Freeing the Law with LOCUS: A Local Ordinance Corpus for the United States
Ce document présente LOCUS, un corpus exhaustif et lisible par machine comprenant la quasi-totalité des ordonnances municipales et de comté américaines disponibles publiquement, extraites par OCR à partir de sources fragmentées, accompagné de couches d'accès harmonisées et de modèles d'IA spécialisés pour permettre la recherche et l'analyse juridique à grande échelle des lois locales.
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 la loi comme une bibliothèque immense et multicouche. Pendant des années, l'IA juridique (des programmes informatiques qui comprennent le droit) a été très douée pour lire les « grands livres » des étagères supérieures : les lois fédérales, les statuts étatiques et la jurisprudence. Ce sont les règles qui s'appliquent à tout le monde dans le pays ou dans un État entier.
Mais il existe un niveau entier au sous-sol de la bibliothèque qui est resté verrouillé et rempli de poussière : les lois locales. Ce sont les règles que votre ville ou votre comté crée pour des choses comme le zonage (où vous pouvez construire une maison), les niveaux de bruit, les licences commerciales et le contrôle des animaux.
Le document présente LOCUS (Local Ordinance Corpus for the United States), qui est essentiellement un projet massif pour déverrouiller ce sous-sol, nettoyer les livres et les placer sur une étagère numérique où les ordinateurs peuvent enfin les lire.
Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :
1. Le problème : Une bibliothèque sans catalogue
Avant LOCUS, trouver des lois locales revenait à essayer de trouver une recette spécifique dans une bibliothèque où chaque ville possédait son propre livre de cuisine, mais :
- Les livres étaient dans des langues différentes (formats).
- Certains étaient manuscrits, d'autres dactylographiés, et certains n'étaient que des photocopies de photocopies (PDF scannés).
- Il n'y avait pas de liste maîtresse indiquant quelle ville possédait quel livre.
- Vous ne pouviez pas simplement demander à un bibliothécaire (un moteur de recherche) « toutes les règles concernant le stationnement en Amérique » car les livres étaient éparpillés sur des milliers de sites web différents conçus pour la navigation humaine et non pour le scan par ordinateur.
2. La solution : Le projet « LOCUS »
Les auteurs ont construit un pipeline géant pour réparer cela. Voyez cela comme une équipe de robots dotés d'yeux et de cerveaux surpuissants :
- Les Collecteurs : Ils ont envoyé des robots visiter des milliers de sites web de villes et de comtés pour télécharger les livres de lois.
- Les Traducteurs (OCR) : Puisque beaucoup de lois n'étaient que des images de texte (PDF scannés), ils ont utilisé une IA spéciale (appelée LightOnOCR) pour « lire » les images et les transformer en texte numérique, comme convertir une lettre manuscrite en un document Word.
- Les Organisateurs : Ils ont nettoyé le texte, supprimant les numéros de page et les en-têtes, et ont découpé les livres massifs en lois individuelles (comme séparer une seule recette d'un livre de cuisine entier).
- Les Étiqueteurs : Ils ont utilisé l'IA pour étiqueter chaque loi avec des étiquettes telles que « Ceci concerne les bâtiments », « Ceci concerne les affaires » ou « Ceci concerne le bruit ».
3. Le résultat : Une carte « harmonisée par comté »
Le produit final est un ensemble de données couvrant 9 239 villes et comtés. Cependant, pour rendre cela utile à la recherche, ils ont créé une version simplifiée appelée « Couche d'accès harmonisée par comté ».
L'analogie : Imaginez que vous vouliez étudier la météo à travers les États-Unis. Vous n'avez pas besoin d'un rapport distinct pour chaque coin de rue ; vous avez besoin d'un rapport fiable pour chaque comté.
- Pour chaque comté des États-Unis, LOCUS choisit le « plus grand » livre de lois local disponible (soit le livre du comté lui-même, soit le livre de la plus grande ville à l'intérieur de ce comté).
- Cela ne signifie pas qu'il résout chaque question juridique (comme « Puis-je construire un abri dans ce jardin spécifique ? »), mais cela donne aux chercheurs une base solide et comparable pour étudier les lois locales à travers tout le pays.
4. Donner aux lois une « note de personnalité »
L'une des parties les plus intéressantes du document est qu'ils n'ont pas seulement organisé le texte ; ils ont donné aux lois des « scores » sur quatre traits de personnalité spécifiques. Ils ont entraîné l'IA à lire une loi et à deviner son ressenti sur une échelle :
- Opacité (Confus vs Clair) : Cette loi est-elle écrite en anglais simple, ou est-ce un labyrinthe de jargon confus ?
- Paternalisme (Vous protéger vs Protéger les autres) : La loi essaie-t-elle de vous empêcher de vous faire du mal (comme un couvre-feu pour les enfants), ou essaie-t-elle d'empêcher les autres de vous faire du mal (comme une ordonnance sur le bruit) ?
- Discrétion de l'application (Stricte vs Flexible) : La loi laisse-t-elle beaucoup de marge de manœuvre aux officiers de police pour décider de ce qu'ils doivent faire, ou est-ce une règle stricte de type « oui/non » ?
- Saillance du problème (Urgent vs Mineur) : La loi traite-t-elle l'enjeu comme une urgence majeure ou comme un désagrément mineur ?
Exemple : Une loi disant « Personne de moins de 16 ans ne peut aller à un festival sans adulte » reçoit un score de Paternalisme élevé (elle protège l'enfant) et un score d'Opacité faible (elle est très claire).
5. Pourquoi cela importe
Les auteurs ont découvert que les lois locales ne sont pas juste un désordre aléatoire. Elles ont une structure cachée.
- Les villes ont tendance à se concentrer sur les « nuisances » (bruit, animaux, ordre public).
- Les comtés ont tendance à se concentrer sur le « zonage » (utilisation des terres, permis de construire).
- Les différentes parties du pays ont des « saveurs » de lois différentes (par exemple, les lois de la Floride ont tendance à être très confuses/opaques, tandis que d'autres États sont plus clairs).
L'essentiel
Le document affirme qu'en « libérant » ces lois locales de leurs formats fragmentés et poussiéreux pour les transformer en un ensemble de données propres et interrogeables, ils ont construit l'infrastructure de la prochaine génération d'IA juridique.
Ils ne prétendent pas que l'IA peut maintenant agir comme un juge ou donner des conseils juridiques. Au contraire, ils disent : « Nous avons enfin construit la carte et la bibliothèque. Maintenant, les chercheurs peuvent commencer à poser de grandes questions sur la manière dont les lois locales fonctionnent, comment elles diffèrent à travers le pays et comment elles affectent la vie quotidienne des gens. »
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.