💬 NLP

By Their Fruits You Will Know Them: Comparing Formalizations of Law by the Decisions They Encode

تقدم هذه الورقة طريقة للمقارنة المنهجية بين الصياغات القانونية من خلال حصر وتوصيف الحالات الحدية التي تختلف فيها، مما يكشف أن التشابه الهيكلي لا يضمن الاتساق السلوكي، وأن الصياغات التي تولدها النماذج اللغوية الكبيرة يمكن أن تنتج اختلافات متباينة وذات دلالة قانونية.

المؤلفون الأصليون: Julius Vernie, Matthias Grabmair

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Julius Vernie, Matthias Grabmair

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 أن لديك وصفة معقدة للغاية لقاعدة قانونية، مكتوبة بلغة غامضة بعض الشيء. تطلب من تسعة طهاة خبراء مختلفين (نماذج الذكاء الاصطناعي) ترجمة هذه الوصفة إلى مخطط انسيابي صارم وخطوة بخطوة يمكن للروبوت اتباعه.

المشكلة هي: حتى لو استخدم الطهاة نفس المكونات وكتبوا الخطوات بترتيب متشابه، فقد يفسر بعضهم بعض التعليمات الرئيسية بشكل مختلف سراً. قد يعتقد أحد الطهاة أن "إضافة الملح" تعني "رشة ملح"، بينما يعتقد آخر أنها تعني "كوباً". إذا نظرت إلى مخططاتهم الانسيابية جنباً إلى جنب، فقد تبدو متطابقة بنسبة 90%. لكن إذا قمت بتغذية الروبوت بمزيج مكونات معين ومراوغ، فقد يقول روبوت أحد الطهاة "قدم هذا الطبق"، بينما يقول روبوت الآخر "ارمهِ بعيداً".

هذه الورقة البحثية تدور حول طريقة جديدة لاكتشاف هذه الخلافات الخفية قبل أن يتأذى أحد.

المشكلة الجوهرية: "من ثمارهم تعرفونهم"

يأتي العنوان من مقولة قديمة: لا يمكنك الحكم على الشجرة من مظهرها فقط، بل يجب عليك تذوق الثمار. في عالم الذكاء الاصطناعي والقانون، "الشجرة" هي القاعدة الرسمية (المخطط الانسيابي)، و"الثمرة" هي القرار الذي تتخذه بشأن حالة معينة.

يجادل المؤلفون بأن مجرد مقارنة بنية قاعدتين قانونيتين تم إنتاجهما بواسطة الذكاء الاصطناعي ليس كافياً. يمكن لقاعدتين أن تبدوا متطابقتين تقريباً على الورق، لكنهما تنتجان نتائج متناقضة تماماً في السيناريوهات الواقعية. لقد أرادوا طريقة لإيجاد "الحالات الحدية" (edge cases) بشكل منهجي—وهي الحالات الغريبة والمحددة التي تتصادم فيها التفسيرات المختلفة للذكاء الاصطناعي لنفس القانون.

المنهجية: عملية تحقيق من ثلاث خطوات

قام الباحثون ببناء مسار عمل لاكتشاف هذه الخلافات، والذي يسمونه "من ثمارهم". وإليك كيف يعمل، باستخدام تشبيه بسيط:

1. الترجمة (الصياغة الرسمية)
أولاً، أخذوا 10 قوانين مختلفة من الاتحاد الأوروبي (مثل اللائحة العامة لحماية البيانات GDPR أو قانون الذكاء الاصطناعي AI Act) وطلبوا من 9 نماذج ذكاء اصطناعي رائدة تحويل كل قانون إلى "شجرة قرار". فكر في الأمر كأنك تطلب من تسعة مهندسين معماريين مختلفين رسم مخطط لمنزل بناءً على وصف غامض.

2. رسم الخريطة (المطابقة)
بعد ذلك، كان عليهم مقارنة المخططات. لكن المهندسين استخدموا تسميات مختلفة للغرف نفسها. أحدهم أطلق عليها "المطبخ"، والآخر "منطقة الطهي". استخدم الباحثون ذكاءً اصطناعياً ليعمل كمترجم، يربط بين العُقد (الخطوات) في الأشجار المختلفة التي تمثل نفس المفهوم القانوني. لقد بنوا "خريطة مشتركة" توضح أين تتداخل الأشجار.

3. اختبار الإجهاد (SAT Solver والحالات الحدية)
هذا هو الجزء السحري. بمجرد الحصول على الخريطة المشتركة، استخدموا أداة رياضية (SAT solver) لتعمل مثل مهندس اختبار الإجهاد. سألوا: "ما هي أصغر وأغرب مجموعة من الحقائق التي من شأنها أن تجعل هذين المخططين يعطيان إجابات مختلفة؟"

وجدت الأداة هذه "الحالات الحدية"—وهي مجموعات الحقائق المحددة التي تختلف عندها القواعد. على سبيل المثال، قد تجد أن القواعد تختلف فقط إذا كان الروبوت مستخدماً من قبل الشرطة و كانت البيانات قد جُمعت بشكل قانوني لكن ليس لغرض طبي محدد.

4. سرد القصص (التعبير اللفظي)
أخيراً، الرياضيات الخام (التي تبدو كقائمة من المتغيرات "صواب/خطأ") مملة ويصعب على البشر فهمها. لذا، استخدموا ذكاءً اصطناعياً آخر لتحويل هذه المسائل الرياضية إلى قصص قصيرة وواقعية.

بدلاً من: "المدخل أ = صحيح، المدخل ب = خطأ، المدخل ج = صحيح."
يحصلون على: "شركة تبيع نظام تعرّف على الوجوه للشرطة لتحديد العرق. تم جمع البيانات بشكل قانوني، لكن النظام لا يُستخدم للفلترة."

ما الذي وجدوه؟

عندما أجروا هذه التجربة على 10 قوانين من قوانين الاتحاد الأوروبي و9 نماذج ذكاء اصطناوي، اكتشفوا بعض الأشياء المفاجئة:

المظاهر قد تكون خداعة: لم يكن هناك أي ارتباط تقريباً بين مدى تشابه القواعد من حيث البنية وبين عدد المرات التي تختلف فيها على النتيجة. يمكن لنموذجين أن يتطابقا بنسبة 95% في الهيكل، ومع ذلك يختلفان في 50% من الحالات الحدية.
دراما قانونية حقيقية: كشفت "الثمار" (الحالات الحدية) عن خلافات عميقة وحقيقية في كيفية تفسير القانون.
- مثال: بخصوص موضوع الذكاء الاصطناعي الذي يصنف الأشخاص حسب العرق لأعمال الشرطة، انقسمت نماذج الذكاء الاصطناعي بالتساوي. نصفها قال إن هذا محظور تماماً؛ والنصف الآخر قال إنه مسموح به إذا جُمعت البيانات بشكل قانوني. لم يكن هذا خطأً حاسوبياً؛ بل عكس نقاشاً حقيقياً وقائماً بين الخبراء القانونيين البشر حول ما يعنيه القانون فعلياً.
أخطاء خفية: كما كشفت الطريقة أيضاً عن أخطاء واضحة. أضاف أحد نماذج الذكاء الاصطناعي بالخطأ قاعدة إضافية جعلت شرطاً قانونياً أصعب بكثير مما قصده القانون. وقد كشفت "الثمرة" (الحالة الحدية) هذا الخطأ على الفور.

الخلاصة

تخلص الورقة البحثية إلى أنه لفهم ما إذا كان الذكاء الاصطناعي يفسر القانون بشكل صحيح حقاً، لا يمكنك فقط النظر إلى الكود الخاص به أو مخططه الانسيابي. يجب عليك اختباره مقابل سيناريوهات محددة ومراوغة.

تعمل طريقتهم مثل كشاف الضوء، حيث تسلط الضوء على اللحظات الدقيقة التي تتصادم فيها التفسيرات المختلفة للذكاء الاصطناعي للقانون. إنها تحول الاختلافات الرياضية المجردة إلى قصص ملموسة يمكن للمحامين البشر قراءتها وفهمها ومناقشتها. هي لا تخبرك أي ذكاء اصطناعي هو "المحق" (فهذه مهمة الخبراء البشر)، لكنها تضمن لك معرفة أين ولماذا يختلفون بالضبط.

ملخص تقني: بثمارهم تعرفونهم

بيان المشكلة

إن تحويل النصوص القانونية إلى هياكل قابلة للقراءة آلياً يعد بتمكين الاستدلال القانوني المؤتمت والقانون المتاح للآلة. ومع ظهور النماذج اللغوية الكبيرة (LLMs)، أصبح من الممكن توليد هذه الصياغات الرسمية مباشرة من النصوص التشريعية. ومع ذلك، فإن أي صياغة رسمية تنطوي بطبيعتها على خيارات تفسيرية ضمنية. وعندما يعمل النموذج اللغوي الكبير كـ "مؤلف"، تصبح هذه الخيارات غامضة، وتكون عواقب التفسيرات المتباينة صعبة التوقع. فالصياغة التي تبدو سليمة هيكلياً قد تؤدي إلى أحكام جائرة أو خاطئة في حالات حافة (edge cases) لم يتصورها واضع الصياغة.

يتمثل التحدي الجوهري المعالج في كيفية مقارنة عدة صياغات رسمية لنفس النص القانوني بشكل منهجي لتحديد مواضع اختلافها في مخرجاتها المنطقية، بدلاً من مجرد مقارنة تشابهها الهيكلي. تعتمد الطرق الحالية غالباً على المطابقة الهيكلية أو المقارنة مع "معيار ذهبي"، لكن المؤلفين يجادلون بأن مقارنة الصياغات الرسمية ببعضها البعض دون افتراض وجود حقيقة مطلقة هو أمر ضروري للكشف عن الغموض والخطأ في التفسير.

المنهجية

يقترح المؤلفون مسار عمل مكون من أربع مراحل لمقارنة الصياغات الرسمية التي تولدها النماذج اللغوية الكبيرة للنصوص القانونية:

الصياغة الرسمية (Formalization):
تم توجيه تسعة نماذج لغوية كبيرة رائدة لتوليد صياغات رسمية لعشرة نصوص قانونية مختلفة من الاتحاد الأوروبي (تشمل اللائحة العامة لحماية البيانات GDPR، وقانون الذكاء الاصطناعي AI Act، وقانون الأسواق الرقمية DMA، إلخ). تُمثل كل صياغة كشجرة جذرية موسومة حيث العقد الورقية هي متغيرات المدخلات (الحقائق) والعقد الداخلية هي العمليات المنطقية (AND, OR, NAND, NOR). ويمثل الجذر النتيجة القانونية الثنائية (مثل: "محظور" أو "مسموح").
المطابقة (بناء رسم بياني لفئات التكافؤ):
لمقارنة الأشجار ذات الهياكل المحتمل الاختلاف، تحدد الطريقة العقد عبر الصياغات المختلفة التي تمثل نفس المفهوم القانوني. يقوم نموذج لغوي كبير (تحديداً Claude Opus 4.6، الذي اختير لاتساقه) بتجميع العقد من جميع الصياغات في فئات تكافؤ (Equivalence Classes - ECs). وهذا يخلق مفردات مشتركة (واجهة) للمقارنة. تضمن عملية المطابقة أن تساهم كل صياغة بعقدة واحدة على الأكثر في أي فئة تكافؤ، مما يشكل رسماً بيانياً موجهاً غير حلقي (DAG) من المفاهيم.
تحليل حالات الحافة (حصر قائم على إرضاء الصيغ - SAT):
لكل زوج من الصياغات الرسمية، تحدد الطريقة واجهة مشتركة بناءً على أعمق فئات التكافؤ المشتركة بينهما. ثم تُترجم الأشجار الفرعية فوق هذه الواجهة إلى دوال بولية ( $f_A$ و $f_B$ ).

يحسب النظام دالة الاختلاف $f_A \oplus f_B$ .
باستخدام مُحلل SAT (وهو Z3)، يتم حصر المُضمرات الأولية (prime implicants) لدالة الاختلاف هذه. يمثل كل مضمر أولي مجموعة دنيا من شروط المدخلات (تعيين جزئي) تجبر الصياغتين على الاختلاف، بغض النظر عن قيم المتغيرات الأخرى غير المعينة.
تُعامل هذه المضمرات الأولية كـ "حالات حافة".

التعبير اللفظي (Verbalization):
المضمرات الأولية الخام ليست قابلة للتفسير البشري. لذا يطبق المؤلفون مسار اختيار لتقليص مجموعة حالات الحافة إلى مجموعة فرعية ممثلة (عن طريق التجميع حسب "الأسباب الجذرية" للاختلاف). بعد ذلك، يتم التعبير عن هذه الحالات المختارة لفظياً بواسطة نموذج لغوي كبير إلى سيناريوهات واقعية وملموسة. يتضمن التعبير اللفظي السيناريو، والسؤال القانوني المحدد، وتحليلاً للتباين التفسيري، مما يسمح للخبراء القانونيين بمراجعة نقطة الخلاف المحددة.

المساهمات الرئيسية

يقدم البحث ثلاث مساهمات رئيسية:

إطار عمل للصياغة الرسمية المقارنة: طريقة لمقارنة الصياغات الرسمية المختلفة لنفس النص القانوني بشكل منهجي من خلال حصر حالات المدخلات المحددة التي تختلف فيها الصياغات، بدلاً من الاعتماد على التشابه الهيكلي الإجمالي.
التعبير اللفظي عن حالات الحافة: تقنية لتحويل حالات الحافة المنطقية المستمدة من SAT (المضمرات الأولية) إلى سيناريوهات واقعية ملموسة يمكن للخبراء القانونيين تقييمها، مما يسد الفجوة بين نواتج التحقق الرسمي والاستدلال القانوني البشري.
دراسة تجريبية لصياغات النماذج اللغوية الكبيرة: تطبيق هذه الطريقة على تسعة نماذج لغوية كبيرة تصوغ عشرة نصوص من الاتحاد الأوروبي. تكشف الدراسة أن التباين السلوكي لا يرتبط ارتباطاً وثيقاً بالاتفاق الهيكلي، وأن الحالات المعبر عنها لفظياً تظهر أنواعاً متميزة نوعياً من الاختلاف، بما في ذلك تلك التي تعكس جدالات حقيقية في التعليقات القانونية.

النتائج

أنتجت الدراسة 90 صياغة رسمية (9 نماذج $\times$ 10 نصوص) وحللت 360 زوجاً.

التباين الهيكلي مقابل السلوكي: وجد المؤلفون أن الاتفاق الهيكلي العالي (المقاس بمدى تغطية الواجهة المشتركة) لا يضمن التكافؤ المنطقي. فحتى عندما تطابقت الصياغات جيداً في المفاهيم (تغطية عالية)، فقد اختلفت في المخرجات بشكل متكرر. وعلى العكس من ذلك، كانت الأزواج ذات التغطية المنخفضة متكافئة بشكل بديهي ببساطة لأنها لم تتشارك أي هيكل لتختلف عليه.
تباين النماذج: تفاوتت معدلات الاختلاف بشكل كبير بين النماذج (تراوحت بين ~32% إلى ~71% من الأزواج غير المتكافئة)، ولكن لم يكن هناك نموذج واحد "متطرفاً" بشكل موحد. كان السلوك يعتمد بشدة على النص القانوني، حيث تأرجحت بعض النماذج من 0% إلى 100% من حالات الاختلاف عبر نصوص مختلفة.
النتائج النوعية:
- الغموض التفسيري: في حالة المادة 5 من قانون الذكاء الاصطناعي (المتعلقة بالتصنيف البيومتري لأغراض إنفاذ القانون)، انقسمت النماذج بالتساوي (4 مقابل 4) حول ما إذا كان الاستثناء المحدد ينطبق أم لا. عكس هذا التباين جدلاً حقيقياً ومستمراً في التعليقات القانونية فيما يتعلق بنطاق الاستثناء.
- أخطاء الصياغة الرسمية: في حالة المادة 3 من توجيه الشروط التعاقدية غير العادلة (UCTD)، قام أحد النماذج (Kimi K2.5) بتشفير قاعدة عبء الإثبات الإجرائية بشكل خاطئ كمتطلب موضوعي إضافي (استخدام "و" بدلاً من "أو")، مما أدى إلى تعريف مفرط في القيود.
- القصور: لا تكتفي المسار بقدرته على إظهار الاختلافات فقط؛ بل لا يمكنه اكتشاف الأخطاء التي تشترك فيها جميع النماذج (على سبيل المثال، إذا أغفلت جميع النماذج إحالة مرجعية في القانون).

الأهمية والادعاءات

يزعم البحث أن "معرفة القانون تعني معرفة أحكامه". وتكمن أهميته في نقل تقييم الصياغات الرسمية من التحليل الهيكلي الساكن إلى المقارنة الديناميكية القائمة على النتائج.

أداة تدقيق، لا أتمتة: صرح المؤلفون صراحةً أن مسار عملهم يهدف إلى أن يكون "أداة تدقيق بشرية في الحلقة" (human-in-the-loop audit aid)، وليس جزءاً من نظام قرار قانوني مؤتمت. الصياغات الرسمية ليست مُصدقة للاستخدام المستقل.
الكشف عن التباين الخفي: توضح الطريقة أن المقارنة الهيكلية البحتة غير كافية. إذ يمكن لصياغتين أن تبدوا متشابهتين ولكن تنتجان نتائج قانونية مختلفة جذرياً في حالات حافة محددة.
محاكاة الخطاب القانوني: نجحت الحالات المعبر عنها لفظياً في إظهار خلافات تتوافق مع نقاشات حقيقية وغير محسومة في الفقه القانوني، مما يشير إلى أن النماذج اللغوية لا تهلوس عشوائياً، بل تتعامل مع نفس مواضع الغموض التي يواجهها الخبراء البشر.

خلص المؤلفون إلى أنه بينما تنطبق على طريقتهم بعض القيود (الاعتماد على المطابقة عبر النماذج اللغوية، والافتقار إلى السياق القانوني الخارجي، وعدم القدرة على التحقق من الصحة بدون معيار ذهبي)، إلا أنها توفر آلية ضرورية لـ "معرفة" القانون من خلال القرارات التي تشفرها صياغاته الرسمية.