Liability in Motion: A retrieval-augmented LLM application in road traffic liability apportionment
تقدم هذه الدراسة نموذجاً لغوياً معززاً بالاسترجاع يتنبأ بتوزيعات المسؤولية التناسبية في حوادث المرور وفقاً للقانون الألماني، وذلك من خلال دمج البيانات الوصفية القانونية التصنيفية مع نماذج توضيحية مرتبة حسب الأهمية، مما يسهل تسويات خارج المحكمة عبر تنبؤات خوارزمية مبررة ومتوافقة مع العدالة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 عالماً لا يكون فيه القانون مجرد مكتبة مغبرة من الكتب القديمة، بل حواراً حياً يتنفس بين قاضٍ وروبوت فائق الذكاء. هذا هو أفق التنبؤ بالأحكام القانونية، وهو مجال يعلم فيه العلماء الحواسيب كيفية قراءة القضايا القضائية وتخمين كيف سيقرر قاضٍ حقيقي في نزاع ما. ولكن إليك العقبة: معظم هذه الروبوتات تشبه الطلاب الذين يحفظون للاختبارات متعددة الخيارات؛ يمكنها إخبارك ما إذا كان المتهم قد فاز أم خسر (بـ "نعم" أو "لا")، لكنها تعاني مع التعقيدات الواقعية الفوضوية لكيفية تحديد "مقدار" اللوم. ولإصلاح ذلك، يستخدم الباحثون التوليد المعزز بالاسترجاع (RAG). فكر في هذا ليس كروبوت يحفظ كتاباً مدرسياً، بل كروبوت يمتلك بطاقة مكتبة سحرية. فعندما يواجه مشكلة جديدة، لا يقوم بمجرد التخمين، بل يقلب صفحات آلاف القضايا السابقة فوراً ليجد القضايا الأكثر تشابهاً، ويقرأها، ثم يستخدم تلك المعلومات الطازجة لاتخاذ تنبؤ أكثر ذكاءً ومعلوماتية.
لماذا يهم هذا؟ لأن النظام القانوني يغرق في الأوراق. تقع ملايين الحوادث المرورية البسيطة كل عام، مما يسد المحاكم ويستنزف الموارد. إذا استطعنا مساعدة الناس على تسوية هذه النزاعات بعدالة وسرعة قبل أن تطأ أقدامهم ساحة المحكمة، فقد نوفر على الجميع الوقت والمال والتوتر. يسأل هذا البحث سؤالاً جوهرياً: هل يمكننا بناء روبوت لا يكتفي بالقول "مذنب" أو "بريء"، بل يمكنه فعلياً حساب النسبة المئوية الدقيقة للوم لكل سائق في حادث مروري، باستخدام نفس المنطق الذي يستخدمه المحامون الحقيقيون؟
مكتبة المحامي الآلي الجديدة
قرر الباحثون وراء هذه الدراسة، فيليكس ريشمان وزملاؤه، مواجهة العالم الفوضوي لحوادث المرور الألمانية. في ألمانيا، عندما تصطدم سيارتان، لا يقرر القانون فقط من يدفع، بل يقسم اللوم. ربما تكون السيارة (أ) مسؤولة بنسبة 70% والسيارة (ب) بنسبة 30%. يُسمى هذا التقسيم "حصة المسؤولية". أراد الفريق بناء ذكاء اصطناعي يمكنه التنبؤ بهذه النسب المئوية بدقة تضاهي خبيراً بشرياً.
للقيام بذلك، لم يكتفوا بتغذية الذكاء الاصطناعي بقصص عشوائية، بل أعطوه كتاباً محدداً ومشهوراً جداً: تعليقاً قانونياً ضخماً بعنوان حصص المسؤولية في حوادث المرور. هذا الكتاب يشبه "الإنجيل" لمحامي المرور الألمان؛ فهو يحتوي على آلاف القضايا الحقيقية، المنظمة في شجرة فئات ضخمة ومفصلة (مثل "حوادث أثناء الدوران" أو "حوادث على الطرق السريعة"). بنى الباحثون نظاماً يعمل فيه الذكاء الاصطناعي كالمحقق؛ فعند وقوع حادث جديد، يسأل النظام الذكاء الاصطناعي: "إليك وقائع هذا التصادم؛ اذهب وابحث عن القضايا الأكثر تشابهاً في الكتاب وأخبرنا كيف يجب أن يكون تقسيم اللوم".
البحث في المكتبة العظيمة: العثور على القرائن الصحيحة
كان جوهر التجربة هو اختبار كيف يجب على الذكاء الاصطناعي البحث عن تلك القضايا المتشابهة. جرب الباحثون أربع استراتيجيات مختلفة، مثل اختبار أربع طرق مختلفة للعثور على إبرة في كومة قش:
- الخلط العشوائي: تركوا الذكاء الاصطناعي يلتقط القضايا بشكل عشوائي تماماً. كانت هذه هي "المجموعة الضابطة"، وهي خط الأساس لمعرفة ما إذا كان القيام بأي شيء منهجي أفضل من التخمين.
- البحث الدلالي (غير الخاضع للإشراف): بحث الذكاء الاصطناعي عن قضايا تبدو متشابهة في المعنى. فإذا تضمن الحادث الجديد "شاحنة زرقاء صدمت سيارة حمراء"، فسيجد قصصاً أخرى عن "شاحنات زرقاء" و"سيارات حمراء"، حتى لو حدثت في أنواع مختلفة من الحوادث.
- بحث التصنيف (الخاضع للإشراف): كان هذا هو البحث "الذكي". فبدلاً من مجرد قراءة الكلمات، نظر الذكاء الاصطناعي إلى الفئة التي تنتمي إليها الحالة في جدول محتويات الكتاب. فإذا كانت الحالة الجديدة هي "حادث دوران"، فإن الذكاء الاصطناعي سيبحث فقط في "حوادث الدوران" الأخرى، ويتجاهل كل شيء آخر.
- البحث الهجين: دمج بين الاثنين. حيث نظر الذكاء الاصطناçi إلى الكلمات و وسوم الفئات في وقت واحد.
ما وجده الروبوت بالفعل
كانت النتائج واضحة بشكل مفاجئ، وعلمت الباحثين بعض الدروس الكبيرة حول كيفية بناء ذكاء اصطناعي قانوني.
أولاً، كان "الخلط العشوائي" كارثة. عندما التقط الذكاء الاصطناعي القضايا عشوائياً، كان أداؤه ضعيفاً. كان الأمر أشبه بمحاولة حل مسألة رياضية عبر قراءة وصفة لتحضير الحساء. أثبت هذا أن الذكاء الاصطناعي يحتاج إلى العثور على الأمثلة الصحيحة ليعمل.
ثانياً، فاز البحث "الذكي". كانت الاستراتيجيات التي استخدمت فئات الكتاب (البحث التصنيفي والهجين) أفضل بكثير من تلك التي بحثت فقط عن كلمات متشابهة. تشير الورقة إلى أنه في القانون، فإن هيكل المعرفة أهم من مجرد الكلمات. فمعرفة أن الحالة تنتمي إلى فئة "حادث طريق سريع" أكثر فائدة من معرفة أن الحادث تضمن "سيارة سريعة". وقد كان النهج الهجين، الذي جمع بين الكلمات والفئات، هو الأفضل أداءً، حيث وصلت النماذج الأكثر تقدماً إلى نسب اللوم ضمن نطاق 19 إلى 20 نقطة مئوية من الإجابة الحقيقية.
ثالثاً، ترتيب القرائن مهم. اختبر الباحثون أيضاً ما يحدث إذا قاموا بخلط ترتيب الأمثلة التي يقرأها الذكاء الاصطناعي. وجدوا أنه إذا قرأ الذكاء الاصطناعي القضايا الأكثر صلة أولاً، فإنه يبلي بلاءً حسناً. أما إذا قاموا ببعثرتها عشوائياً، فإن الذكاء الاصطناعي يصاب بالارتباك ويرتكب المزيد من الأخطاء. الأمر يشبه قراءة رواية غموض: إذا قرأت القرائن بالترتيب الصحيح، يمكنك حل الجريمة. أما إذا قرأت النهاية أولاً، ثم البداية، ثم المنتصف، فستكون تائهاً تماماً. تقترح الورقة أنه بالنسبة لهذه الروبوتات القانونية، فإن إبقاء الأمثلة الأكثر أهمية في أعلى القائمة أمر بالغ الأهمية.
الحكم: أداة للسلام، وليس قاضياً
إذن، هل هذا الروبوت جاهز لاستبدال القضاة؟ المؤلف حذر جداً هنا؛ فقد ذكر صراحة أن هذا النظام ليس بديلاً للقاضي البشري في قاعة المحكمة، إذ لا تزال الأخطاء مرتفعة جداً لذلك. بدلاً من ذلك، يرون هذا كأداة قوية لـ التسوية البديلة للمنازعات (ADR).
تخيل سائقين تعرضا للتو لحادث. بدلاً من الانتظار لأشهر للحصول على موعد في المحكمة، يمكنهما استخدام هذا النظام. سينظر النظام إلى الحادث، ويجد أكثر القضايا تشابهاً من "إنجيل" قانون المرور، ويقول: "بناءً على 5,000 حالة مشابهة، أنت على الأرج Probable مسؤول بنسبة 60%، والسائق الآخر بنسبة 40%". هذا يعطي كلا السائقين توقعاً واقعياً لما قد يحدث في المحكمة، ويساعدهما على تسوية الفاتورة في تلك اللحظة، دون توتر أو تكلفة المحاكمة.
تخلص الورقة إلى أنه من خلال تحويل كتاب قانوني ثقيل ومرجعي إلى "أداة تنسيق قابلة للحوسبة"، يمكننا مساعدة الناس على الاتفاق على نتائج عادلة بشكل أسرع. إن هذا لا يهدد العدالة، بل يساعد الناس في الواقع على إيجادها من خلال جعل القواعد واضحة وقابلة للتنبؤ. الروبوت ليس القاضي، بل هو الحكم الذي يساعد اللاعبين على الاتفاق على النتيجة قبل أن تبدأ اللعبة حتى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.