तकनीकी सारांश: LegalGraphRAG

1. समस्या विवरण

कानूनी डोमेन में रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) और GraphRAG का अनुप्रयोग दो महत्वपूर्ण चुनौतियों का सामना करता है जो विश्वसनीय कानूनी तर्क में बाधा डालते हैं:

1. कानूनी ज्ञान की विषमता और बहु-स्तरता (Heterogeneity and Multi-Granularity): कानूनी संग्रह विविध स्रोतों से बने होते हैं जिनमें ऐतिहासिक मामले, अमूर्त वैधानिक अनुच्छेद (statutory articles), और न्यायिक व्याख्याएं शामिल हैं। ये स्रोत विभिन्न स्तरों के अमूर्तीकरण (abstraction) पर कार्य करते हैं (तथ्यात्मक विवरण बनाम लागू नियम बनाम अमूर्त सिद्धांत)। पारंपरिक फ्लैट ग्राफ संरचनाएं या मानक RAG सिस्टम इन स्तरों के बीच अंतर करने में विफल रहते हैं, जिससे अक्सर अमूर्त सिद्धांतों की आवश्यकता होने पर अप्रासंगिक तथ्यात्मक विवरण प्राप्त हो जाते हैं, या इसके विपरीत। यह एक "सिमेंटिक समानता जाल" (semantic similarity trap) की ओर ले जाता है जहाँ सतही कीवर्ड मिलान तार्किक प्रासंगिकता पर हावी हो जाता है।
2. सत्यापन योग्य, साक्ष्य-आधारित तर्क का अभाव: मानक RAG पाइपलाइन जनरेशन के लिए रिट्रीव किए गए संदर्भ को बिना सत्यापन के सीधे लार्ज लैंग्वेज मॉडल (LLM) को पास कर देती है। कानून जैसे उच्च-दांव वाले डोमेन में, यह "रिट्रीव-देन-जनरेट" दृष्टिकोण अपारदर्शी तर्क और "असमर्थित शुद्धता" (unsupported correctness) का परिणाम देता है, जहाँ एक मॉडल सही आरोप तो अनुमानित कर सकता है लेकिन उस आरोप को न्यायसंगत ठहराने के लिए आवश्यक विशिष्ट कानूनी अनुच्छेदों या साक्ष्यों को प्राप्त करने में विफल रहता है। सत्यापन और पारदर्शिता की यह कमी सिस्टम को भ्रम (hallucinations) के प्रति संवेदनशील बनाती है और न्यायिक निर्णय लेने के लिए अविश्वसनीय बनाती है।

2. कार्यप्रणाली: LegalGraphRAG

लेखक LegalGraphRAG का प्रस्ताव करते हैं, जो दो मुख्य घटकों के माध्यम से इन चुनौतियों का समाधान करने के लिए डिज़ाइन किया गया है: एक पदानुक्रमित कानूनी ग्राफ (Hierarchical Legal Graph - HierarGraph) और एक बहु-एजेंट साक्ष्य-आधारित तर्क प्रणाली (Multi-Agent Evidence-Based Reasoning System)।

2.1 पदानुक्रमित कानूनी ग्राफ (Hierarchical Legal Graph - HierarGraph)

एक फ्लैट नॉलेज ग्राफ के बजाय, LegalGraphRAG विषम सूचनाओं को अलग करने के लिए कानूनी ज्ञान को तीन विशिष्ट सिमेंटिक परतों में व्यवस्थित करता है:

• तथ्य ग्राफ ($G_{fac}$): सत्यापित कानूनी मिसालों का एक संरचित संग्रह। यह स्पष्ट रूप से मामलों ($C$), अनुच्छेदों ($A$), और अपराधों ($O$) को जोड़ता है। किनारे (Edges) उद्धरण संबंधों ($C \to A$) और दोषसिद्धि परिणामों ($C \to O$) का प्रतिनिधित्व करते हैं, जो साक्ष्य एकत्र करने के लिए आवश्यक तथ्यात्मक सूक्ष्मता प्रदान करते हैं।
• ऑन्टोलॉजी ग्राफ ($G_{ont}$): केस फीचर्स को एब्स्ट्रैक्ट करके सिमेंटिक गैप को पाटता है। यह असंरचित वृत्तांतों को चार आयामों के आधार पर एक शुद्ध सिमेंटिक स्पेस में मैप करता है: प्रतिवादी के गुण (Defendant Attributes), आपराधिक व्यवहार (Criminal Behaviors), पीड़ित की विशेषताएं (Victim Characteristics), और व्यक्तिपरक मानसिक अवस्थाएं (Subjective Mental States)। $k$-निकटतम पड़ोसियों ($k$-NN) और लीडेन एल्गोरिदम (Leiden algorithm) का उपयोग करके, संबंधित मामलों को कम्युनिटी नोड्स ($K$) में समूहीकृत किया जाता है, जो व्यापक संदर्भ से विशिष्ट विवरणों तक पदानुक्रमित रिट्रीवल सक्षम बनाता है।
• नियम ग्राफ ($G_{rul}$): अनुच्छेदों ($A$) को न्यायिक व्याख्याओं ($J$) के साथ जोड़कर वैधानिक अस्पष्टताओं को हल करता है। महत्वपूर्ण रूप से, प्रत्येक अनुच्छेद नोड को एक डायग्नोस्टिक चेकलिस्ट ($D$) के साथ सुसज्जित किया गया है, जो जटिल कानूनी नियमों को विशिष्ट सत्यापन चरणों में तोड़ता है (जैसे, यह जांचना कि क्या प्रतिवादी एक "राजकीय पदाधिकारी" है)। यह सरल सिमेंटिक मिलान के बजाय सटीक तार्किक सत्यापन की अनुमति देता है।

2.2 बहु-एजेंट साक्ष्य-आधारित तर्क

यह ढांचा तीन विशिष्ट एजेंटों को शामिल करता है जो क्रमवार तरीके से HierarGraph का भ्रमण करते हैं:

1. शोधकर्ता (साक्ष्य रिट्रीवल - Researcher): तीन समानांतर रिट्रीवल रणनीतियों को निष्पादित करके प्रासंगिक कानूनी साक्ष्य के आधार पर कच्चे केस क्वेरी को स्थापित करता है:
   • सिमेंटिक मैच रिट्रीवल: ऑन्टोलॉजी-अलाइन्ड एम्बेडिंग्स के माध्यम से प्रत्यक्ष साक्ष्य खोजता है।
   • कम्युनिटी एक्सपेंशन रिट्रीवल: क्वेरी द्वारा पहचाने गए विषयगत समुदायों के भीतर के मामलों को प्राप्त करता है।
   • चार्ज-एंकोर्ड रिट्रीवल: अनुमानित आरोपों से जुड़े मामलों को एकत्र करके कानूनी आधार को स्थापित करता है।
2. ऑडिटर (साक्ष्य सत्यापन - Auditor): रिट्रीव किए गए अनुच्छेदों की प्रयोज्यता को कड़ाई से सत्यापित करता है। यह कानूनी स्थितियों का मूल्यांकन करने के लिए नियम ग्राफ से डायग्नोस्टिक चेकलिस्ट और न्यायिक व्याख्याओं का उपयोग करता है कि क्या केस के तथ्य विशिष्ट कानूनी शर्तों को पूरा करते हैं। अनुपयुक्त अनुच्छेदों और उनसे जुड़े नोड्स को हटा दिया जाता है, यह सुनिश्चित करते हुए कि केवल वैध साक्ष्य ही आगे बढ़ें।
3. एडजुडिकेटर (साक्ष्य संश्लेषण - Adjudicator): अंतिम निर्णय देने के लिए सत्यापित सबग्राफ (पुष्ट अनुच्छेद, मामले और अपराध) को संश्लेषित करता है। आउटपुट में उपयोग किए गए वैधानिक अनुच्छेदों और न्यायिक व्याख्याओं के स्पष्ट उद्धरण शामिल हैं, जिससे यह सुनिश्चित होता है कि प्रत्येक निष्कर्ष सत्यापित साक्ष्य से पता लगाने योग्य (traceable) है।

3. प्रमुख योगदान

• फ्रेमवर्क प्रस्ताव: LegalGraphRAG का परिचय, जो एक साक्ष्य-आधारित कानूनी तर्क ढांचा है जो कानूनी विषमता को संभालने और तर्क विश्वसनीयता सुनिश्चित करने के लिए एक पदानुक्रमित ज्ञान ग्राफ को बहु-एजेंट प्रणाली के साथ एकीकृत करता है।
• पदानुक्रमित ग्राफ डिजाइन: तीन-स्तरीय कानूनी ज्ञान ग्राफ (ऑन्टोलॉजी, फैक्ट और रूल लेयर्स) का डिजाइन जो बहु-स्तरीय कानूनी ज्ञान को मॉडल करता है, ऐतिहासिक मामलों, कानूनों और व्याख्याओं को प्रभावी ढंग से अलग करता है ताकि सटीक रिट्रीवल का समर्थन किया जा सके।
• बहु-एजेंट सत्यापन पाइपलाइन: एक पारदर्शी तर्क पाइपलाइन (Researcher-Auditor-Adjudicator) की स्थापना जो चरणबद्ध सत्यापन को लागू करती है, जिससे निर्णय अपारदर्शी जनरेशन के बजाय सत्यापन योग्य साक्ष्य श्रृंखलाओं पर आधारित होते हैं।
• अनुभवजन्य सत्यापन: व्यापक प्रयोग जो प्रदर्शित करते हैं कि LegalGraphRAG कानूनी निर्णय बेंचमार्क पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करता है, जो सटीकता और विश्वसनीयता दोनों में मौजूदा GraphRAG बेसलाइन और विशिष्ट कानूनी LLMs को पीछे छोड़ देता है।

4. प्रयोगात्मक परिणाम

इस ढांचे का मूल्यांकन दो बड़े पैमाने के चीनी कानूनी बेंचमार्क: CAIL2018 और CMDL पर किया गया।

• जनरेशन सटीकता: LegalGraphRAG ने ओपन-सोर्स मॉडल (Qwen, InternLM, GLM), उन्नत मॉडल (GPT-4o-mini, DeepSeek-V3.1), और विशिष्ट कानूनी विधियों (DISC-LawLLM, ADAPT) सहित बेसलाइन को लगातार पछाड़ दिया। इसने चार्ज प्रेडिक्शन सटीकता में महत्वपूर्ण सुधार (जैसे, मजबूत बेसलाइन पर 19.1% तक) हासिल किया।
• रिट्रीवल प्रभावशीलता: पदानुक्रमित संरचना ने फ्लैट रणनीतियों की तुलना में रिट्रीवल प्रदर्शन में महत्वपूर्ण सुधार किया (प्रारंभिक अध्ययनों में 25.3%), जिससे अप्रासंगिक तथ्यात्मक विवरणों का रिट्रीवल प्रभावी रूप से कम हुआ।
• विश्वसनीयता और ट्रैसेबिलिटी: एक महत्वपूर्ण निष्कर्ष "अनट्रेसेबल करेक्ट" (Untraceable Correct) भविष्यवाणियों में कमी थी। जबकि बेसलाइन अक्सर आवश्यक सहायक अनुच्छेदों को रिट्रीव किए बिना सही आरोप की भविष्यवाणी करते थे, LegalGraphR가 ने "ट्रेसेबल करेक्ट" (Traceable Correct) नमूनों के अनुपात को काफी बढ़ा दिया, यह सुनिश्चित करते हुए कि प्रत्येक निर्णय रिट्रीव किए गए साक्ष्य द्वारा समर्थित है।
• एब्लेशन अध्ययन (Ablation Studies): पदानुक्रमित ग्राफ को हटाने से सबसे तीव्र प्रदर्शन गिरावट (7.2%) हुई, जो इसकी आवश्यकता की पुष्टि करती है। इसी तरह, ऑडिटर एजेंट को हटाने से सटीकता में 3.4% की गिरावट आई, जो सत्यापन चरण के महत्व को प्रमाणित करती है।
• दक्षता ट्रेड-ऑफ: हालांकि मल्टी-स्टेप सत्यापन के कारण ऑनलाइन इन्फरेंस चरण में सरल RAG विधियों की तुलना में उच्च लेटेंसी और टोकन लागत आती है, लेकिन ऑफलाइन इंडेक्सिंग समय और टोकन खपत कुछ जटिल GraphRAG बेसलाइन (जैसे, RAPTOR, HippoRAG2) की तुलना में कम थी।

5. महत्व और दावे

पेपर का दावा है कि LegalGraphRAG कानूनी विश्लेषण में विश्वसनीय और भरोसेमंद AI के लिए एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है। इसका प्राथमिक महत्व कानूनी तर्क प्रक्रिया को एक "ब्लैक-बॉक्स" जनरेशन कार्य से बदलकर एक पारदर्शी, साक्ष्य-आधारित पाइपलाइन में परिवर्तित करने में निहित है। कठोर सत्यापन को लागू करके और विषम ज्ञान को व्यवस्थित करके, यह ढांचा उच्च-दांव वाले डोमेन में स्पष्टीकरण क्षमता (explainability) और विश्वसनीयता की महत्वपूर्ण आवश्यकता को संबोधित करता है।

लेखक इस कार्य को मानव न्यायाधीशों के विकल्प के रूप में नहीं, बल्कि एक सहायक उपकरण के रूप में प्रस्तुत करते हैं जो कानूनी पेशेवरों की तार्किक तर्क और रिट्रीवल क्षमताओं को बढ़ाता है। वे वर्तमान सीमाओं को स्वीकार करते हैं, विशेष रूप से यूनिमोडल टेक्स्ट इनपुट तक सीमित होना, और मल्टीमॉडल नोड्स (जैसे, दृश्य साक्ष्य) तक विस्तार को एक "स्मार्ट कोर्ट" प्रणाली प्राप्त करने के लिए भविष्य के अनुसंधान के एक आशाजनक दिशा के रूप में पहचानते हैं।