💬 NLP

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

Cet article présente la construction automatique d'un graphe massif de citations juridiques à partir de plus de 100 millions de décisions de justice ukrainiennes, révélant que l'analyse non supervisée de 502 millions d'arêtes de citations encode efficacement les frontières du domaine juridique, prédit l'importance législative avec une précision quasi parfaite et détecte les changements de régime, permettant ainsi la création d'un flux de travail piloté par une ontologie pour l'analyse juridique assistée par les LLM.

Auteurs originaux : Volodymyr Ovcharov

Publié 2026-05-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Volodymyr Ovcharov

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

Imaginez l'ensemble du système juridique de l'Ukraine comme une immense bibliothèque animée contenant plus de 100 millions de livres (décisions de justice). Pendant des années, ces livres sont restés sur des étagères, majoritairement non lus par les ordinateurs, car la manière dont ils faisaient référence à d'autres lois était désordonnée, incohérente et rédigée dans un langage humain complexe.

Ce document décrit un projet où les auteurs ont construit un bibliothécaire robot ultra-rapide pour lire chacun de ces livres et cartographier exactement comment ils sont interconnectés.

Voici la décomposition de ce qu'ils ont fait et de ce qu'ils ont découvert, en utilisant des analogies simples :

1. Le Bibliothécaire Robot (L'Extraction)

Les auteurs ont créé un outil spécialisé (un « pipeline d'expressions régulières ») qui agit comme un scanner haute vitesse.

La Tâche : Il devait trouver des références à des lois au sein de 100,7 millions de décisions de justice. Cela représente 1,1 téraoctet de texte — assez pour remplir une petite bibliothèque.
La Vitesse : Il l'a fait en seulement 5 heures sur un serveur informatique standard. Pour mettre cela en perspective, un humain lisant une page par minute mettrait des siècles pour accomplir cela.
Le Résultat : Le robot a trouvé 502 millions de connexions (citations). Il était incroyablement précis, obtenant un score parfait sur un échantillon de test. Il a réussi à identifier six types différents de références, allant d'articles spécifiques du Code civil à des arrêts de la Cour suprême.

2. La Carte des Connexions (Le Graphique)

Une fois le robot terminé de lire, les auteurs n'avaient pas simplement un tas de notes ; ils ont construit une immense toile d'araignée (un graphe).

Fonctionnement : Imaginez que chaque décision de justice est un point, et chaque loi qu'elle mentionne est un autre point. Le robot a tracé une ligne entre eux.
La Forme : Ils ont découvert que cette toile suit une « loi de puissance ». En termes simples, cela signifie qu'une poignée infime de lois est super-populaire (cité des millions de fois), tandis que la plupart des lois sont citées très rarement.
- Analogie : Pensez-y comme à un réseau social. Quelques célébrités (comme les articles principaux sur le vol ou la procédure civile) ont des millions d'abonnés, tandis que la plupart des gens ordinaires n'en ont que quelques-uns. En Ukraine, les lois « célébrités » sont les règles procédurales que les juges utilisent dans presque chaque affaire.

3. Découvrir des Quartiers Cachés (Ontologie et Clustering)

La partie la plus surprenante du document est ce qui s'est produit lorsqu'ils ont examiné comment les lois sont citées ensemble.

La Découverte : Ils ont utilisé un algorithme informatique pour regrouper les lois fréquemment citées dans les mêmes affaires. Ils n'ont pas dit à l'ordinateur ce qu'était le « droit civil » ou le « droit pénal ». Ils ont simplement laissé les données parler.
Le Résultat : L'ordinateur a naturellement regroupé les lois en quatre quartiers distincts : Civil, Pénal, Administratif et Commercial.
- Analogie : Imaginez entrer dans une pièce remplie de gens et leur demander de se regrouper sans leur donner les règles. Si vous leur demandez de se regrouper par « avec qui ils parlent », les comptables se regrouperont naturellement ensemble, et les artistes se regrouperont ensemble. L'ordinateur a fait cela avec les lois, prouvant que la structure du système judiciaire lui-même révèle les catégories de droit, même sans que des experts humains les étiquettent.

4. Lire l'Histoire (Voyage dans le Temps)

Parce qu'ils disposaient de données de 2007 à 2026, ils pouvaient observer le système juridique changer en temps réel.

Réformes : Lorsqu'un nouveau code de lois a été introduit (comme en 2012 ou 2017), la carte a montré un soudain « tremblement de terre ». Les anciennes lois ont cessé d'être citées, et les nouvelles ont explosé en popularité.
L'Invasion de 2022 : Le document note un « pic » spécifique en 2022. La variété des lois citées est soudainement devenue beaucoup plus chaotique et diversifiée (l'entropie a augmenté). De nouvelles lois sur la guerre sont apparues sur la carte pour la première fois, montrant comment le système juridique s'est instantanément adapté à la crise.

5. Prédire l'Avenir

Les auteurs ont testé s'ils pouvaient deviner quelles lois deviendraient importantes à l'avenir.

Le Test : Ils ont utilisé l'histoire des citations pour prédire les 1 000 lois les plus importantes pour les années 2020–2026.
Le Score : Ils étaient précis à 99,8 %.
La Leçon : La meilleure façon de savoir si une loi est importante n'est pas de lire le texte ; c'est de voir à quelle fréquence les juges la citent. La « popularité » d'une loi est un prédicteur parfait de son importance future.

Pourquoi Cela Compte (Selon le Document)

Les auteurs expliquent que cette carte est maintenant utilisée pour aider l'Intelligence Artificielle (IA) à comprendre le droit ukrainien.

Actuellement, les modèles d'IA hallucinent souvent ou inventent des choses parce qu'ils n'ont pas de « carte » solide sur la façon dont les lois sont liées entre elles.
Ce projet fournit cette carte. Il donne à l'IA une « couche de domaine » — un guide structuré et basé sur les données qui dit à l'IA : « Ces lois appartiennent ensemble, et voici comment elles sont utilisées dans la vie réelle. » Cela aide l'IA à fournir des conseils juridiques plus précis et mieux fondés.

En résumé : Le document traite de la construction d'une immense carte automatisée du système juridique de l'Ukraine. En laissant les données tracer les lignes entre les lois, ils ont découvert que le système judiciaire s'organise naturellement en catégories claires, que quelques lois tiennent tout le système ensemble, et que cette carte peut enseigner à l'IA comment penser comme un avocat.

Résumé technique : Construction automatique d'un graphe de citations juridiques à partir de 100 millions de décisions judiciaires ukrainiennes

Énoncé du problème
Le Registre d'État unifié des décisions judiciaires (EDRSR) constitue le plus grand corpus judiciaire ouvert d'Europe continentale, contenant plus de 100 millions de décisions. Malgré son ampleur, cette ressource est restée largement inexploitée pour l'analyse juridique computationnelle. Les recherches existantes sur les réseaux de citations juridiques se sont concentrées sur les juridictions de common law (par exemple, États-Unis, Pays-Bas, Danemark) où les conventions de citation sont explicites et les jeux de données plus petits (10³–10⁵ décisions). Les systèmes juridiques de type continental, comme celui de l'Ukraine, présentent des défis distincts : les citations visent des articles de législation plutôt que des affaires antérieures, les formats sont incohérents en raison de variations morphologiques et d'abréviations, et le volume colossal (1,1 To de texte) nécessite un traitement à l'échelle industrielle. Aucun travail antérieur n'avait tenté l'extraction de citations à l'échelle de 100 millions de décisions.

Méthodologie
L'article propose un pipeline en trois étapes : extraction à grande échelle, analyse topologique et clustering piloté par une ontologie.

Pipeline d'extraction à grande échelle :
- Source de données : 100,7 millions de décisions judiciaires (99,5 millions de textes intégraux) issues de l'EDRSR, couvrant la période 2000–2026.
- Technique : Un pipeline basé sur des expressions régulières traite les données partition par partition en utilisant le multiprocessus Python et des curseurs PostgreSQL côté serveur.
- Types de cibles : Six types de citations sont extraits : (1) Références à des articles de code (par exemple, « ст. 625 ЦК України »), (2) Références à des lois nommées, (3) Références constitutionnelles, (4) Références inter-affaires, (5) Références à des lois par numéro, et (6) Références à des arrêts de la Cour suprême.
- Performance : Le pipeline traite environ 200 000 lignes/seconde sur un seul serveur 16 cœurs, achevant l'extraction de 502 millions de liens de citation en environ 5 heures.
- Validation : Sur un échantillon manuellement annoté de 200 décisions (1 903 citations), le pipeline a atteint une précision de 100 % pour les six types. Un proxy de rappel de 0,86 a été observé lors de la vérification croisée avec les enregistrements stockés, l'écart de 14 % étant attribué à des différences de normalisation (par exemple, expansion des plages d'articles) plutôt qu'à des citations substantielles manquées.
Construction du graphe :
- Graphe biparti ( $G_B$ ) : Les nœuds représentent les décisions ( $D$ ) et les articles de législation ( $L$ ). Les arêtes relient une décision à la législation qu'elle cite.
- Projection de co-citation ( $G_L$ ) : Un graphe uniparti où les articles de législation sont connectés s'ils sont cités ensemble dans la même décision. Les poids des arêtes reflètent la fréquence de co-citation, servant de proxy pour la pertinence sémantique.
- Graphe de similarité des décisions ( $G_D$ ) : Un graphe reliant les décisions qui citent une législation commune (calculé de manière paresseuse).
Analyse et construction d'ontologie :
- Détection de communautés : L'algorithme Louvain est appliqué à la projection de co-citation pour identifier des clusters d'articles de législation.
- Dérivation d'ontologie : Ces clusters forment une ontologie juridique construite automatiquement où les classes correspondent à des domaines juridiques (par exemple, Civil, Pénal) et les individus sont les articles spécifiques. Cette approche repose sur l'hypothèse distributionnelle (« vous connaîtrez une loi par les décisions qui la citent ») sans nécessiter de données étiquetées ni de modèles d'incorporation.

Résultats clés

Échelle et efficacité : L'étude a réussi à extraire 502 millions d'arêtes de citation reliant des décisions à 18,4 millions d'articles de législation uniques. Ce jeu de données est trois à quatre ordres de grandeur plus vaste que les études antérieures sur les citations juridiques.
Propriétés topologiques :
- Distribution de loi de puissance : La distribution des degrés des articles de législation suit une loi de puissance avec un exposant $\alpha = 1,57 \pm 0,008$ . Cela place le réseau ukrainien entre la Cour de justice de l'Union européenne ( $\alpha \approx 1,7$ ) et la Cour suprême des États-Unis ( $\alpha \approx 2,1$ ), indiquant une queue lourde où un petit ensemble d'articles « hubs » (par exemple, codes de procédure) est cité par des millions de décisions.
- Divergence de centralité : La centralité PageRank diverge significativement des comptes bruts de citations (Spearman $\rho = 0,70$ ). Par exemple, l'article 19 de la Constitution se classe 42e par le compte brut mais 3e par PageRank, reflétant son rôle structurel de pont entre les domaines juridiques.
Récupération ontologique : La détection de communautés sur le graphe de co-citation récupère avec succès les domaines juridiques établis (Civil, Pénal, Administratif, Commercial) avec des scores de modularité ( $Q$ ) compris entre 0,44 et 0,55. La structure montre une stabilité temporelle élevée (Information Mutuelle Normalisée $NMI = 0,83–0,86$ sur des périodes de quatre ans), confirmant le graphe comme une représentation durable de l'ordre juridique.
Puissance prédictive : Un modèle de régression logistique utilisant des caractéristiques de citation (volume historique, ratio de croissance, etc.) prédit les 1 000 articles les plus cités à l'avenir avec une AUC de 0,9984, surpassant nettement une base de fréquence naïve.
Dynamiques temporelles et détection de crises :
- Réformes législatives : Le graphe capture des changements de phase quantitatifs correspondant à des réformes majeures, tels que le lancement du Code de procédure pénale de 2012 et la réforme judiciaire de 2017.
- Impact de la guerre : L'invasion russe de 2022 est détectée comme un pic d'entropie de citation ( $H: 11,02 \to 13,49$ ) et l'émergence de nouveaux nœuds liés à la législation de temps de guerre (par exemple, Article 111-1 du Code pénal concernant la collaboration).

Signification et revendications
L'article revendique trois contributions principales :

Extraction évolutive : Il démontre que le TALN à l'échelle industrielle peut être réalisé sur du matériel standard en utilisant des méthodes simples basées sur des expressions régulières, atteignant une haute précision sans infrastructure spécialisée.
Ontologie pilotée par les données : Il fournit la première ontologie lisible par machine pour les relations de statuts ukrainiens, dérivée entièrement de la pratique judiciaire plutôt que d'une curation experte. Cela comble une lacune structurelle dans les systèmes LLM contrôlés par ontologie, fournissant une couche de domaine qui ancre le raisonnement juridique dans les modèles d'utilisation réels.
Histoire juridique quantitative : Le graphe de citations sert d'enregistrement haute résolution des transitions de régimes législatifs, capable de détecter des changements systémiques (réformes, invasions) par le biais de l'entropie de citation et des déplacements de densité.

Les auteurs positionnent ce travail comme une extension des programmes d'extraction de connaissances et de modélisation sémantique distributionnelle proposés par Palagin et al., appliqués ici à une échelle et un domaine jamais tentés auparavant dans le TALN ukrainien. L'ontologie résultante est opérationnalisée comme la couche de domaine pour les systèmes de mémoire de flux de travail dans l'analyse juridique assistée par LLM, permettant des corrections humaines éclairées des sorties de l'IA. Le pipeline d'extraction, le code d'analyse et les statistiques agrégées sont publiés en tant que données ouvertes.