CVPD at QIAS 2026: RAG-Guided LLM Reasoning for Al-Mawarith Share Computation and Heir Allocation
Das Team CVPD erreicht mit einem RAG-basierten System, das synthetische Daten, hybride Retrieval-Methoden und schema-gesteuerte Validierung kombiniert, den ersten Platz bei QIAS 2026 und erzielt einen MIR-E-Score von 0,935 für die präzise Berechnung islamischer Erbschaftsanteile.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
🕌 Das digitale Erbrecht: Wie ein KI-Team das islamische Erbrecht meisterte
Stell dir vor, du bist ein Richter in einem sehr alten, aber extrem präzisen Gericht. Deine Aufgabe ist es, den Nachlass einer verstorbenen Person zu verteilen. Aber es gibt eine Haken: Die Regeln sind nicht einfach „50 % für den Sohn, 25 % für die Tochter".
Im islamischen Erbrecht (Ilm al-Mawarith) gibt es hunderte von Regeln:
- Wer darf überhaupt erben?
- Wer wird von der Erbschaft ausgeschlossen (das nennt man Hajb)?
- Wie teilt man Bruchteile auf, wenn die Summe nicht 100 % ergibt?
- Was passiert, wenn es zu viele Erben gibt oder zu wenig Geld?
Das ist wie ein riesiges, komplexes Puzzle, bei dem jedes Teil exakt passen muss. Wenn ein Teil schief sitzt, ist das ganze Urteil ungültig.
Das Problem:
Künstliche Intelligenz (KI) ist normalerweise gut darin, Texte zu schreiben und Geschichten zu erzählen. Aber wenn es um diese strengen mathematischen und juristischen Regeln geht, machen KIs oft Fehler. Sie „halluzinieren" Zahlen oder vergessen wichtige Schritte, weil sie die Regeln nicht wirklich verstehen, sondern nur auswendig gelernt haben.
Die Lösung des Teams (CVPD):
Das Team aus Frankreich, Algerien, Spanien und Italien hat einen cleveren Trick angewendet, um bei einem Wettbewerb (QIAS 2026) den ersten Platz zu belegen. Sie haben die KI nicht einfach „gelassen", sondern ihr einen digitalen Assistenten an die Seite gestellt.
Man kann sich ihren Ansatz wie einen sehr klugen Anwalt mit einem perfekten Aktenarchiv vorstellen. Hier ist, wie sie es gemacht haben, Schritt für Schritt:
1. Der „Übungs-Trainer" (Synthetische Daten)
Bevor die KI die echten Fälle lösen durfte, hat das Team ihr eine riesige Bibliothek mit 100.000 Übungsfällen erstellt.
- Die Metapher: Stell dir vor, du lernst für eine Mathe-Prüfung. Du würdest nicht nur die Formeln auswendig lernen, sondern du würdest 100.000 verschiedene Aufgaben mit den exakten Lösungswegen durchrechnen.
- Das Team hat einen Computer-Algorithmus benutzt, der diese 100.000 Fälle nach den strengen Regeln berechnet hat. So hat die KI gelernt, wie ein perfekter Lösungsweg aussieht, bevor sie überhaupt ein echtes Problem sah.
2. Der „Ratgeber" (RAG – Retrieval-Augmented Generation)
Wenn die KI nun ein echtes, neues Erbfall-Problem bekommt, sucht sie nicht nur in ihrem eigenen Gedächtnis (was oft ungenau ist). Stattdessen schaut sie sofort in ihre Bibliothek nach ähnlichen Fällen.
- Die Metapher: Stell dir vor, du musst ein kompliziertes Rezept kochen. Anstatt nur aus dem Kopf zu raten, was in den Kuchen kommt, suchst du in deinem Kochbuch nach einem ähnlichen Rezept, liest es dir genau durch und passt es dann an.
- Die KI sucht also nach dem besten „Beispiel" aus ihrer Bibliothek (den 100.000 Übungsfällen), um sich daran zu orientieren. Sie kombiniert dabei zwei Suchmethoden: eine, die nach dem Gedanken sucht (semantisch), und eine, die nach den genauen Wörtern sucht (wie ein Index).
3. Der „Prüfer" (Validierung)
Das ist der wichtigste Trick. Selbst wenn die KI eine Antwort gibt, vertraut das System ihr nicht blind. Ein zweiter, strenger „Prüfer" (ein Computerprogramm) schaut sich die Antwort an.
- Die Metapher: Stell dir vor, du hast eine Steuererklärung ausgefüllt. Bevor du sie abschickst, legst du sie auf einen Scanner. Der Scanner prüft: „Hast du alle Felder ausgefüllt? Summen die Zahlen auf 100 %? Ist der Name richtig geschrieben?"
- Wenn die KI einen Fehler macht (z. B. die Summe ist 101 % statt 100 %), wird die Antwort korrigiert oder verworfen, bevor sie abgegeben wird.
🏆 Das Ergebnis
Durch diese Kombination aus Übung (100.000 Fälle), Nachschlagen (Suche im Archiv) und Kontrolle (der strenge Prüfer) hat das Team den Wettbewerb gewonnen.
- Sie haben den 1. Platz belegt.
- Ihre KI war so präzise, dass sie fast perfekt war (93,5 % Trefferquote).
- Der wichtigste Lernpunkt: Eine große KI allein reicht nicht. Man braucht Ordnung, Regeln und einen strengen Prüfer, um komplexe juristische Aufgaben zu lösen.
Zusammengefasst:
Das Team hat nicht versucht, die KI „klüger" zu machen, indem sie mehr Daten gefüttert haben. Stattdessen haben sie ihr Werkzeuge gegeben: Ein riesiges Übungsbuch, einen schnellen Nachschlage-Assistenten und einen strengen Kontrolleur. So wurde aus einer KI, die manchmal träumt, eine Maschine, die juristisch und mathematisch präzise rechnet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.