तकनीकी सारांश: उनके फलों से ही तुम उन्हें पहचानोगे

समस्या विवरण

कानूनी प्रावधानों को मशीन-पठनीय संरचनाओं में औपचारिक रूप देना स्वचालित कानूनी तर्क और मशीन-सुलभ कानून का वादा करता है। लार्ज लैंग्वेज मॉडल्स (LLMs) के आगमन के साथ, वैधानिक पाठ से सीधे इन औपचारिकताओं को उत्पन्न करना संभव हो गया है। हालाँकि, कोई भी औपसीकरण (formalization) स्वाभाविक रूप से निहित व्याख्यात्मक विकल्पों को शामिल करता है। जब एक LLM लेखक के रूप में कार्य करता है, तो ये विकल्प अपारदर्शी होते हैं, और विचलित व्याख्याओं के परिणामों का पूर्वानुमान लगाना कठिन होता है। एक औपसीकरण जो संरचनात्मक रूप से सुदृढ़ प्रतीत होता है, वह उन 'एज केसेस' (edge cases) में अन्यायपूर्ण या गलत निर्णय दे सकता है जिनकी कल्पना इसके रचनाकार ने नहीं की थी।

यहाँ संबोधित मुख्य चुनौती यह है कि एक ही कानूनी प्रावधान के कई औपसीकरणों की व्यवस्थित रूप से तुलना कैसे की जाए ताकि यह पहचाना जा सके कि वे केवल अपनी संरचनात्मक समानता के बजाय अपने तार्किक परिणामों में कहाँ भिन्न होते हैं। मौजूदा विधियाँ अक्सर संरचनात्मक मिलान या "गोल्ड स्टैंडर्ड" के विरुद्ध तुलना पर निर्भर करती हैं, लेकिन लेखक तर्क देते हैं कि वास्तविक व्याख्यात्मक अस्पष्टताओं और त्रुटियों को उजागर करने के लिए किसी 'ग्राउंड ट्रुथ' (ground truth) को माने बिना औपसीकरणों की आपस में तुलना करना आवश्यक है।

कार्यप्रणाली (Methodology)

लेखक कानूनी प्रावधानों के LLM-जनित औपसीकरणों की तुलना करने के लिए एक चार-चरणीय पाइपलाइन प्रस्तावित करते हैं:

1. औपसीकरण (Formalization):
   नौ अत्याधुनिक (frontier) LLMs को दस विशिष्ट यूरोपीय संघ (EU) कानूनी प्रावधानों (GDPR, AI Act, DMA आदि में फैले हुए) के लिए औपसीकरण उत्पन्न करने का निर्देश दिया गया है। प्रत्येक औपसीकरण को एक रूटेड, लेबल वाले ट्री (rooted, labeled tree) के रूप में दर्शाया गया है जहाँ लीफ नोड्स इनपुट वेरिएबल्स (तथ्य) हैं और इंटरनल नोड्स लॉजिकल ऑपरेटर्स (AND, OR, NAND, NOR) हैं। रूट (root) द्विआधारी कानूनी परिणाम (जैसे, "निषिद्ध" या "अनुमत") का प्रतिनिधित्व करता है।

2. मिलान (समतुल्यता वर्ग ग्राफ निर्माण - Equivalence Class Graph Construction):
   संभावित रूप से भिन्न संरचनाओं वाले पेड़ों की तुलना करने के लिए, विधि उन नोड्स की पहचान करती है जो विभिन्न औपसीकरणों में एक ही कानूनी अवधारणा का प्रतिनिधित्व करते हैं। एक LLM (विशेष रूप से क्लॉड ओपस 4.6, निरंतरता के लिए चुना गया) सभी औपसीकरणों के नोड्स को समतुल्यता वर्गों (Equivalence Classes - ECs) में समूहीकृत करता है। यह तुलना के लिए एक साझा शब्दावली (इंटरफेस) बनाता है। मिलान प्रक्रिया यह सुनिश्चित करती है कि प्रत्येक औपसीकरण किसी दिए गए EC में अधिकतम एक नोड योगदान दे, जिससे अवधारणाओं का एक निर्देशित अचक्रीय ग्राफ (DAG) बनता है।

3. एज केस विश्लेषण (SAT-आधारित गणना - Edge Case Analysis):
   प्रत्येक औपसीकरण के जोड़े के लिए, विधि इस आधार पर एक साझा इंटरफेस को परिभाषित करती है जो दोनों में सबसे गहरा सामान्य EC है। यह इस इंटरफेस के ऊपर के सब-ट्री को बूलियन फंक्शन्स ($f_A$ और $f_B$) में अनुवादित करता है।

• सिस्टम असहमति फंक्शन $f_A \oplus f_B$ की गणना करता है।
• एक SAT सॉल्वर (Z3) का उपयोग करके, यह इस असहमति फंक्शन के प्राइम इम्पलिकेंट्स (prime implicants) को सूचीबद्ध करता है। एक प्राइम इम्पलिकेंट इनपुट स्थितियों का एक न्यूनतम सेट (एक आंशिक असाइनमेंट) है जो दो औपसीकरणों को असहमत होने के लिए मजबूर करता है, चाहे अन्य अनअसाइंड वेरिएबल्स के मान कुछ भी हों।
• इन प्राइम इम्पलिकेंट्स को "एज केसेस" के रूप में माना जाता है।

4. मौखिक अभिव्यक्ति (Verbalization):
   कच्चे (raw) प्राइम इम्पलिकेंट्स मानव-व्याख्या योग्य नहीं होते हैं। लेखक एज केसेस के सेट को एक प्रतिनिधि उपसमुच्चय (root causes के आधार पर समूहीकृत करके) तक कम करने के लिए एक चयन पाइपलाइन लागू करते हैं। इन चयनित मामलों को एक LLM द्वारा ठोस, यथार्थवादी तथ्यात्मक परिदृश्यों में मौखिक रूप से व्यक्त किया जाता है। मौखिक अभिव्यक्ति में परिदृश्य, विशिष्ट कानूनी प्रश्न और व्याख्यात्मक विचलन का विश्लेषण शामिल है, जिससे कानूनी विशेषज्ञों को विवाद के विशिष्ट बिंदु की समीक्षा करने की अनुमति मिलती है।

मुख्य योगदान

यह शोध पत्र तीन प्राथमिक योगदान देता है:

1. तुलनात्मक औपसीकरण के लिए एक ढांचा: एक ही कानूनी प्रावधान के विभिन्न औपसीकरणों की तुलना करने के लिए एक विधि, जो उनके बीच समग्र संरचनात्मक समानता के बजाय उनके विशिष्ट इनपुट मामलों को सूचीबद्ध करती है जिन पर वे असहमत होते हैं।
2. एज केसेस का मौखिक रूपांतरण: SAT-व्युत्पन्न तार्किक एज केसेस (प्राइम इम्पलिकेंट्स) को ठोस तथ्यात्मक परिदृश्यों में बदलने की तकनीक, जो कानूनी विशेषज्ञों को मूल्यांकन करने के लिए सक्षम बनाती है, जिससे औपचारिक सत्यापन कलाकृतियों (artifacts) और मानव कानूनी तर्क के बीच के अंतर को पाटा जा जाता है।
3. LLM औपसीकरणों का अनुभवजन्य अध्ययन: दस यूरोपीय प्रावधानों को औपचारिक बनाने वाले नौ अग्रणी मॉडलों का इस विधि का अनुप्रयोग। अध्ययन प्रकट करता है कि व्यवहारिक विचलन संरचनात्मक सहमति के साथ काफी हद तक असंबद्ध है और मौखिक रूप से व्यक्त मामले असहमति के गुणात्मक रूप से भिन्न प्रकारों को उजागर करते हैं, जिसमें कानूनी टिप्पणी में वास्तविक विवादों की झलक मिलती है।

परिणाम

अध्ययन ने 90 औपसीकरण (9 मॉडल $\times$ 10 प्रावधान) उत्पन्न किए और 360 जोड़ों का विश्लेषण किया।

• संरचनात्मक बनाम व्यवहारिक विचलन: लेखकों ने पाया कि उच्च संरचनात्मक सहमति (साझा इंटरफेस के कवरेज द्वारा मापी गई) तार्किक तुल्यता की गारंटी नहीं देती है। भले ही औपसीकरण अवधारणाओं पर अच्छी तरह से मेल खाते हों (उच्च कवरेज), वे परिणामों पर अक्सर असहमत होते हैं। इसके विपरीत, कम-कवरेज वाले जोड़े अक्सर मामूली रूप से तुल्य होते हैं क्योंकि उनके पास असहमत होने के लिए कोई संरचना साझा नहीं होती।
• मॉडल भिन्नता: मॉडलों के बीच असहमति दर महत्वपूर्ण रूप से भिन्न थी (360 जोड़ों में से ~32% से ~71% गैर-तुल्य होने की सीमा तक), लेकिन कोई भी एकल मॉडल समान रूप से "एजी" (edgy) नहीं था। व्यवहार प्रावधान-निर्भर था, जिसमें कुछ मॉडल अलग-अलग प्रावधानों के माध्यम से 0% से 100% असहमति के बीच झूलते रहे।
• गुणात्मक निष्कर्ष:
  • व्याख्यात्मक अस्पष्टता: AI एक्ट के अनुच्छेद 5 (कानून प्रवर्तन के लिए बायोमेट्रिक वर्गीकरण के संबंध में) के मामले में, मॉडल इस बात पर विभाजित थे (4 बनाम 4) कि क्या एक विशिष्ट छूट (carve-out) लागू होती है। यह विचलन कानूनी टिप्पणी में चल रहे वास्तविक विवाद को दर्शाता है।
  • औपसीकरण त्रुटियां: अनफेयर कॉन्ट्रैक्ट टर्म्स डायरेक्टिव (UCTD) के अनुच्छेद 3 के मामले में, एक मॉडल (Kimi K2.5) ने एक प्रक्रियात्मक भार-प्रमाण (burden-of-proof) नियम को एक अतिरिक्त मूल विषय (conjunction के बजाय disjunction) के रूप में गलत तरीके से एनकोड किया, जिससे एक अत्यधिक-प्रतिबंधित परिभाषा बन गई।
  • सीमाएं: पाइपलाइन केवल असहमति को सामने लाती है; यह उन त्रुटियों का पता नहीं लगा सकती जो सभी मॉडलों द्वारा साझा की जाती हैं (जैसे, यदि सभी मॉडल कानून में किसी क्रॉस-रेफरेंस को छोड़ देते हैं)।

महत्व और दावे

शोध पत्र का दावा है कि "कानून को जानने का अर्थ है उसके निर्णयों को जानना।" इसका महत्व कानूनी औपसीकरणों के मूल्यांकन को स्थिर संरचनात्मक विश्लेषण से गतिशील, परिणाम-आधारित तुलना की ओर स्थानांतरित करने में निहित है।

• ऑडिट सहायता, न कि स्वचालन: लेखक स्पष्ट रूप से कहते हैं कि उनकी पाइपलाइन एक "ह्यूमन-इन-द-लूप ऑडिट एड" (मानव-नियंत्रित ऑडिट सहायता) के रूप में है, न कि एक स्वचालित कानूनी निर्णय प्रणाली के घटक के रूप में। इन औपसीकरणों को स्वायत्त उपयोग के लिए मान्य नहीं किया गया है।
• छिपे हुए विचलन को उजागर करना: विधि यह प्रदर्शित करती है कि शुद्ध संरचनात्मक तुलना अपर्याप्त है। दो औपसीकरण समान दिख सकते हैं लेकिन विशिष्ट एज केसेस में मौलिक रूप से भिन्न कानूनी परिणाम दे सकते हैं।
• कानूनी विमर्श को प्रतिबिंबित करना: मौखिक रूप से व्यक्त एज केसेस सफलतापूर्वक उन असहमतियों को सामने लाए जो कानूनी विद्वत्ता में वास्तविक, अनसुलझे बहसों के अनुरूप हैं, जो यह सुझाव देता है कि LLMs केवल यादृच्छिक रूप से मतिभ्रम (hallucinating) नहीं कर रहे हैं, बल्कि वे उन्हीं अस्पष्टताओं से जूझ रहे हैं जिनका सामना मानव विशेषज्ञ करते हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि उनकी विधि की कुछ सीमाएं हैं (LLM मिलान पर निर्भरता, बाहरी कानूनी संदर्भ की कमी, और गोल्ड स्टैंडर्ड के बिना शुद्धता को सत्यापित करने में असमर्थता), यह उन निर्णयों के माध्यम से कानून को "जानने" के लिए एक आवश्यक तंत्र प्रदान करती है जिन्हें उनके औपसीकरण एनकोड करते हैं।