Augmented Question-guided Retrieval (AQgR) of Indian Case Law with LLM, RAG, and Structured Summaries
Ce document propose l'Augmented Question-guided Retrieval (AQgR), un cadre qui améliore la recherche de la jurisprudence indienne en générant des questions juridiques pour les requêtes, en utilisant des résumés RAG structurés pour le contexte, et en employant des LLM pour le reclassement et l'explication de la pertinence, atteignant une précision moyenne de précision significativement plus élevée que les références existantes.
Article original sous licence CC BY 4.0 (https://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
Dans le monde du droit, trouver la décision passée appropriée pour soutenir une affaire actuelle est souvent la partie la plus chronophage du travail d'un avocat. Cela est particulièrement vrai en Inde, où les arrêts de justice sont des documents massifs et non structurés qui mélangent faits, arguments et décisions dans de longs blocs de texte continus. Traditionnellement, les ordinateurs ont tenté d'aider en recherchant des cas qui ressemblent à la situation actuelle sur la base des mots spécifiques utilisés. Si un avocat décrit un litige concernant le licenciement d'un ouvrier d'usine, l'ordinateur cherche d'autres cas mentionnant des usines et des ouvriers. Cependant, cette approche échoue souvent car le droit se soucie davantage du principe juridique sous-jacent que des détails spécifiques de l'histoire. Deux affaires peuvent impliquer des personnes et des contextes totalement différents mais reposer sur la même question juridique exacte, telle que de savoir si une action gouvernementale était équitable. Pour résoudre cela, les chercheurs se sont tournés vers une nouvelle génération d'intelligence artificielle connue sous le nom de modèles de langage de grande taille. Ces systèmes peuvent lire et comprendre le langage humain, mais ils sont confrontés à un obstacle de taille : ils ne peuvent pas lire des milliers de pages de texte à la fois. Pour fonctionner efficacement, ils ont besoin que l'information soit compressée en une taille gérable, et ils ont besoin d'être guidés par les bonnes questions plutôt que par de simples faits bruts.
Une équipe de chercheurs de l'Université des Sciences et Technologies de Cochin et du Laboratoire de Physique et d'Océanographie Navale s'est donné pour mission de construire un système capable de naviguer à travers ces défis pour extraire la jurisprudence indienne. Ils ont développé un cadre appelé « Augmented Question-guided Retrieval » (Récupération augmentée guidée par question), qui fonctionne en deux étapes principales. Premièrement, le système prend un jugement de cour long et désordonné et utilise un modèle d'intelligence artificielle pour extraire les parties les plus importantes, telles que les faits, les questions juridiques soulevées et la décision finale, en les organisant en un résumé propre et structuré. Cette étape est cruciale car elle réduit un document qui pourrait comporter vingt mille mots à quelques champs clés qui rentrent dans la mémoire de l'ordinateur. Deuxièmement, au lieu de rechercher des cas en utilisant l'histoire brute du litige actuel, le système demande à l'intelligence artificielle de générer les questions juridiques spécifiques que l'histoire soulève. Il utilise ensuite ces questions juridiques abstraites pour rechercher des précédents passés, et enfin, un second modèle d'intelligence artificielle reclasse les résultats pour expliquer pourquoi chaque cas passé est pertinent.
Les chercheurs ont testé ce système sur une vaste collection d'arrêts de la Cour suprême indienne. Ils ont découvert que la manière dont ils structuraient l'information importait plus que les termes de recherche spécifiques utilisés. Lorsque le système recherchait des cas en utilisant les questions juridiques générées plutôt que les faits bruts, il trouvait des précédents plus pertinents, mais seulement lorsque les jugements passés avaient été convertis en ces courts résumés structurés. Si le système tentait de chercher à travers le texte complet et non édité des jugements, les courtes questions juridiques étaient trop éparses pour trouver une correspondance. L'étude a également révélé un détail surprenant concernant la gestion des citations par le système. Inclure les noms des affaires passées dans le résumé nuisait en fait aux performances car cela ajoutait trop de bruit. Cependant, lorsque le système résumait le principe juridique derrière chaque citation au lieu de simplement lister le nom, les résultats s'amélioraient considérablement. Cela suggère que l'ordinateur apprend mieux lorsqu'il comprend la règle derrière une référence plutôt que de simplement voir la référence elle-même.
Pour s'assurer que le système était robuste, les chercheurs ont mené des dizaines d'expériences, modifiant la façon dont les requêtes étaient formées et dont les données étaient organisées. Ils ont découvert que la combinaison de différents types de recherches — en utilisant à la fois les faits de l'affaire et les questions juridiques générées — aidait le système à trouver des cas plus pertinents globalement, même si cela rendait parfois le classement final légèrement moins précis. Ils ont également constaté que, bien que le système puisse gérer la plupart des documents, les jugements les plus longs échouaient parfois à être résumés correctement, ce qui limitait la capacité du système à trouver la correspondance parfaite pour certaines requêtes. Malgré ces limites, le système a atteint un niveau de précision nettement supérieur aux méthodes précédentes, atteignant un score d'environ 0,312 sur un test standard, contre environ 0,157 pour les meilleurs systèmes existants. Cette amélioration a été obtenue sans avoir besoin de réentraîner l'intelligence artificielle sur des données juridiques, prouvant qu'une manière intelligente d'organiser l'information peut être tout aussi puissante que d'enseigner de nouveaux faits à l'ordinateur.
L'étude conclut que la clé pour rendre l'intelligence artificielle utile à la recherche juridique ne réside pas dans le fait de rendre l'ordinateur plus intelligent, mais dans la présentation de l'information d'une manière que l'ordinateur peut réellement utiliser. En compressant les longs jugements en résumés structurés et en guidant la recherche par des questions juridiques générées, les chercheurs ont créé un pipeline qui aide les avocats à trouver les précédents appropriés plus rapidement. Le système ne fournit pas seulement une liste de cas, mais une explication d'une phrase pour expliquer pourquoi chaque cas a été choisi, permettant à un avocat de décider rapidement si le document complet mérite d'être lu. Bien que le système ne soit pas parfait et éprouve encore des difficultés avec les documents les plus longs, il démontre une voie pratique pour l'avenir de la technologie juridique. Il montre qu'avec la bonne structure, l'intelligence artificielle peut aider à naviguer dans le paysage vaste et complexe du droit indien, transformant des heures de recherche en minutes de lecture.
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.