An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

Resumen Técnico: Recuperación de Grafos con Múltiples Anclajes Guiada por Ontología para la Determinación de Responsabilidad Legal de Tráfico

Planteamiento del Problema
La determinación de la responsabilidad legal de tráfico es un proceso jurídico complejo que requiere la identificación simultánea de disposiciones estatutarias interdependientes a través de múltiples dimensiones, tales como la escena del accidente, los tipos de infracción, las partes responsables y las reglas de asignación de responsabilidad. Los enfoques actuales de Generación Aumentada por Recuperación (RAG) enfrentan un "cuello de botella de recuperación multidimensional". La recuperación densa estándar comprime consultas legales multifacéticas en un único vector, lo que provoca que la dimensión semántica dominante (por ejemplo, la infracción específica) desplace a otras dimensiones legalmente relevantes. Del mismo modo, los sistemas basados en grafos de conocimiento que atraviesan desde una única entidad inicial suelen fallar al recuperar disposiciones ancladas en otras dimensiones ontológicas si la extracción inicial omite una clave. En consecuencia, las respuestas generadas por estas arquitecturas de eje único suelen ser legalmente incompletas, ya que no logran capturar todo el espectro de estatutos co-aplicables necesarios para una determinación de responsabilidad válida.

Metodología: OMAGR y TrafficOmni-RAG
Para abordar este cuello de botella, los autores proponen OMAGR (Recuperación de Grafos con Múltiples Anclajes Guiada por Ontología), instanciado como el motor de recuperación central de TrafficOmni-RAG, un sistema de QA legal de extremo a extremo. La metodología opera a través de las siguientes etapas:

1. Construcción de la Ontología Legal y el Grafo de Conocimiento:
   El sistema se construye sobre una ontología legal de seis dimensiones ($O = \{D_1, ..., D_6\}$) derivada de seis fuentes de la ley de tráfico china (incluyendo la Ley de Seguridad Vial y las interpretaciones judiciales). Las dimensiones son:

   • Anclajes de Recuperación: Escena del Accidente ($D_1$), Tipo de Infracción ($D_2$), Parte Responsable ($D_3$) y Categoría de Responsabilidad ($D_4$).
   • Dimensiones de Resultado: Consecuencia Legal ($D_5$) y Tipo de Daño ($D_6$).
     Se construye un grafo de conocimiento Neo4j ($G$) que contiene 527 disposiciones. Las disposiciones son nodos conectados por aristas tipadas que representan asociaciones ontológicas, referencias cruzadas entre disposiciones y jerarquías estatutarias.

2. Recuperación Paralela de Múltiples Anclajes:
   A diferencia del recorrido de vía única, OMAGR descompone una consulta de usuario en anclajes legales estructurados alineados con la ontología. Ejecuta recuperaciones de grafos paralelas simultáneamente a través de las cuatro dimensiones de anclaje ($D_1$–$D_4$). Esto asegura que cada dimensión legalmente relevante reciba una vía de recuperación independiente, evitando que la señal semántica dominante suprima otras dimensiones críticas.

3. Mecanismos de Soporte:

   • Expansión de Consultas: Genera formulaciones parafraseadas para mejorar la recuperación léxica y tópica dentro de la vía de cada anclaje.
   • Expansión Relacional de Dos Saltos (Two-Hop): Atraviesa aristas de referencia cruzada entre disposiciones desde los principales resultados de infracciones para recuperar estatutos co-aplicables (por ejemplo, penalizaciones vinculadas a artículos procedimentales) que no son directamente alcanzables mediante las aristas primarias de la ontología.
   • Recuperación Densa: Proporciona un respaldo semántico para las disposiciones que carecen de una fuerte conectividad en el grafo.
   • Fusión y Refinamiento: Todos los conjuntos recuperados se fusionan utilizando la Clasificación por Rango Recíproco (RRF). Un reclasificador de codificador cruzado (cross-encoder) selecciona las 8 mejores disposiciones, seguido de la Relevancia Marginal Máxima (MMR) para eliminar duplicados cercanos y la poda de contexto jerárquico para optimizar la asignación de tokens.

4. Generación:
   El conjunto de disposiciones refinado sirve como contexto para un generador de LLM (GLM-4-Flash). El sistema emplea una generación fundamentada en citas, instruyendo al modelo para incrustar frases estatutarias literales como evidencia y prohibiendo las citas fuera del conjunto recuperado para minimizar las alucinaciones.

Contribuciones Clave

1. Marco OMAGR: La propuesta de una arquitectura de recuperación de grafos de múltiples anclajes paralelos diseñada específicamente para resolver el cuello de botella de la recuperación multidimensional en dominios legales.
2. Benchmark TrafficLaw-QA: La introducción de un nuevo conjunto de datos de benchmark validado por expertos que contiene 200 preguntas y 527 disposiciones legales. El conjunto de datos está anotado bajo un protocolo de doble ciego (Cohen's $\kappa = 0.82$) y apunta específicamente a escenarios que requieren fundamentación multiestatutaria a través de dimensiones interdependientes.
3. Validación Empírica: Demostración mediante experimentos y estudios de ablación de que el sistema propuesto mejora sustancialmente la Precisión del Contexto y la Fidelidad en comparación con las líneas base.

Resultados Experimentales
Evaluado en el conjunto de datos TrafficLaw-QA utilizando métricas RAGAS, TrafficOmni-RAG superó a tres líneas base: Naive RAG (solo vector denso), TrafficRAG (híbrido BM25-denso) y LlamaIndex KG (recorrido de grafo de entidad única).

• Precisión del Contexto: TrafficOmni-RAG logró la puntuación más alta (0.915), superando significativamente a LlamaIndex KG (0.722). Los autores atribuyen esto al diseño de múltiples anclajes que recupera disposiciones de todas las dimensiones relevantes en lugar de agruparse alrededor de una sola entidad.
• Fidelidad (Faithfulness): El sistema alcanzó 0.787, superando a Naive RAG (0.625) y LlamaIndex KG (0.751).
• Estudios de Ablación: Eliminar el componente de múltiples anclajes (revirtiendo a la recuperación de un solo anclaje) causó la mayor caída en el rendimiento (la Precisión del Contexto cayó de 0.915 a 0.862), confirmando que la estructura de recuperación paralela es el principal motor del éxito.
• Compromisos (Trade-offs): Aunque TrafficRAG logró una Recuperación de Contexto ligeramente superior (0.896 vs. 0.885) debido al emparejamiento de palabras clave BM25, TrafficOmni-RAG priorizó la precisión, lo cual los autores argumentan que es funcionalmente superior para el QA legal para reducir los riesgos de alucinación derivados de contextos irrelevantes.

Significancia y Reivindicaciones
El artículo afirma que la recuperación paralela de múltiples anclajes resuelve eficazmente el cuello de botella de la recuperación multidimensional inherente a la determinación de la responsabilidad legal de tráfico. Al asegurar que se recolecte evidencia independiente para cada dimensión legalmente relevante antes de la fusión, el marco ofrece una dirección prometedora para la investigación legal donde las arquitecturas de eje único fallan al capturar la naturaleza interdependiente de las disposiciones estatutarias. Los autores posicionan a TrafficOmni-RAG no solo como una mejora en las métricas de recuperación, sino como un cambio estructural necesario para manejar la complejidad del razonamiento legal donde un solo accidente activa disposiciones en múltiples categorías estatutarias simultáneamente.

Limitaciones
Los autores reconocen varias limitaciones: la calidad de la extracción de anclajes depende del paso de análisis del LLM (con un F1 observado de 64.3% en evaluación ciega), el sistema utiliza un radio de expansión de dos saltos fijo que puede perder cadenas de dependencia más profundas, y la implementación actual es exclusiva de la ley de tráfico china, requiriendo una mayor evaluación para la generalizabilidad transjurisdiccional.