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

तकनीकी सारांश: 100 मिलियन यूक्रेनी अदालती निर्णयों से कानूनी उद्धरण ग्राफ का स्वचालित निर्माण

समस्या विवरण
एकीकृत राज्य न्यायालय निर्णय रजिस्टर (EDRSR) महाद्वीपीय यूरोप में सबसे बड़ा खुला न्यायिक संग्रह है, जिसमें 100 मिलियन से अधिक निर्णय शामिल हैं। अपने विशाल आकार के बावजूद, इस संसाधन का कम्प्यूटेशनल कानूनी विश्लेषण के लिए व्यापक रूप से दोहन नहीं किया गया है। मौजूदा कानूनी उद्धरण नेटवर्क अनुसंधान सामान्य कानून वाले क्षेत्राधिकारों (जैसे, अमेरिका, डच, डेनिश) पर केंद्रित रहा है जहाँ उद्धरण परंपराएँ स्पष्ट हैं और डेटासेट छोटे (10³–10⁵ निर्णय) हैं। यूक्रेन जैसे महाद्वीपीय कानूनी प्रणालियाँ विशिष्ट चुनौतियाँ पेश करती हैं: उद्धरण पूर्व मामलों के बजाय विधान लेखों (legislation articles) को लक्षित करते हैं, रूपात्मक विविधताओं और संक्षिप्त रूपों के कारण प्रारूप असंगत होते हैं, और 1.1 TB टेक्स्ट का विशाल आयतन औद्योगिक-स्तरीय प्रसंस्करण की मांग करता है। इससे पहले किसी भी कार्य में 100-मिलियन निर्णय के पैमाने पर उद्धरण निष्कर्षण का प्रयास नहीं किया गया है।

कार्यप्रणाली
यह शोध पत्र एक तीन-चरणीय पाइपलाइन प्रस्तावित करता है: बड़े पैमाने पर निष्कर्षण, टोपोलॉजिकल विश्लेषण, और ऑन्टोलॉजी-संचालित क्लस्टरिंग।

1. बड़े पैमाने पर निष्कर्षण पाइपलाइन:

   • डेटा स्रोत: EDRSR से 2000-2026 तक फैले 100.7 मिलियन अदालती निर्णय (99.5 मिलियन पूर्ण पाठ)।
   • तकनीक: एक रेगेक्स (regex)-आधारित पाइपलाइन पायथन मल्टीप्रोसेसिंग और सर्वर-साइड PostgreSQL कर्सर का उपयोग करके डेटा को पार्टिशन-दर-पार्टिशन प्रोसेस करती है।
   • लक्षित प्रकार: छह उद्धरण प्रकार निकाले गए हैं: (1) कोडेक्स लेख संदर्भ (जैसे, "ст. 625 ЦК України"), (2) नामित कानून संदर्भ, (3) संवैधानिक संदर्भ, (4) अंतर-मामला संदर्भ, (5) संख्या-दर-कानून संदर्भ, और (6) सुप्रीम कोर्ट के निर्णय संदर्भ।
   • प्रदर्शन: यह पाइपलाइन एक एकल 16-कोर सर्वर पर लगभग 200,000 पंक्तियाँ/सेकंड प्रोसेस करती है, और लगभग 5 घंटों में 502 मिलियन उद्धरण लिंक का निष्कर्षण पूरा करती है।
   • सत्यापन: 200 निर्णयों (1,903 उद्धरण) के मैन्युअल रूप से एनोटेट किए गए नमूने पर, पाइपलाइन ने सभी छह प्रकारों में 100% शुद्धता (precision) प्राप्त की। एक क्रॉस-चेक के विरुद्ध 0.86 का रिकॉल प्रॉक्सी देखा गया, जिसमें 14% का अंतर सामान्यीकरण अंतरों (जैसे, लेख सीमा विस्तार) के कारण था न कि छूटे हुए सारभूत उद्धरणों के कारण।

2. ग्राफ निर्माण:

   • द्विपक्षीय ग्राफ ($G_B$): नोड्स निर्णयों ($D$) और विधान लेखों ($L$) का प्रतिनिधित्व करते हैं। किनारे (edges) एक निर्णय को उस विधान से जोड़ते है जिसका वह उद्धरण देता है।
   • सह-उद्धरण प्रोजेक्शन ($G_L$): एक यूनिपार्टाइट ग्राफ जहाँ विधान लेखों को तब जोड़ा जाता है जब वे एक ही निर्णय में एक साथ उद्धृत किए जाते हैं। किनारों का भार सह-उद्धरण की आवृत्ति को दर्शाता है, जो सिमेंटिक समानता के प्रॉक्सी के रूप में कार्य करता है।
   • निर्णय समानता ग्राफ ($G_D$): एक ग्राफ जो उन निर्णयों को जोड़ता है जो समान विधान का उद्धरण देते हैं (लेजीली कंप्यूट किया गया)।

3. विश्लेषण और ऑन्टोलॉजी निर्माण:

   • कम्युनिटी डिटेक्शन: सह-उद्धरण प्रोजेक्शन पर लौवेन (Louvain) एल्गोरिदम को विधान लेखों के क्लस्टर की पहचान करने के लिए लागू किया जाता है।
   • ऑन्टोलॉजी व्युत्पत्ति: ये क्लस्टर एक स्वचालित रूप से निर्मित कानूनी ऑन्टोलॉजी बनाते हैं जहाँ वर्ग कानूनी डोमेन (जैसे, सिविल, क्रिमिनल) के अनुरूप होते हैं और व्यक्ति (individuals) विशिष्ट लेख होते हैं। यह दृष्टिकोण वितरण संबंधी परिकल्पना ("आप एक कानून को उन निर्णयों से जानेंगे जो उसका उद्धरण देते हैं") पर निर्भर करता है जिसके लिए लेबल किए गए डेटा या एम्बेडिंग मॉडल की आवश्यकता नहीं होती है।

प्रमुख परिणाम

• पैमाना और दक्षता: अध्ययन ने 18.4 मिलियन अद्वितीय विधान लेखों को जोड़ने वाले 502 मिलियन उद्धरण किनारों को सफलतापूर्वक निकाला। यह डेटासेट पिछले कानूनी उद्धरण अध्ययनों की तुलना में तीन से चार आदेशों (orders of magnitude) तक बड़ा है।
• टोपोलॉजिकल गुण:
  • पावर लॉ वितरण: विधान लेखों का डिग्री वितरण $\alpha = 1.57 \pm 0.008$ के घातांक के साथ एक पावर लॉ का पालन करता है। यह यूक्रेनी नेटवर्क को यूरोपीय संघ के न्यायालय ($\alpha \approx 1.7$) और अमेरिकी सुप्रीम कोर्ट ($\alpha \approx 2.1$) के बीच रखता है, जो एक भारी पूंछ (heavy tail) को दर्शाता है जहाँ लेखों का एक छोटा सेट (जैसे, प्रक्रियात्मक कोड) लाखों निर्णयों द्वारा उद्धृत किया जाता है।
  • सेंट्रैलिटी डायवर्जेंस: पेज रैंक सेंट्रैलिटी कच्चे उद्धरण गणनाओं से काफी भिन्न है (स्पियरमैन $\rho = 0.70$)। उदाहरण के लिए, संविधान का अनुच्छेद 19 कच्चे काउंट द्वारा 42वें स्थान पर है लेकिन पेज रैंक द्वारा तीसरे स्थान पर है, जो कानूनी डोमेन के बीच एक सेतु के रूप में इसकी संरचनात्मक भूमिका को दर्शाता है।
• ऑन्टोलॉजिकल रिकवरी: सह-उद्धरण ग्राफ पर कम्युनिटी डिटेक्शन ने स्थापित कानूनी डोमेन (सिविल, क्रिमिनल, एडमिनिस्ट्रेटिव, कमर्शियल) को 0.44 और 0.55 के मॉड्यूलरिटी स्कोर ($Q$) के साथ सफलतापूर्वक पुनर्प्राप्त किया। संरचना उच्च अस्थायी स्थिरता (चार वर्षों की अवधि में $NMI = 0.83–0.86$) दिखाती है, जो पुष्टि करती है कि ग्राफ कानूनी व्यवस्था का एक टिकाऊ प्रतिनिधित्व है।
• भविष्यवाणी शक्ति: उद्धरण विशेषताओं (ऐतिहासिक वॉल्यूम, ग्रोथ रेशियो, आदि) का उपयोग करने वाला एक लॉजिस्टिक रिग्रेशन मॉडल भविष्य के शीर्ष-1,000 सर्वाधिक उद्धृत लेखों की भविष्यवाणी 0.9984 के AUC के साथ करता है, जो एक नैव फ्रीक्वेंसी बेसलाइन से काफी बेहतर प्रदर्शन करता है।
• अस्थायी गतिशीलता और संकट का पता लगाना:
  • विधायी सुधार: ग्राफ प्रमुख सुधारों, जैसे कि 2012 क्रिमिनल प्रोसीजर कोड लॉन्च और 2017 न्यायिक सुधार के अनुरूप मात्रात्मक चरण परिवर्तनों को कैप्चर करता है।
  • युद्ध का प्रभाव: 2022 के रूसी आक्रमण को उद्धरण एंट्रॉपी स्पाइक ($H: 11.02 \to 13.49$) और युद्ध संबंधी विधान (जैसे, सहयोग के लिए आपराधिक संहिता अनुच्छेद 111-1) से संबंधित नए नोड्स के उद्भव के रूप में पहचाना गया है।

महत्व और दावे
यह शोध पत्र तीन प्राथमिक योगदानों का दावा करता है:

1. स्केलेबल निष्कर्षण: यह प्रदर्शित करता है कि साधारण रेगेक्स-आधारित विधियों का उपयोग करके कमोडिटी हार्डवेयर पर औद्योगिक-स्तरीय कानूनी NLP प्राप्त किया जा सकता है, जो विशेष बुनियादी ढांचे के बिना उच्च शुद्धता प्राप्त करता है।
2. डेटा-संचालित ऑन्टोलॉजी: यह यूक्रेनी वैधानिक संबंधों के लिए पहला मशीन-रीडेबल ऑन्टोलॉजी प्रदान करता है, जो विशेषज्ञ क्यूरेशन के बजाय पूरी तरह से न्यायिक अभ्यास से व्युत्पन्न है। यह ऑन्टोलॉजी-नियंत्रित LLM सिस्टम के लिए एक संरचनात्मक अंतर को संबोधित करता है, जो एक डोमेन लेयर प्रदान करता है जो कानूनी तर्क को वास्तविक उपयोग पैटर्न में स्थापित करता है।
3. मात्रात्मक कानूनी इतिहास: उद्धरण ग्राफ विधायी शासन संक्रमणों का एक उच्च-रिज़ॉल्यूशन रिकॉर्ड है, जो उद्धरण एंट्रॉपी और घनत्व बदलावों के माध्यम से प्रणालीगत परिवर्तनों (सुधार, आक्रमण) का पता लगाने में सक्षम है।

लेखक इस कार्य को पालागिन एट अल. द्वारा प्रस्तावित ज्ञान निष्कर्षण और वितरण संबंधी सिमेंटिक मॉडलिंग कार्यक्रमों के विस्तार के रूप में देखते हैं, जिसे यहाँ यूक्रेनी NLP में पहले कभी न किए गए पैमाने और डोमेन पर लागू किया गया है। परिणामी ऑन्टोलॉजी को LLM-सहायता प्राप्त कानूनी विश्लेषण में वर्कफ़्लो मेमोरी सिस्टम के लिए डोमेन लेयर के रूप में संचालित किया जाता है, जो AI आउटपुट के सूचित मानव सुधार को सक्षम बनाता है। निष्कर्षण पाइपलाइन, विश्लेषण कोड और एकत्रित आंकड़े ओपन डेटा के रूप में जारी किए गए हैं।