An Senegalese Legal Texts Structuration Using LLM-augmented Knowledge Graph

Cette étude propose une structuration des textes juridiques sénégalais, notamment du Code foncier et du domaine public, en utilisant des modèles de langage avancés pour extraire près de 8 000 articles et construire un graphe de connaissances facilitant l'accès à l'information juridique pour les citoyens et les professionnels.

L'essentiel

Voici une explication simple et imagée de cette recherche, comme si nous en parlions autour d'un café à Dakar.

🇸🇳 Le Projet : Transformer le "Labyrinithe" Juridique Sénégalais en une Carte au Trésor

Imaginez que le système juridique du Sénégal est une immense bibliothèque ancienne, remplie de milliers de livres (les lois, les décrets, les codes). Le problème ?

1. Les livres sont en désordre.
2. Ils sont écrits dans un langage très technique.
3. Si vous cherchez une information précise (par exemple : "Combien coûte un terrain à Thiès ?"), vous devez fouiller pendant des heures, et souvent, vous ne trouvez rien.

C'est là que cette équipe de chercheurs (Oumar Kane et ses collègues) intervient. Ils ont utilisé l'intelligence artificielle (IA) pour transformer cette bibliothèque chaotique en une carte interactive et intelligente.

---

1. La Mission : Ranger les Livres (L'Extraction)

Les chercheurs ont pris 7 967 articles de lois sénégalaises (comme le Code du Domaine National, le Code des Marchés Publics, etc.).

• L'analogie : C'est comme si un robot super-rapide prenait chaque page de chaque livre, arrachait les phrases importantes, et les classait dans des tiroirs étiquetés.
• Le résultat : Ils ont réussi à extraire ces textes et à les structurer, même pour les documents complexes comme les tarifs de location de terrains.

2. Le Cerveau : La "Toile d'Araignée" (La Base de Données Graphique)

Au lieu de mettre ces lois dans un simple fichier Excel ou une liste, ils les ont placés dans une base de données en forme de toile d'araignée (appelée Graph Database ou Neo4j).

• L'analogie : Imaginez un réseau de métro géant.
  • Chaque gare est un élément de loi (un Décret, un Article, un Ministre).
  • Chaque voie ferrée est un lien logique (par exemple : "Ce décret modifie cet article" ou "Cet article dépend de cette loi").
• Pourquoi c'est génial ? Dans un livre, vous devez lire page par page. Dans ce réseau, si vous cliquez sur une gare (une loi), vous voyez instantanément toutes les autres gares connectées. Vous voyez l'histoire de la loi, qui l'a signée, et ce qu'elle a changé.
• Les chiffres : Ils ont créé 2 872 gares (nœuds) reliées par 10 774 voies ferrées (relations). C'est une carte précise du domaine foncier au Sénégal.

3. Le Magicien : L'Intelligence Artificielle (Les LLM)

Pour construire cette toile d'araignée, ils n'ont pas tout fait à la main. Ils ont demandé à des "super-intelligences" (des modèles comme GPT-4o, GPT-4 et Mistral-Large) de lire les textes et de trouver les liens cachés.

• L'analogie : Imaginez que vous donnez un texte juridique à un détective très brillant et lui dites : "Trouve-moi tous les liens entre cet article et les autres lois, et écris-les sous forme de phrases simples."
• La technique : Ils ont utilisé une méthode appelée "Chain of Thought" (Chaîne de Pensée). C'est comme demander au détective de parler à voix haute et de dire : "D'abord, je regarde le titre. Ensuite, je vois qu'il cite la loi X. Donc, je crée un lien entre les deux."
• Le verdict : Le modèle GPT-4o s'est révélé être le meilleur détective, trouvant les liens les plus précis et les plus rapides. Mais Mistral-Large était aussi très performant et parfois plus rapide.

4. Pourquoi est-ce important pour le citoyen sénégalais ?

Avant ce projet, comprendre ses droits était comme essayer de lire une carte au trésor dessinée sur un brouillard.

• Avant : "Je ne sais pas quel article s'applique à ma situation. Je dois payer un avocat cher ou chercher pendant des jours."
• Après : Grâce à cette "carte intelligente", un citoyen ou un juriste peut poser une question simple (ex: "Quelles sont les règles pour construire une maison à Saint-Louis ?") et l'IA, en consultant cette toile d'araignée, peut lui donner la réponse exacte en quelques secondes.

En Résumé

Cette recherche est comme la construction d'un GPS pour le droit sénégalais.

1. Ils ont numérisé les lois (7 967 articles).
2. Ils ont connecté les idées entre elles (la base de données graphique).
3. Ils ont utilisé des robots intelligents (IA) pour faire le travail de connexion.

L'objectif final est de créer un assistant juridique virtuel qui aidera chaque Sénégalais à mieux comprendre ses droits et ses devoirs, rendant la justice plus transparente et accessible à tous. C'est une étape majeure pour moderniser la justice au Sénégal grâce à la technologie.

Résumé technique

Voici un résumé technique détaillé de l'article « An Senegalese Legal Texts Structuration Using LLM-augmented Knowledge Graph », présenté en français.

1. Problématique

Le système judiciaire sénégalais fait face à des défis majeurs concernant l'accessibilité et la structuration des textes juridiques. Les documents législatifs (lois, décrets, codes) sont complexes, interconnectés, parfois contradictoires, et leur mise à jour est difficile à suivre. L'absence d'une base de données centralisée et structurée rend l'extraction d'informations précises difficile pour les citoyens et les professionnels du droit. De plus, l'accès à la jurisprudence est limité et de nombreux documents récents ne sont disponibles que sous forme de scans, compliquant l'extraction de données. Il existe donc un besoin urgent d'automatiser la structuration de ces textes pour améliorer la transparence et l'efficacité de la justice.

2. Méthodologie

L'approche proposée combine l'extraction algorithmique traditionnelle et l'utilisation de Modèles de Langage (LLM) pour construire un Graphes de Connaissance (Knowledge Graph) augmenté par l'IA.

• Extraction des textes juridiques :

  • Un algorithme personnalisé a été développé pour parser des fichiers DOCX respectant les directives de rédaction sénégalaises.
  • L'algorithme identifie les métadonnées (domaine, numéro de loi, date de signature) et la structure hiérarchique (parties, titres, articles).
  • Il gère spécifiquement les cas complexes comme le Code du Domaine National et du Domaine Public, où les subdivisions (ex: prix de location) suivent des logiques spécifiques.
  • La complexité temporelle de cette extraction est de $O(n)$, permettant un traitement rapide de grands volumes de données.

• Construction de la Base de Données Graphique (Neo4j) :

  • Une base de données graphique a été construite en identifiant des nœuds (Domaine, Loi, Décret, Article, Journal Officiel, Personne, etc.) et des relations (publier, posséder, modifier, abroger, se référer à).
  • Les métadonnées (titres, dates, noms des signataires) sont attachées aux nœuds pour renforcer la fiabilité.

• Extraction de Triples de Connaissance avec LLM :

  • Pour automatiser l'identification des relations sémantiques entre les articles, l'étude utilise une approche Few-Shot Chain-of-Thought (Few-Shot-CoT).
  • Des prompts spécifiques sont conçus pour guider les LLMs à extraire des triples (Sujet, Prédicat, Objet) à partir du contenu des articles, en fournissant des exemples de raisonnement étape par étape.
  • L'objectif est de générer des triples où l'article actuel est le sujet, et les entités juridiques citées sont les objets.

3. Contributions Clés

• Structuration de masse : Extraction réussie de 7 967 articles juridiques provenant de 20 documents différents, dont une grande partie du Code du Domaine National et du Domaine Public.
• Base de connaissances graphiques : Développement d'une base de données Neo4j contenant 2 872 nœuds et 10 774 relations, offrant une visualisation claire des interconnexions juridiques.
• Évaluation comparative des LLMs : Analyse rigoureuse de plusieurs modèles (GPT-4o, GPT-4, Mistral-Large, GPT-3.5-Turbo, etc.) pour l'extraction de triples juridiques, en utilisant des métriques ROUGE et des tests de formatage.
• Cadre pour l'assistance juridique : Proposition d'un cadre intégrant l'extraction de triples, le RAG (Retrieval-Augmented Generation) et le ReAct (Reasoning and Acting) pour créer un assistant juridique intelligent.

4. Résultats

• Données extraites : Le corpus couvre divers codes (Pénal, Civil, Foncier, Investissement, etc.). Le Code du Domaine National et du Domaine Public représente la majorité des articles extraits (2 039 articles).
• Performance des modèles (Extraction de triples) :
  • GPT-4o s'est révélé être le modèle le plus performant, obtenant les scores ROUGE les plus élevés (R-1 : 86,00 %, R-Lsum : 85,99 %), surpassant GPT-4 et Mistral-Large.
  • Mistral-Large a montré une excellente efficacité en termes de temps d'inférence (2 min 23 s pour 24 articles) et de précision structurelle (R-2 : 82,08 %), se classant deuxième pour la cohérence des relations.
  • Les modèles plus petits (GPT-3.5-Turbo, GPT-4o-Mini) ont montré des limites dans la compréhension des plages de numéros d'articles et la gestion des ellipses, bien qu'ils soient plus rapides.
• Qualité de l'extraction : Les modèles avancés (GPT-4o, GPT-4, Mistral-Large) ont démontré une capacité robuste à raisonner sur les références croisées et à respecter le format de sortie exigé, tandis que les modèles plus petits ont tendance à omettre des détails contextuels ou à mal formater les plages de numéros.

5. Signification et Perspectives

Cette recherche démontre le potentiel transformateur de l'IA pour moderniser l'accès à la justice au Sénégal.

• Impact Sociétal : En rendant les droits et obligations plus accessibles et compréhensibles, ce système favorise l'inclusion juridique des citoyens.
• Innovation Technique : L'utilisation d'un graphe de connaissances augmenté par les LLMs permet de dépasser les limites des bases de données relationnelles classiques en capturant la complexité des relations sémantiques entre les textes de loi.
• Futur : Les auteurs prévoient d'intégrer ces technologies dans un assistant juridique intelligent utilisant le RAG et le ReAct. Cela nécessitera une collaboration continue entre juristes et data scientists pour maintenir la base de données à jour et affiner les prompts pour réduire les erreurs d'extraction (hallucinations ou mauvais formatage).

En conclusion, cette étude fournit une fondation solide pour la numérisation intelligente du droit sénégalais, transformant des documents textuels statiques en une base de connaissances dynamique et interrogeable.