From Factors to Argument Networks: Issue-Level Legal Representation and Alignment with Written Judicial Reasons in Employment-Relationship Determination
Dieses Paper schlägt ein Framework zur rechtlichen Repräsentation auf Ebene einzelner Streitpunkte unter Verwendung von Argumentationsnetzwerken vor, um nuancierte Sachverhaltszustände, Rechtsregeln und richterliche Begründungen in Fällen von Beschäftigungsverhältnissen zu erfassen, wobei nachgewiesen wird, dass solche granularen Repräsentationen herkömmliche binäre Methoden bei der Vorhersage von Ergebnissen und der Identifizierung der spezifischen Gründe für gerichtliche Entscheidungen signifikant übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der Welt der künstlichen Intelligenz besteht eine beständige Lücke zwischen dem Versuch, einen Computer dazu zu bringen, die richtige Antwort zu erraten, und dem Verständnis dafür, wie ein menschlicher Experte zu dieser Antwort gelangt ist. Seit Jahrzehnten trainieren Forscher Maschinen darauf, rechtliche Ausgänge vorherzusagen, etwa ob ein Gericht zugunsten eines Arbeitnehmers oder eines Arbeitgebers entscheiden wird. Diese Systeme arbeiten oft, indem sie tausende vergangener Gerichtsurteile scannen, nach Mustern im Text suchen und das wahrscheinlichste Ergebnis berechnen. Dieser Ansatz behandelt einen Rechtsfall jedoch wie einen einzigen Textblock, ähnlich wie man einen Roman liest und versucht, das Ende zu erraten, ohne auf die spezifischen Kapitel oder Charakterentwicklungen zu achten. In komplexen Rechtsstreitigkeiten, insbesondere bei arbeitsrechtlichen Angelegenheiten, kann ein einzelnes Gerichtsdokument mehrere verschiedene Geschichten enthalten: Ein Arbeitnehmer könnte gegen mehrere Unternehmen klagen, oder die Art seiner Beziehung zum Arbeitgeber könnte sich im Laufe der Zeit durch den Ruhestand oder eine Änderung des Jobtitels verändert haben. Wenn ein Computer das gesamte Dokument einfach als eine Einheit liest, kann er leicht verwirrt werden und Fakten vermischen, die zu verschiedenen Personen oder verschiedenen Zeiträumen gehören. Die Herausforderung besteht also nicht nur darin, einen klügeren Taschenrechner zu bauen, sondern der Maschine beizubringen, die juristische Welt mit derselben Granularität zu sehen wie ein menschlicher Richter – indem sie zwischen dem unterscheidet, was eine Partei behauptet, was ein Gericht tatsächlich beweist und welche spezifischen Regeln verwendet wurden, um eine Entscheidung zu treffen.
Ein Forschungsteam der Northwest Normal University in China setzte sich zum Ziel, dieses Problem zu lösen, indem es die Art und Weise änderte, wie Informationen in ihre Computermodelle eingespeist wurden. Anstatt der KI ganze Gerichtsurteile zu übergeben, zerlegten sie die Fälle in ihre kleinsten bedeutungsvollen Einheiten. Sie definierten eine einzelne „Frage“ (Issue) als eine spezifische Rechtsfrage, die einen spezifischen Arbeitnehmer, einen spezifischen Arbeitgeber und einen spezifischen Zeitraum betrifft. Das bedeutete, dass, wenn ein einzelnes Gerichtsdokument die Beziehung eines Arbeitnehmers zu zwei verschiedenen Unternehmen über zehn Jahre hinweg behandelte, die Forscher dieses Dokument in mehrere separate Einträge aufteilen würden, damit der Computer sie analysieren kann. Anschließend überprüften sie manuell 300 Gerichtsurteile, um einen Datensatz aus 355 dieser spezifischen Fragen zu erstellen. Für jede Frage notierten sie nicht nur, ob bestimmte Fakten existierten, wie etwa, ob der Arbeitnehmer einen Gehaltscheck erhielt oder einen Vertrag hatte. Sie gingen viel tiefer und erfassten den Status jedes Faktums. Sie unterschieden zwischen einem Faktum, das lediglich von einem Anwalt erwähnt wurde, einem Faktum, das das Gericht auf Basis von Beweisen feststellte, und einem Faktum, das aufgrund mangelnder Beweise zurückgewiesen wurde. Sie kartierten auch die spezifischen Rechtsregeln, die die Richter nutzten, um diese Fakten mit ihren endgültigen Schlussfolgerungen zu verknüpfen.
Die Forscher testeten, ob dieser detaillierte, strukturierte Ansatz dem Computer half, das Recht besser zu verstehen als die alte, einfachere Methode. In ihrem ersten Test baten sie den Computer, den Ausgang des Arbeitsverhältnisses vorherzusagen. Als der Computer nur eine einfache Liste erhielt, ob bestimmte Fakten vorhanden oder abwesend waren, hatte er Schwierigkeiten und erreichte ein moderates Genauigkeitsniveau. Doch als die Forscher die Details über den Status dieser Fakten hinzufügten – dem Computer also nicht nur sagten, dass „Löhne gezahlt wurden“, sondern dass „Löhne gezahlt wurden und das Gericht dies bestätigte“ – verbesserte sich die Fähigkeit des Computers, zwischen verschiedenen Ergebnissen zu unterscheiden, signifikant. Die Genauigkeit sprang von einem Wert von 0,542 auf 0,690. Dies zeigte, dass das Wissen über die Qualität und die Quelle eines Faktums genauso wichtig ist wie das Wissen über den Fakt selbst. Eine Behauptung über Löhne ist sehr verschieden von einer gerichtlich bestätigten Zahlung, und der Computer musste diesen Unterschied sehen, um eine bessere Vorhersage zu treffen.
Die Studie ging dann über die einfache Vorhersage hinaus, um zu sehen, ob der Computer die Logik hinter den Entscheidungen verstehen konnte. Hier führten die Forscher eine zweite Informationsebene ein: die Rechtsregeln. Sie fanden heraus, dass Fakten allein nicht ausreichten, um zu erklären, wie ein Richter dachte. Zum Beispiel bedeutet die Tatsache, dass ein Arbeitnehmer das Rentenalter erreicht hat, nicht automatisch, dass er kein Arbeitnehmer mehr ist; es hängt davon ab, ob er eine Rente bezieht und welche spezifische Rechtsregel der Richter auf diese Situation anwendet. Als die Forscher diese expliziten Rechtsregeln dem Input des Computers hinzufügten, verbesserte sich die Fähigkeit des Computers, das Entscheidungsmuster des Richters zu identifizieren, dramatisch von einem Wert von 0,508 auf 0,772. Dies deutet darauf hin, dass ein Computer, um eine juristische Entscheidung zu verstehen, die Brücke zwischen den rohen Fakten und der endgültigen Schlussfolgerung sehen muss, und dass diese Brücke aus spezifischen Rechtsregeln gebaut wird.
Schließlich stellten die Forscher eine entscheidende Frage: Stimmt die Art und Weise, wie der Computer seine Entscheidung erklärt, mit der Art und Weise überein, wie ein menschlicher Richter sie erklärt? In vielen Systemen der künstlichen Intelligenz identifiziert der Computer die wichtigsten Faktoren basierend auf mathematischen Gewichten und sagt im Wesentlichen: „Dieser Fakt hat meine Vorhersage erhöht.“ Die Forscher verglichen diesen mathematischen Ansatz mit den tatsächlichen Gründen, die in den Gerichtsdokumenten niedergeschrieben wurden. Sie fanden heraus, dass die mathematische Vermutung des Computers oft falsch war in Bezug auf das, was der Richter tatsächlich als wichtig erachtete. Der Computer könnte einen Fakt hervorheben, der statistisch gesehen wichtig für seine Vorhersage war, der aber in der schriftlichen Stellungnahme des Richters lediglich Hintergrundrauschen darstellte. Im Gegensatz dazu war eine Methode, die die Struktur des Arguments betrachtete – also den Pfad von den Fakten über die Regeln zur Schlussfolgerung nachzeichnete – viel besser darin, die Gründe zu identifizieren, auf die sich der Richter tatsächlich stützte. Diese Methode identifizierte die Hauptgründe des Richters in etwa 78 Prozent der Fälle korrekt, verglichen mit nur 57 Prozent beim standardmäßigen mathematischen Ansatz.
Die Ergebnisse dieser Studie legen nahe, dass künstliche Intelligenz, um im Recht wirklich nützlich zu sein, nicht nur eine Black Box sein darf, die Ergebnisse vorhersagt. Sie muss in der Lage sein, die juristische Welt auf eine Weise darzustellen, die dem menschlichen Denken spiegelt. Durch die Zerlegung von Fällen in spezifische Fragen, das Verfolgen des Status von Fakten und das explizite Kartieren der angewandten Rechtsregeln schufen die Forscher ein System, das nicht nur besser vorhersagt, sondern sich auch so erklärt, dass es mit dem menschlichen Urteilsvermögen übereinstimmt. Dieser Ansatz beansprucht nicht, alle rechtlichen Probleme gelöst zu haben oder eine Maschine geschaffen zu haben, die einen Richter ersetzen kann. Stattdessen bietet er einen klareren, transparenteren Weg für Computer, mit Rechtstexten zu interagieren, indem er sicherstellt, dass eine Maschine, wenn sie einen Fall analysiert, die richtigen Fakten, für die richtige Person, zur richtigen Zeit betrachtet und die Regeln versteht, die sie miteinander verbinden. Dieses Maß an Detailgenauigkeit ist unerlässlich, wenn wir juristische Werkzeuge bauen wollen, die nicht nur präzise, sondern auch vertrauenswürdig und für die Menschen, die auf sie angewiesen sind, verständlich sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.