PROSLEX: A Novel Dataset for Expert-Annotated Legal Statute Prediction for Indian Judiciary

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن بصمات الأصابع، أنت تبحث عن القوانين المحددة التي تنطبق على قصة ما. في عالم القانون، وخاصة في أماكن مثل الهند، ترتبط كل جريمة أو نزاع بمجموعة محددة من القواعد المكتوبة المسماة "التشريعات". فكر في هذه التشريعات كأنها كتاب القواعد للعبة ضخمة ومعقدة. إذا كسر شخص ما قاعدة، فعليك العثجود إلى الصفحة الدقيقة في كتاب القواعد التي تصف خطأه. يُسمى هذا "التنبؤ بالتشريع". لسنوات، أصبحت أجهزة الكمبيوتر أفضل في قراءة هذه القصص وتخمين صفحة كتاب القواعد الصحيحة، تماماً مثل أمين مكتبة فائق السرعة. لكن هناك مشكلة: مجرد تخمين الصفحة الصحيحة ليس كافياً. في قاعة المحكمة الحقيقية، يحتاج القاضي أو المحامي إلى معرفة لماذا ينطبق ذلك القانون. إنهم بحاجة إلى المنطق، الـ "لأن"، وليس فقط الـ "ماذا". الأمر يشبه جهاز تحديد المواقع (GPS) الذي يخبرك بأن تنعطف يساراً ولكنه يرفض أن يشرح لك أن هناك حفرة عملاقة أمامك. تغوص هذه الورقة البحثية في هذا الجزء المفقود، متسائلة: هل يمكننا تعليم أجهزة الكمبيوتر ليس فقط تخمين القانون، بل شرح منطقها بطريقة منطقية للبشر؟

أدرك الباحثون وراء هذه الدراسة، بقيادة فريق من الجامعات الهندية، أنه بينما كانت أجهزة الكمبيوتر جيدة في التخمين، إلا أنها كانت سيئة جداً في شرح لما reason خمنت ما خمنته. ولإصلاح ذلك، بنوا شيئاً يسمى PROSLEX. فكر في PROSLEX كمعسكر تدريب ضخم ومنظم للغاية لعقول الكمبيوتر. لقد أخذوا 1,623 قضية قانونية حقيقية من المحكمة العليا الهندية وجعلوا خبراء قانونيين حقيقيين (المدربين البشر) يمرون عبرها. هؤلاء الخبراء لم يكتفوا بتصنيف القضايا فحسب؛ بل قاموا بتظليل الجمل الدقيقة في القصة التي تثبت أي قانون ينطبق، وكتبوا المنطق وراء ذلك. في المجمل، أنشأوا 7,450 تفسيراً مفصلاً. إنه يشبه وجود شيف ماهر لا يكتفي فقط بإطلاعك على الكعكة الجاهزة، بل يشرح كل خطوة في الوصفة ويوضح لماذا يجب عليك خبزها عند درجة حرارة 350 بالضبط.

مع جاهزية معسكر "التدريب" الجديد هذا، وضع الفريق أنواعاً مختلفة من عقول الكمبيوتر تحت الاختبار. طلبوا من هذه الأجهزة قراءة قصة قانونية والقيام بشيئين: تخمين القانون الصحيح وكتابة تفسير لتخمينهم. جربوا طرق تعليم مختلفة، مثل إظهار بضعة أمثلة للكمبيوتر أولاً (التعلم من أمثلة قليلة - few-shot)، أو مطالبته بالتفكير خطوة بخطوة (سلسلة الأفكار - Chain-of-Thought)، أو حتى مطالبته باستكشاف مسارات متعددة للاستنتاج، مثل شجرة تتفرع (شجرة الأفكار - Tree-of-Thoughts).

إليكم ما وجدوه. أولاً، أجهزة الكمبيوتر التي تم تدريبها خصيصاً على النصوص القانونية (مثل InLegalBERT) كانت الأفضل في مجرد تخمين القانون الصحيح، حيث أصابت بنسبة 82% من المرات تقريباً. ومع ذلك، عندما تعلق الأمر بكتابة التفسير، بدأت نماذج الذكاء الاصطناعي العامة الضخمة (مثل GPT-4) في التألق. فعندما طُلب من هذه النماذج التفكير خطوة بخطوة، أصبحت أفضل بكثير في التنبؤ بالقانون وكتابة سبب يبدو وكأنه صادر عن محامٍ حقيقي. في الواقع، كان GPT-4 هو الأفضل أداءً، حيث سجل أعلى الدرجات في تقييمات الخبراء لتفسيراته.

لكن الورقة وجدت أيضاً بعض النقاط الصعبة. عندما حاولت أجهزة الكمبيوتر استخدام طريقة "شجرة الأفكار" (التفرع إلى أفكار عديدة)، ساء أداؤها في الواقع في تخمين القانون الصحيح. يبدو أن محاولة استكشاف مسارات كثيرة في وقت واحد قد أربكتها. أيضاً، اكتشف الباحثون مشكلة مخادعة: أحياناً يخمن الكمبيوتر القانون الصحيح ولكنه يعطي سبباً خاطئاً تماماً لذلك. إنه يشبه طالباً يحصل على الإجابة الصحيحة في اختبار الرياضيات ولكنه يظهر خطوات عمل خاطئة. أظهرت الورقة أنه حتى عندما كان الكمبيوتر يصيب "التشريع" صحيحاً، فإن منطقه كان قد يكون بعيداً عن الصواب، مما يسلط الض light على أننا لا نستطيع الوثوق بإجابة الكمبيوتر دون التحقق من منطقه.

في النهاية، يقترح المؤلفون أنه بينما نقترب من الهدف، إلا أننا لم نصل بعد. جاءت أفضل النتائج من الجمع بين سرعة الكمبيوتر والتفكير الشبيه بالبشر، لكن النظام لا يزال بحاجة إلى خبير بشري لمراجعة العمل. لا تدعي الورقة أنها حلت لغز الذكاء الاصطنا القانوني للأبد؛ بل تقدم بدلاً من ذلك خريطة عالية الجودة (مجموعة بيانات PROSLEX) يمكن للباحثين الآخرين استخدامها لبناء أدوات قانونية أفضل وأكثر قدرة على التفسير. إنها خطوة مهمة للأمام، تثبت أنه إذا منحنا أجهزة الكمبيوتر نوع البيانات التدريبية الصحيحة — كاملة مع التفسيرات البشرية — فيمكنها البدء في فهم ليس فقط قواعد اللعبة، بل الروح الكامنة وراءها أيضاً.