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

Résumé Technique : Modélisation de l'Évolution Diachronique des Normes Juridiques

Énoncé du Problème
L'article traite d'une lacune critique dans le traitement automatisé des normes juridiques : l'incapacité des systèmes actuels à effectuer une reconstruction déterministe et ponctuelle des textes juridiques. Bien que les cadres fondamentaux comme l'IFLA LRMoo et les standards tels qu'Akoma Ntoso existent, ils manquent d'un modèle formel pour un versionnage granulaire au niveau des composants. Cette déficience est particulièrement aiguë pour l'IA générative et les grands modèles de langage (LLM), qui opèrent sur des bases probabilistes et manquent des mécanismes déterministes requis pour les domaines juridiques à enjeux élevés où la correction est absolue. Les modèles existants traitent souvent les amendements comme des annotations intégrées au document ou comme des instantanés consolidés séparés, échouant ainsi à modéliser explicitement la lignée causale de composants individuels ou les événements législatifs qui pilotent le changement. Par conséquent, la récupération du texte exact d'une loi telle qu'elle existait à une date passée spécifique demeure peu fiable.

Méthodologie
Les auteurs proposent un modèle de modélisation temporelle structuré, fondé sur l'IFLA Library Reference Model Ontology (LRMoo), étendu pour supporter une granularité au niveau du composant et une provenance centrée sur les événements. La méthodologie repose sur trois piliers fondamentaux :

1. Versionnage à deux niveaux (Distinction TV/LV) :

   • Version Temporelle (TV) : Modélisée comme une F1 Work distincte, représentant le contenu sémantique, indépendant de la langue, d'une norme à un moment donné. Chaque amendement législatif crée une nouvelle TV, formant une chaîne d'Œuvres dérivées.
   • Version Linguistique (LV) : Modélisée comme une F2 Expression, représentant la réalisation textuelle monolingue concrète d'une TV. Cette séparation permet au modèle de gérer les juridictions multilingues (plusieurs LV par TV) tout en maintenant un ancrage sémantique unique pour l'intention juridique.

2. Modélisation du Changement Centrée sur l'Événement :

   • Les amendements législatifs ne sont pas modélisés comme de simples relations binaires (ex: « amende »), mais comme des événements de premier rang.
   • Un amendement textuel est formalisé comme un événement complexe typé conjointement comme F27 Work Creation (création de la nouvelle TV) et E64 End of Existence (terminaison de la TV précédente).
   • L'événement lie explicitement la disposition modifiant (source) à la norme affectée (cible) via des propriétés telles que P16 used specific object, P93 took out of existence, et R16 created.
   • Les intervalles de validité ne sont pas des attributs statiques mais sont dérivés dynamiquement des horodatages de ces événements limites (création et terminaison), supportant à la fois le temps de transaction et le temps de validité (incluant la vacatio legis et les effets rétroactifs).

3. Granularité Récursive au Niveau du Composant :

   • Le modèle applique le même schéma LRMoo de manière récursive aux structures juridiques internes (articles, paragraphes, etc.).
   • Les Concepts de Composants (CC) et les Versions Temporelles de Composants (CTV) sont modélisés comme des F1 Works, liés via R67 has part et R2 is derivative of.
   • Les amendements sont décomposés en macro-événements (la promulgation de la norme modifiant) et en micro-événements (instructions spécifiques affectant des composants individuels). Chaque micro-événement trace le lien causal précis entre une instruction spécifique dans un acte modifiant et le changement résultant dans la version d'un composant spécifique.

Contributions Clés

• Architecture de Reconstruction Déterministe : L'article fournit une structure formelle permettant la reconstruction exacte de toute partie d'un texte juridique telle qu'elle existait à n'importe quelle date donnée, offrant une ossature sémantique vérifiable pour les Graphes de Connaissances Juridiques (LKG).
• Versionnage Granulaire des Composants : En établissant des hiérarchies parallèles pour les composants abstraits et leurs versions, le modèle dépasse le versionnage au niveau du document pour suivre l'histoire diachronique de chaque disposition juridique individuelle.
• Provenance par Événement Réifié : L'approche élève les événements législatifs au rang d'entités de premier rang, permettant de tracer avec précision la provenance de chaque changement juridique, en distinguant l'insertion, l'abrogation et les amendements de rédaction grâce à un typage ontologique spécifique.
• Séparation du Contenu Sémantique et de la Forme Linguistique : La distinction claire entre les Versions Temporelles (indépendantes de la langue) et les Versions Linguistiques (monolingues) fournit un mécanisme robuste pour gérer les données juridiques multilingues sans confondre l'évolution sémantique avec la traduction.

Résultats et Étude de Cas
Les auteurs démontrent l'efficacité de leur modèle en utilisant la Constitution Fédérale Brésilienne de 1988 comme étude de cas. Le modèle retrace avec succès le cycle de vie de la Constitution à travers plus de cent amendements.

• Il cartographie la promulgation initiale de 1988 vers une TV et une LV spécifiques.
• Il modélise l'amendement constitutionnel de 1992 (EC1) comme un événement complexe qui termine la TV initiale et crée une nouvelle TV, liant explicitement l'instrument modifiant au texte résultant.
• Il étend cette logique au niveau du composant, retraçant l'ajout spécifique du mot « logement » (moradia) à l'Article 6 via l'Amendement Constitutionnel n° 26 (2000). Le modèle capture cela comme un micro-événement qui termine la version temporelle de composant précédente (CTV0) et crée une nouvelle (CTV1), préservant une lignée complète et auditable.

Signification et Revendications
L'article positionne ce modèle comme un prérequis nécessaire pour une IA juridique de confiance. Il soutient que, si les modèles probabilistes sont insuffisants pour les domaines juridiques exigeant une précision absolue, un modèle descriptif robuste basé sur LRMoo fournit la « vérité terrain vérifiable » essentielle pour les Graphes de Connaissances Juridiques fiables. La signification réside dans le passage d'un paradigme de métadonnées centrées sur le document à une ontologie de source d'événements déterministe qui traite les normes juridiques comme des chaînes évolutives d'œuvres intellectuelles. Cette approche permet la construction de pipelines capables de répondre à la question « quelle était la loi à la date X ? » avec une certitude mathématique, soutenant ainsi la transparence, la recherche juridique efficace et le développement d'applications de droit computationnel fiables. Les auteurs concluent que ce modèle sert de couche fondamentale sur laquelle des raisonnements avancés et des benchmarks pour l'IA juridique peuvent être construits.