💬 NLP

Automatic Construction of a Legal Citation Graph from 100 Million Ukrainian Court Decisions: Large-Scale Extraction, Topological Analysis, and Ontology-Driven Clustering

Este artículo presenta la construcción automática de un grafo masivo de citas legales a partir de más de 100 millones de decisiones judiciales ucranianas, revelando que el análisis no supervisado de 502 millones de aristas de citas codifica eficazmente los límites del dominio legal, predice la importancia legislativa con una precisión casi perfecta y detecta cambios de régimen, permitiendo así la creación de un flujo de trabajo impulsado por ontologías para el análisis legal asistido por modelos de lenguaje grandes.

Autores originales: Volodymyr Ovcharov

Publicado 2026-05-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Volodymyr Ovcharov

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina todo el sistema legal de Ucrania como una biblioteca masiva y bulliciosa que contiene más de 100 millones de libros (decisiones judiciales). Durante años, estos libros permanecieron en las estanterías, mayormente sin ser leídos por computadoras, porque la forma en que hacían referencia a otras leyes era desordenada, inconsistente y estaba escrita en un lenguaje humano complejo.

Este artículo describe un proyecto en el que los autores construyeron un bibliotecario robot ultrarrápido para leer cada uno de esos libros y trazar exactamente cómo se conectan entre sí.

Aquí está el desglose de lo que hicieron y lo que descubrieron, utilizando analogías simples:

1. El Bibliotecario Robot (La Extracción)

Los autores crearon una herramienta especializada (una "tubería de expresiones regulares" o regex pipeline) que actúa como un escáner de alta velocidad.

La Tarea: Tenía que encontrar referencias a leyes dentro de 100,7 millones de decisiones judiciales. Eso son 1,1 terabytes de texto, suficientes para llenar una biblioteca pequeña.
La Velocidad: Lo hizo en solo 5 horas en un servidor de computadora estándar. Para ponerlo en perspectiva, a un humano leyendo una página por minuto le tomaría siglos hacer esto.
El Resultado: El robot encontró 502 millones de conexiones (citas). Fue increíblemente preciso, obteniendo una puntuación perfecta en una muestra de prueba. Identificó con éxito seis tipos diferentes de referencias, desde artículos específicos del Código Civil hasta fallos de la Corte Suprema.

2. El Mapa de Conexiones (El Grafo)

Una vez que el robot terminó de leer, los autores no solo tenían un montón de notas; construyeron una gigantesca telaraña (un grafo).

Cómo funciona: Imagina que cada decisión judicial es un punto y cada ley que menciona es otro punto. El robot dibujó una línea entre ellos.
La Forma: Descubrieron que esta telaraña sigue una "Ley de Potencia". En lenguaje sencillo, esto significa que un puñado diminuto de leyes es súper popular (citado millones de veces), mientras que la mayoría de las leyes se citan muy raramente.
- Analogía: Piensa en ello como una red social. Unas pocas celebridades (como los artículos principales sobre robo o procedimiento civil) tienen millones de seguidores, mientras que la mayoría de las personas normales tienen solo unos pocos. En Ucrania, las leyes "celebridad" son las reglas procesales que los jueces utilizan en casi cada caso individual.

3. Descubriendo Vecindarios Ocultos (Ontología y Agrupamiento)

La parte más sorprendente del artículo es lo que sucedió cuando observaron cómo se citan las leyes juntas.

El Descubrimiento: Utilizaron un algoritmo informático para agrupar las leyes que se citan frecuentemente en los mismos casos. No le dijeron a la computadora qué era "Derecho Civil" o "Derecho Penal". Simplemente dejaron que los datos hablaran.
El Resultado: La computadora agrupó naturalmente las leyes en cuatro vecindarios distintos: Civil, Penal, Administrativo y Comercial.
- Analogía: Imagina entrar en una habitación llena de personas y pedirles que se agrupen sin decirles las reglas. Si les pides que se agrupen por "con quién hablan", los contadores se agruparán naturalmente, y los artistas se agruparán entre sí. La computadora hizo esto con las leyes, demostrando que la estructura del sistema judicial en sí misma revela las categorías del derecho, incluso sin que expertos humanos las etiqueten.

4. Leyendo la Historia (Viaje en el Tiempo)

Como tenían datos desde 2007 hasta 2026, pudieron observar el sistema legal cambiar en tiempo real.

Reformas: Cuando se introdujo un nuevo código de leyes (como en 2012 o 2017), el mapa mostró un repentino "terremoto". Las leyes antiguas dejaron de ser citadas y las nuevas explotaron en popularidad.
La Invasión de 2022: El artículo nota un "pico" específico en 2022. La variedad de leyes citadas se volvió repentinamente mucho más caótica y diversa (la entropía aumentó). Nuevas leyes sobre la guerra aparecieron en el mapa por primera vez, mostrando cómo el sistema legal se adaptó instantáneamente a la crisis.

5. Prediciendo el Futuro

Los autores probaron si podían adivinar qué leyes se volverían importantes en el futuro.

La Prueba: Utilizaron la historia de las citas para predecir las 1.000 leyes más importantes para los años 2020–2026.
La Puntuación: Fueron 99,8% precisos.
La Lección: La mejor manera de saber si una ley es importante no es leer el texto; es ver con qué frecuencia los jueces la citan. La "popularidad" de una ley es un predictor perfecto de su importancia futura.

Por Qué Esto Importa (Según el Artículo)

Los autores explican que este mapa ahora se está utilizando para ayudar a la Inteligencia Artificial (IA) a comprender el derecho ucraniano.

Actualmente, los modelos de IA a menudo alucinan o inventan cosas porque no tienen un "mapa" sólido de cómo se relacionan las leyes entre sí.
Este proyecto proporciona ese mapa. Le da a la IA una "capa de dominio": una guía estructurada y basada en datos que le dice a la IA: "Estas leyes pertenecen juntas, y así es como se utilizan en la vida real". Esto ayuda a la IA a dar consejos legales más precisos y fundamentados.

En resumen: El artículo trata sobre la construcción de un mapa masivo y automatizado del sistema legal de Ucrania. Al permitir que los datos dibujen las líneas entre las leyes, descubrieron que el sistema judicial se organiza naturalmente en categorías claras, que unas pocas leyes sostienen todo el sistema y que este mapa puede enseñar a la IA a pensar como un abogado.

Resumen Técnico: Construcción Automática de un Grafo de Citas Legales a partir de 100 Millones de Decisiones Judiciales Ucranianas

Planteamiento del Problema
El Registro Estatal Unificado de Decisiones Judiciales (EDRSR) representa el mayor corpus judicial abierto de Europa continental, conteniendo más de 100 millones de decisiones. A pesar de su magnitud, este recurso ha permanecido en gran medida sin explotar para el análisis legal computacional. La investigación existente sobre redes de citas legales se ha centrado en jurisdicciones de derecho común (por ejemplo, EE. UU., Países Bajos, Dinamarca) donde las convenciones de citación son explícitas y los conjuntos de datos son más pequeños (10³–10⁵ decisiones). Los sistemas legales continentales como el de Ucrania presentan desafíos distintos: las citas se dirigen a artículos legislativos en lugar de casos anteriores, los formatos son inconsistentes debido a variaciones morfológicas y abreviaturas, y el volumen masivo (1,1 TB de texto) requiere un procesamiento a escala industrial. Ningún trabajo previo ha intentado la extracción de citas a la escala de 100 millones de decisiones.

Metodología
El artículo propone una tubería de tres etapas: extracción a gran escala, análisis topológico y agrupación impulsada por ontologías.

Tubería de Extracción a Gran Escala:
- Fuente de Datos: 100,7 millones de decisiones judiciales (99,5 millones de textos completos) del EDRSR, abarcando el período 2000–2026.
- Técnica: Una tubería basada en expresiones regulares procesa los datos partición por partición utilizando multiprocessing de Python y cursores de PostgreSQL en el servidor.
- Tipos de Objetivo: Se extraen seis tipos de citas: (1) Referencias a artículos de códigos (por ejemplo, "ст. 625 ЦК України"), (2) Referencias a leyes nombradas, (3) Referencias constitucionales, (4) Referencias entre casos, (5) Referencias a leyes por número y (6) Referencias a resoluciones de la Corte Suprema.
- Rendimiento: La tubería procesa aproximadamente 200.000 filas/segundo en un solo servidor de 16 núcleos, completando la extracción de 502 millones de enlaces de citas en aproximadamente 5 horas.
- Validación: En una muestra anotada manualmente de 200 decisiones (1.903 citas), la tubería alcanzó una precisión del 100% en los seis tipos. Se observó un proxy de recuperación de 0,86 al verificar contra registros almacenados, atribuyéndose la brecha del 14% a diferencias de normalización (por ejemplo, expansión de rangos de artículos) en lugar de citas sustantivas omitidas.
Construcción del Grafo:
- Grafo Bipartito ( $G_B$ ): Los nodos representan decisiones ( $D$ ) y artículos legislativos ( $L$ ). Las aristas conectan una decisión con la legislación que cita.
- Proyección de Cocitación ( $G_L$ ): Un grafo unipartito donde los artículos legislativos se conectan si son citados juntos en la misma decisión. Los pesos de las aristas reflejan la frecuencia de cocitación, sirviendo como proxy de la relación semántica.
- Grafo de Similitud de Decisiones ( $G_D$ ): Un grafo que conecta decisiones que citan legislación común (calculado de forma perezosa).
Análisis y Construcción de Ontología:
- Detección de Comunidades: Se aplica el algoritmo Louvain a la proyección de cocitación para identificar agrupaciones de artículos legislativos.
- Derivación de Ontología: Estos agrupamientos forman una ontología legal construida automáticamente donde las clases corresponden a dominios legales (por ejemplo, Civil, Penal) y los individuos son los artículos específicos. Este enfoque se basa en la hipótesis distribucional ("conocerás la ley por las decisiones que la citan") sin requerir datos etiquetados ni modelos de incrustación.

Resultados Clave

Escala y Eficiencia: El estudio extrajo con éxito 502 millones de aristas de citas que conectan decisiones con 18,4 millones de artículos legislativos únicos. Este conjunto de datos es de tres a cuatro órdenes de magnitud mayor que los estudios previos de citas legales.
Propiedades Topológicas:
- Distribución de Ley de Potencia: La distribución de grados de los artículos legislativos sigue una ley de potencia con exponente $\alpha = 1,57 \pm 0,008$ . Esto sitúa a la red ucraniana entre la Corte de Justicia de la UE ( $\alpha \approx 1,7$ ) y la Corte Suprema de EE. UU. ( $\alpha \approx 2,1$ ), indicando una cola pesada donde un pequeño conjunto de artículos "centrales" (por ejemplo, códigos procesales) son citados por millones de decisiones.
- Divergencia de Centralidad: La centralidad PageRank diverge significativamente de los conteos brutos de citas (Spearman $\rho = 0,70$ ). Por ejemplo, el Artículo 19 de la Constitución ocupa el puesto 42 por conteo bruto pero el 3º por PageRank, reflejando su papel estructural como puente entre dominios legales.
Recuperación Ontológica: La detección de comunidades en el grafo de cocitación recupera con éxito dominios legales establecidos (Civil, Penal, Administrativo, Comercial) con puntuaciones de modularidad ( $Q$ ) entre 0,44 y 0,55. La estructura muestra alta estabilidad temporal (Información Mutua Normalizada $NMI = 0,83–0,86$ a través de períodos de cuatro años), confirmando el grafo como una representación duradera del orden legal.
Poder Predictivo: Un modelo de regresión logística que utiliza características de citas (volumen histórico, ratio de crecimiento, etc.) predice los 1.000 artículos más citados en el futuro con un AUC de 0,9984, superando significativamente a una línea base de frecuencia ingenua.
Dinámicas Temporales y Detección de Crisis:
- Reformas Legislativas: El grafo captura cambios de fase cuantitativos correspondientes a reformas importantes, como el lanzamiento del Código de Procedimiento Penal de 2012 y la reforma judicial de 2017.
- Impacto de la Guerra: La invasión rusa de 2022 se detecta como un pico de entropía de citas ( $H: 11,02 \to 13,49$ ) y la emergencia de nuevos nodos relacionados con legislación de guerra (por ejemplo, Artículo 111-1 del Código Penal sobre colaboración).

Significado y Afirmaciones
El artículo afirma tres contribuciones principales:

Extracción Escalable: Demuestra que el procesamiento del lenguaje natural legal a escala industrial puede lograrse en hardware comercial utilizando métodos simples basados en expresiones regulares, alcanzando alta precisión sin infraestructura especializada.
Ontología Basada en Datos: Proporciona la primera ontología legible por máquina para las relaciones de estatutos ucranianos, derivada enteramente de la práctica judicial en lugar de la curaduría experta. Esto aborda una brecha estructural en los sistemas LLM controlados por ontologías, proporcionando una capa de dominio que fundamenta el razonamiento legal en patrones de uso reales.
Historia Legal Cuantitativa: El grafo de citas sirve como un registro de alta resolución de las transiciones de regímenes legislativos, capaz de detectar cambios sistémicos (reformas, invasiones) a través de cambios en la entropía y densidad de citas.

Los autores posicionan este trabajo como una extensión de los programas de extracción de conocimiento y modelado semántico distribucional propuestos por Palagin et al., aplicados aquí a una escala y dominio previamente no intentados en el procesamiento del lenguaje natural ucraniano. La ontología resultante se operacionaliza como la capa de dominio para sistemas de memoria de flujo de trabajo en análisis legal asistido por LLM, permitiendo correcciones humanas informadas de las salidas de la IA. La tubería de extracción, el código de análisis y las estadísticas agregadas se publican como datos abiertos.