعية المسطحة، تدرج زمن الاستجابة مع زيادة الدقة: القسم ≈ العبارة < الجملة < الفقرة، حيث تؤدي الوحدات الأكثر دقة إلى ربط عدد أقل من الأقسام الأبوية المتميزة، مما يقلل من عبء التجميع.
• وقت البناء: كانت الفهارس المسطحة الحتمية (ثابتة الحجم، القسم) هي الأسرع (أقل من دقيقة واحدة). بينما تطلب رابتور ولومبر وقتاً أطول بكثير (3–11 ساعة) بسبب الاستدعاءات المتكررة للنماذج اللغوية الكبيرة للتلخيص وتحديد الحدود. كما تكبد التقسيم السياقي تكاليف عالية أيضاً (38–51 دقيقة) بسبب المعالجة المسبقة بالنماذج اللغوية.
• التخزين: كان ثابت الحجم (256/64) والتجميع الدلالي الأكثر إيجازاً (حوالي 15 ميجابايت) بسبب تقليل المتجهات. زاد التخزين بشكل مطرد في النماذج المرجعية المسطحة مع زيادة الدقة (القسم < الفقرة < الجملة < العبارة). وتطلب رابتور مساحة أكبر من النماذج المرجعية المسطحة بسبب تخزين كل من عقد الأوراق وعقد الملخصات.

الأهمية والادعاءات
توضح الورقة وجود مقايضة حرجة بين الإثراء الدلالي والكفاءة التشغيلية. يزعم المؤلفون أنه بالنسبة للنصوص التشريعية المقننة مثل القانون المدني الألماني، فإن الحفاظ على البنية الخاصة بالمجال أكثر فعالية من محاولة الإثراء الدلالي أو إعادة تنظيم النص عبر طرق معقدة مدفوعة بالنماذج اللغوية الكبيرة.

• السلامة الهيكلية: إن الحدود المتعمدة التي وضعها المشرعون (الأقسام والفقرات) تجمع طبيعياً بين الشروط والنتائج. ويتماشى الاسترجاع عند هذا المستوى من الدقة مع قصد المشرع ومع التسميات الذهبية للتقييم، بينما تميل الطرق التي تجمع الأحكام بناءً على التشابه الموضوعي (التجميع الدلالي) أو التماسك المتوقع (لومبر) إلى طمس التمايزات القانونية المحددة، مما يقلل من الاستدعاء.
• الكفاءة مقابل التعقيد: توفر الطرق البسيطة المحافظة على البنية دقة استرجاع متفوقة أو مماثلة بتكاليف حسابية أقل بكثير (وقت البناء، زمن الاستجابة، والتخزين) مقارنة بالتقنيات المكثفة للنماذج اللغوية الكبيرة مثل رابتور ولومبر.
• القصور: تقر الدراسة بأن النتائج خاصة بالقانون المدني الألماني واستعلامات غير المتخصصين. وهي لا تعالج حل الإحالات المرجعة (الروابط الصريحة أو الضمنية بين الأقسام)، والتي تظل مجالاً محتملاً للتحسين المستقبلي. كما يركز التقييم على صحة الاسترجاع بدلاً من الأداء التوليدي اللاحق.

في الختام، يرى المؤلفون أنه بالنسبة لاسترجاع المعلومات القانونية من القوانين المهيكلة، فإن النهج "الأبسط" —أي احترام التسلسل الهرمي الأصلي للقانون— هو غالباً الأكثر قوة وكفاءة، مما يتحدى الافتراض القائل بأن التقسيم الدلالي الأكثر تعقيداً هو دائماً الأفضل.