💬 NLP

CVPD at QIAS 2026: RAG-Guided LLM Reasoning for Al-Mawarith Share Computation and Heir Allocation

Ce papier présente un système CVPD utilisant un pipeline RAG guidé par des règles et des données synthétiques pour résoudre avec une précision de 0,935 le calcul complexe des parts d'héritage en droit islamique, obtenant ainsi la première place au classement QIAS 2026.

Auteurs originaux : Wassim Swaileh, Mohammed-En-Nadhir Zighem, Hichem Telli, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Fadi Dornaika, Dimitrios Kotzinos

Publié 2026-03-26

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Wassim Swaileh, Mohammed-En-Nadhir Zighem, Hichem Telli, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Fadi Dornaika, Dimitrios Kotzinos

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏛️ Le Défi : Un Puzzle Juridique Arabe

Imaginez que vous devez résoudre un énorme puzzle juridique basé sur les lois de l'héritage islamique (Ilm al-Mawarith). Ce n'est pas juste une question de "qui reçoit quoi". C'est un processus complexe en plusieurs étapes :

Qui a le droit d'hériter ?
Qui est bloqué (par exemple, un grand-père ne peut pas hériter si le père est vivant) ?
Comment diviser les parts (parfois c'est 1/3, parfois 1/6) ?
Que faire si les parts dépassent 100 % ou sont inférieures à 100 % ?

Le problème, c'est que les règles changent selon les écoles de pensée (les madhahib) et les pays. C'est comme si les règles du jeu changeaient à chaque partie !

🤖 Le Problème des Intellectuels Artificiels (IA)

Les chercheurs ont essayé d'utiliser des intelligences artificielles (des "cerveaux numériques") pour résoudre ce puzzle. Mais les IA ont un gros défaut : elles sont très douées pour parler et donner l'air de comprendre, mais elles sont souvent maladroites avec les maths et les règles strictes.

C'est comme donner un manuel de cuisine à un chef qui a une excellente mémoire mais qui oublie souvent de peser les ingrédients ou qui mélange les étapes. Il peut vous dire "faites cuire le poulet", mais il risque de vous donner un plat brûlé ou avec la mauvaise quantité de sel.

🛠️ La Solution : L'Équipe "CVPD" et sa "Bibliothèque Magique"

L'équipe de recherche (CVPD) a gagné le championnat mondial (QIAS 2026) en créant un système qui ne se contente pas de "deviner". Ils ont construit une usine à raisonnement en trois étapes clés :

1. La Fabrique de Cas (Le "Simulateur de Cuisine")

Au lieu de se fier uniquement à ce que l'IA a appris dans son entraînement, les chercheurs ont créé 100 000 cas d'héritage fictifs en utilisant des règles mathématiques pures et sûres.

L'analogie : Imaginez un chef qui s'entraîne pendant des années en cuisinant 100 000 plats parfaits selon des règles strictes, avant même d'ouvrir la bouche. Cela crée une base de connaissances infaillible.

2. Le Détective de la Bibliothèque (La "Recherche Hybride")

Quand on pose une nouvelle question à l'IA, elle ne cherche pas dans sa mémoire floue. Elle va d'abord fouiller dans cette bibliothèque de 100 000 cas pour trouver les cas les plus similaires.

L'analogie : C'est comme si vous aviez un détective très rapide qui, au lieu de deviner la réponse, va chercher dans une bibliothèque immense deux ou trois livres qui parlent exactement de votre situation. Il utilise deux méthodes : une pour comprendre le sens des mots (comme un humain) et une pour chercher les mots-clés exacts (comme un index). Il mélange ensuite les résultats pour ne garder que les meilleurs.

3. Le Contrôleur de Qualité (Le "Gardien du Temple")

Une fois que l'IA a trouvé les cas similaires et a rédigé sa réponse, un système automatique vérifie tout.

L'analogie : Imaginez un inspecteur très strict qui vérifie le plat avant qu'il ne soit servi. Il regarde : "Est-ce que les parts s'additionnent bien à 100 % ? Est-ce que les noms sont bien écrits ? Est-ce que la logique tient la route ?" Si l'IA fait une erreur de calcul, l'inspecteur la corrige ou rejette la réponse.

🏆 Le Résultat : Pourquoi ont-ils gagné ?

Cette équipe a gagné le championnat avec un score de 0,935 sur 1 (un score quasi parfait).

La leçon principale ?
Ce n'est pas la taille du "cerveau" de l'IA (le modèle) qui a fait la différence, mais la méthode.

Les autres équipes ont essayé d'entraîner l'IA à tout apprendre par cœur ou de lui faire discuter avec plusieurs autres IA.
L'équipe gagnante a dit : "Ne faisons pas confiance aveuglément à l'IA. Donnons-lui les bons livres (la recherche), et mettons un garde du corps (le contrôleur) pour vérifier les maths."

🌟 En Résumé

Pour résoudre un problème juridique complexe et précis comme l'héritage islamique :

Ne laissez pas l'IA deviner.
Donnez-lui des exemples parfaits et vérifiés (la bibliothèque).
Forcez-la à vérifier ses calculs avant de répondre (le contrôleur).

C'est cette combinaison de recherche intelligente et de vérification stricte qui a permis de créer le meilleur système au monde pour ce défi spécifique.

) pour justifier les étapes. 2. Un bloc de réponse (`) au format JSON structuré.

Objectif : Forcer le modèle à expliciter son raisonnement tout en respectant un schéma de sortie machine-lisible.

D. Validation et Parsing de la Sortie

Une couche de post-traitement déterministe assure la fiabilité :

Extraction et nettoyage : Suppression des artefacts de génération.
Vérification des contraintes : Le système valide quatre types d'invariants :
1. Clés ( $C_{keys}$ ) : Présence des champs critiques (héritiers, parts, type d'ajustement).
2. Types ( $C_{types}$ ) : Vérification des types de données.
3. Étiquettes ( $C_{labels}$ ) : Validité des valeurs juridiques.
4. Cohérence de masse ( $C_{mass}$ ) : Vérification que la somme des parts normalisées est égale à 100 (avec une tolérance $\epsilon=5$ ).
Fallback : Si des champs non critiques manquent, des valeurs par défaut basées sur des règles sont appliquées pour assurer la complétude de la soumission.

3. Contributions Clés

Synthèse de données guidée par les règles : Création d'un corpus massif de 100k cas synthétiques avec traces de raisonnement complètes, comblant le manque de données complexes dans les ensembles réels.
Architecture RAG pour le raisonnement juridique : Démonstration que la combinaison de la récupération de cas résolus et d'une validation post-génération est supérieure aux approches de fine-tuning pur ou aux agents multiples pour ce type de tâche.
Validation déterministe : Mise en place d'une couche de validation stricte qui garantit la cohérence arithmétique et le respect du schéma de sortie, résolvant le problème de fiabilité des LLMs dans les tâches numériques.

4. Résultats et Évaluation

Le système a été évalué lors de la tâche partagée QIAS 2026 sur un ensemble de test aveugle.

Performance : Le système a obtenu un score MIR-E (Mawarith Inheritance Reasoning Evaluation) de 0,935, se classant premier sur le classement officiel.
Comparaison :
- Les modèles de base (sans RAG ni validation) comme Qwen 3.5 9B ont obtenu un score de seulement 0,347, montrant l'inefficacité des modèles "hors de la boîte" pour cette tâche.
- Le deuxième classé (Simplicity) a obtenu 0,931, confirmant la compétitivité extrême du domaine.
Analyse d'ablation (Sources de données) :
- L'utilisation exclusive de documents PDF juridiques (sources curées) a surperformé l'utilisation de sources web ou d'une combinaison des deux.
- Le score de combinaison pour les PDF seuls était de 0,718 contre 0,463 pour le web seul, prouvant que la précision sémantique est cruciale pour le raisonnement juridique et que le web introduit trop de bruit.
Analyse des erreurs : Les erreurs résiduelles (environ 6,5%) proviennent principalement de la logique de blocage multi-générationnelle (42%) et de l'arithmétique des fractions complexes (31%), plutôt que de la compréhension linguistique.

5. Signification et Conclusion

Ce travail démontre que pour les tâches de raisonnement juridique de haute précision en arabe, la maîtrise de la qualité des preuves et la conformité au schéma de sortie sont plus importantes que la simple puissance du modèle de base.

Approche hybride : La combinaison de la synthèse symbolique (pour la vérité terrain), de la récupération hybride (pour le contexte) et de la validation déterministe (pour la fiabilité) constitue une nouvelle voie robuste pour le NLP juridique.
Limites et perspectives : Le système ne couvre pas encore toutes les variantes des quatre écoles sunnites ni tous les codes civils. Les travaux futurs viseront à intégrer des contraintes de graphes de blocage explicites et à étendre la couverture des écoles juridiques.

En résumé, cette étude établit un nouveau standard pour le raisonnement juridique assisté par IA, prouvant que l'ingénierie autour du modèle (RAG, validation) est aussi critique que le choix du modèle lui-même.