Modeling the Diachronic Evolution of Legal Norms: An LRMoo-Based, Component-Level, Event-Centric Approach to Legal Knowledge Graphs

Resumen Técnico: Modelado de la Evolución Diacrónica de las Normas Jurídicas

Planteamiento del Problema
El artículo aborda una brecha crítica en el procesamiento automatizado de las normas jurídicas: la incapacidad de los sistemas actuales para realizar una reconstrucción determinista y puntual de los textos legales. Si bien marcos fundacionales como IFLA LRMoo y estándares como Akoma Ntoso existen, carecen de un patrón formal para el versionado granular a nivel de componente. Esta deficiencia es particularmente aguda para la Inteligencia Artificial Generativa y los Modelos de Lenguaje Extensos (LLM), que operan sobre bases probabilísticas y carecen de los mecanismos deterministas requeridos para dominios jurídicos de alto riesgo donde la corrección es absoluta. Los modelos existentes suelen tratar las enmiendas como anotaciones integradas en el documento o como instantáneas consolidadas separadas, fallando al no modelar explícitamente el linaje causal de los componentes individuales o los eventos legislativos que impulsan el cambio. En consecuencia, la recuperación del texto exacto de una ley tal como existía en una fecha pasada específica sigue siendo poco fiable.

Metodología
Los autores proponen un patrón de modelado temporal estructurado basado en el Modelo de Referencia de la Biblioteca IFLA (LRMoo), extendido para soportar la granularidad a nivel de componente y la procedencia centrada en eventos. La metodología se construye sobre tres pilares fundamentales:

1. Versionado de Dos Niveles (Distinción TV/LV):

   • Versión Temporal (TV): Modelada como una Obra F1 distinta, que representa el contenido semántico, independiente del lenguaje, de una norma en un momento específico del tiempo. Cada enmienda legislativa crea una nueva TV, formando una cadena de Obras derivadas.
   • Versión de Lenguaje (LV): Modelada como una Expresión F2, que representa la realización textual monolingüe concreta de una TV. Esta separación permite que el modelo gestione jurisdicciones multilingües (múltiples LVs por cada TV) manteniendo un único ancla semántica para la intención legal.

2. Modelado de Cambio Centrado en Eventos:

   • Las enmiendas legislativas no se modelan como simples relaciones binarias (p. ej., "enmienda"), sino como eventos de primera clase.
   • Una enmienda textual se formaliza como un evento complejo tipificado conjuntamente como Creación de Obra F27 (que crea la nueva TV) y Fin de Existencia E64 (que termina la TV anterior).
   • El evento vincula explícitamente la disposición que enmienda (fuente) con la norma afectada (objetivo) mediante propiedades como P16 usó objeto específico, P93 quitó de la existencia y R16 creó.
   • Los intervalos de validez no son atributos estáticos, sino que se derivan dinámicamente de las marcas temporales de estos eventos delimitadores (creación y terminación), soportando tanto el tiempo de transacción como el tiempo de validez (incluyendo la vacatio legis y los efectos retroactivos).

3. Granularidad Recursiva a Nivel de Componente:

   • El modelo aplica el mismo patrón LRMoo de forma recursiva a las estructuras internas legales (artículos, párrafos, etc.).
   • Los Conceptos de Componente (CC) y las Versiones Temporales de Componente (CTV) se modelan como Obras F1, vinculados mediante R67 tiene parte y R2 es derivado de.
   • Las enmiendas se descomponen en macro-eventos (la promulgación de la norma que enmienda) y micro-eventos (instrucciones específicas que afectan a componentes individuales). Cada micro-evento traza el vínculo causal preciso entre una instrucción específica en un acto de enmienda y el cambio resultante en la versión de un componente específico.

Contribuciones Clave

• Arquitectura de Reconstrucción Determinista: El artículo proporciona una estructura formal que permite la reconstrucción exacta de cualquier parte de un texto legal tal como existía en cualquier fecha dada, ofreciendo un esqueleto semántico verificable para los Grafos de Conocimiento Jurídico (LKGs).
• Versionado Granular de Componentes: Al establecer jerarquías paralelas para los componentes abstractos y sus versiones, el modelo va más allá del versionado a nivel de documento para rastrear la historia diacrónica de las disposiciones legales individuales.
• Procedencia de Eventos Reificada: El enfoque eleva los eventos legislativos a entidades de primera clase, permitiendo el rastreo preciso de la procedencia de cada cambio legal, distinguiendo entre inserción, derogación y enmiendas de redacción mediante una tipificación ontológica específica.
• Separación del Contenido Semántico y la Forma Lingüística: La clara distinción entre las Versiones Temporales (independientes del lenguaje) y las Versiones de Lenguaje (monolingües) proporciona un mecanismo robusto para gestionar datos jurídicos multilingües sin confundir la evolución semántica con la traducción.

Resultos y Caso de Estudio
Los autores demuestran la eficacia del modelo utilizando la Constitución Federal de Brasil de 1988 como caso de estudio. El modelo rastrea con éxito el ciclo de vida de la Constitución a través de más de cien enmiendas.

• Mapea la promulgación inicial de 1988 a una TV y una LV específicas.
• Modela la Enmienda Constitucional de 1992 (EC1) como un evento complejo que termina la TV inicial y crea una nueva TV, vinculando explícitamente el instrumento de enmienda con el texto resultante.
• Extiende esta lógica al nivel de componente, rastreando la adición específica de la palabra "vivienda" (moradia) al Artículo 6 mediante la Enmienda Constitucional n.º 26 (2000). El modelo captura esto como un micro-evento que termina la Versión Temporal de Componente anterior (CTV0) y crea una nueva (CTV1), preservando un linaje completo y auditable.

Significancia y Reivindicaciones
El artículo posiciona este modelo como un prerrequisito necesario para una IA jurídica confiable. Argumenta que, mientras que los modelos probabilísticos son insuficientes para los dominios jurídicos que requieren precisión absoluta, un modelo descriptivo robusto basado en LRMoo proporciona la "verdad fundamental verificable" esencial para los Grafos de Conocimiento Jurídico fiables. La significancia radica en el cambio de paradigma de los metadatos centrados en el documento a una ontología de origen de eventos (event-sourced) determinista que trata las normas jurídicas como cadenas evolutivas de obras intelectuales. Este enfoque permite la construcción de procesos capaces de responder "¿cuál era la ley en la fecha X?" con certeza matemática, apoyando así la transparencia, la investigación jurídica eficiente y el desarrollo de aplicaciones de derecho computacional fiables. Los autores concluyen que este modelo sirve como una capa fundacional sobre la cual se pueden construir razonamientos avanzados y evaluaciones de referencia para la IA jurídica.