From Statute to Control Flow: Span-Grounded Deontic Trees for Defeasible Scope Parsing
यह शोध पत्र NormBench प्रस्तुत करता है, जो एक बहुभाषी बेंचमार्क है जिसमें स्पैन-ग्राउंडेड डियोन्टिक ट्रीज़ (SG-DT) का उपयोग किया गया है ताकि नियम-अनुसरण करने वाले एजेंटों में 'साइलेंट स्कोप ओमिशन' (Silent Scope Omission) का निदान और शमन किया जा सके, जो अंतिम-कार्य परिणामों से ध्यान हटाकर विखंडनीय कानूनी स्कोप के सटीक संरचनात्मक पार्सिंग पर केंद्रित है, जिससे यह प्रकट होता है कि सीमित मध्यवर्ती प्रतिनिधित्व जटिल नियामक संदर्भों में अपवाद प्रबंधन में महत्वपूर्ण सुधार करते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
यहाँ "From Statute to Control Flow: Span-Grounded Deontic Trees for Defeasible Scope Parsing" शोध पत्र का सरल भाषा में अनुवाद दिया गया है:
बड़ी समस्या: "साइलेंट स्किप" (Silent Skip - चुपचाप छोड़ देना)
कल्पना कीजिए कि आप एक खेल के नियमों को लागू करने के लिए एक बहुत ही स्मार्ट और कुशल रोबोट सहायक को काम पर रख रहे हैं। आप उसे नियम पुस्तिका देते हैं।
- नियम 1: "यदि आप गेंद को छूते हैं, तो आपको पेनल्टी मिलेगी।"
- नियम 2: "जब तक कि आप गोलकीपर न हों, तब ही आप इसे छू सकते हैं।"
- नियम 3: "लेकिन यदि गोलकीपर ने लाल टोपी पहनी है, तो भी उसे पेनल्टी मिलेगी।"
एक इंसान इसे पढ़ता है और इसकी परतों को समझ लेता है। लेकिन यह शोध पत्र तर्क देता है कि वर्तमान AI मॉडल अक्सर साइलेंट स्कोप ओमिशन (SSO) का शिकार होते हैं।
AI नियम 1 देखता है, उसे लागू करता है, और आत्मविश्वास से कहता है, "पेनल्टी!" वह नियम 2 और नियम 3 को पूरी तरह से चुपचाप छोड़ (silently skip) देता है। AI का उत्तर सुनने में तार्किक और व्याकरण की दृष्टि से सटीक लगता है, लेकिन वह "जब तक कि" (unless) और "अपवाद" (except) वाले क्लॉज़ को पूरी तरह मिस कर देता है जो वास्तव में परिणाम को बदल देते हैं। यह उस शेफ की तरह है जो रेसिपी का पालन तो पूरी तरह करता है लेकिन "यदि ग्राहक डाइट पर है तो नमक हटा दें" वाले निर्देश को चुपचाप भूल जाता है, जिसके परिणामस्वरूप व्यंजन दिखने में तो सही होता है लेकिन स्वाद में गलत होता है।
समाधान: NormBench और "ट्री मैप" (Tree Map)
इसे ठीक करने के लिए, लेखकों ने NormBench नामक एक नया परीक्षण मैदान बनाया। इसे AI के लिए एक विशेष जिम की तरह समझें, जो 2,290 अलग-अलग कानूनी नियमों (चीनी कानूनों, अमेरिकी टैक्स कोड और कॉर्पोरेट नीतियों से) से भरा हुआ है, जिन्हें विशेष रूप से AI को इन "साइलेंट स्किप्स" से फँसाने के लिए डिज़ाइन किया गया है।
केवल AI से यह पूछने के बजाय कि "पेनल्टी क्या है?", वे AI को एक स्पैन-ग्राउंडेड डियोटिक ट्री (Span-Grounded Deontic Tree - SG-DT) बनाने के लिए मजबूर करते हैं।
उपमा: निर्माण का ब्लूप्रिंट (Construction Blueprint)
कल्पना कीजिए कि कानून लकड़ी के ढेर की तरह है।
- पुराना तरीका: AI यह अनुमान लगाने की कोशिश करता है कि लकड़ी का कौन सा टुकड़ा कहाँ जाएगा और घर बनाता है। वह एक ऐसा घर बना सकता है जो बाहर से ठीक दिखे, लेकिन उसकी छत गलत मंजिल पर हो।
- नया तरीका (SG-DT): AI को पहले एक ब्लूप्रिंट (नक्शा) बनाना होगा।
- ब्लूप्रिंट की हर एक शाखा (branch) मूल नियम पुस्तिका के एक विशिष्ट टेक्स्ट हिस्से ("स्पैन") से जुड़ी होनी चाहिए।
- ब्लूप्रिंट को स्पष्ट रूप से "एक्सक्लूजन गार्ड्स" (exclusion guards) दिखाने होंगे। उदाहरण के लिए, इसे एक रेखा खींचकर दिखाना होगा कि, "यह शाखा केवल तभी मौजूद है जब 'लाल टोपी' वाली स्थिति FALSE है।"
- यह बिखरे हुए टेक्स्ट को एक कठोर, तार्किक फ्लोचार्ट में बदल देता है जिसे ऑडिट (जांच) किया जा सकता है। यदि कोई शाखा गायब है, तो ब्लूप्रिंट अमान्य है।
उन्होंने क्या पाया: AI के "ब्रेन फ़ार्ट्स" (Brain Farts - दिमागी चूक)
लेखकों ने शीर्ष स्तर के AI मॉडल्स (जैसे GPT-5, Claude, और DeepSeek) का इस नए टेस्ट पर परीक्षण किया और तीन प्रमुख समस्याएं पाईं:
1. "रिकर्सन डिके" (Recursion Decay - तर्क का पतन)
- उपमा: ब्लॉक (blocks) को एक के ऊपर एक रखने की कल्पना करें।
- लेयर 1: "X करें।" (आसान)
- लेयर 2: "X करें, जब तक कि Y न हो।" (ठीक है)
- लेयर 3: "X करें, जब तक कि Y न हो, जब तक कि Z न हो।" (AI ढह जाता है)।
- निष्कर्ष: जैसे-जैसे नियम गहरे होते जाते हैं (अपवादों के अंदर अपवाद), AI का प्रदर्शन गिर जाता है। ऐसा नहीं है कि AI की मेमोरी खत्म हो गई; बल्कि इसका मतलब है कि जब तर्क बहुत गहरा होता है, तो उसके "तर्क करने की मांसपेशियां" कमजोर पड़ जाती हैं। वह नियमों को ढूंढ तो सकता है, लेकिन उन्हें सही ढंग से स्टैक (क्रम में रखना) नहीं कर पाता।
2. "ऑडिटेबिलिटी ट्रैप" (Auditability Trap - ऑडिट करने योग्य जाल)
- उपमा: एक छात्र जो टेक्स्टबुक के उद्धरणों को तो रट लेता है, लेकिन गणित नहीं समझता।
- निष्कर्ष: AI टेक्स्ट के सही वाक्यों को खोजने में बहुत अच्छा है (उच्च "faithfulness")। वह "लाल टोपी" वाले नियम को बिल्कुल सही तरीके से उद्धृत करेगा। लेकिन जब उसे उस उद्धरण को तर्क के सही हिस्से से जोड़ने के लिए कहा जाता है, तो वह विफल हो जाता है। यह ऐसा दिखता है जैसे वह कानून को समझ रहा है, लेकिन वास्तव में वह केवल "उद्धरण" दे रहा है, "तर्क" नहीं कर रहा।
3. "डोमेन पैराडॉक्स" (Domain Paradox - डोमेन का विरोधाभास)
- उपमा: एक सामान्य डॉक्टर बनाम एक विशेषज्ञ जो केवल मेडिकल जर्नल पढ़ता है लेकिन कभी मरीज का इलाज नहीं किया।
- निष्कर्ष: आश्चर्यजनक रूप से, सामान्य-उद्देश्य वाले AI मॉडल (जो सब कुछ सीखे हुए हैं) इन कानूनी संरचनाओं को समझने में "लीगल AI" मॉडल (जो केवल कानून पर प्रशिक्षित हैं) की तुलना में बहुत बेहतर थे। लीगल मॉडल वकील की तरह बोलने (सही लहजे का उपयोग करने) पर बहुत अधिक केंद्रित थे और आवश्यक कठोर तर्क में विफल रहे।
क्रॉस-लैंग्वेज ग्लिच (Cross-Language Glitch - भाषा संबंधी त्रुटि)
लेखकों ने यह भी परीक्षण किया कि क्या AI एक ही नियम को चीनी और अंग्रेजी में समझता है।
- निष्कर्ष: AI चीनी संस्करण के लिए एक अच्छा पेड़ बना सकता है और अंग्रेजी संस्करण के लिए भी एक अच्छा पेड़ बना सकता है। लेकिन दोनों पेड़ अक्सर एक-दूसरे से मेल नहीं खाते!
- उपमा: यह रेसिपी का अनुवाद करने जैसा है। चीनी संस्करण कहता है "नमक डालें जब तक कि सूप नमकीन न हो।" अंग्रेजी संस्करण कहता है "नमक डालें, लेकिन यदि सूप नमकीन है, तो न डालें।" AI प्रत्येक भाषा के लिए व्यक्तिगत रूप से तर्क को सही ढंग से बना सकता है, लेकिन दोनों के बीच "unless" वाला तर्क बदल जाता है, जिससे एक ही नियम के लिए अलग-अलग परिणाम मिलते हैं।
क्या इससे वास्तव में मदद मिलती है?
लेखकों ने यह भी जांचा कि क्या सवाल का जवाब देने से पहले AI को यह "ब्लूप्रिंट" (SG-DT) बनाने के लिए मजबूर करने से अंतिम उत्तर में सुधार होता है।
- परिणाम: यह निर्भर करता है।
- हाँ: जब मामला पेचीदा हो और किसी विशिष्ट अपवाद (एक्टिव अपसेप्शन) पर निर्भर हो, तो ब्लूप्रिंट AI को "साइलेंट स्किप" से बचने में मदद करता है।
- नहीं: जब मामला सरल हो, या यदि AI पहले से ही बहुत अच्छा हो, तो ब्लूप्रिंट बनाने के लिए मजबूर करने से कभी-कभी वह भ्रमित हो जाता है या धीमा हो जाता है, जिससे उत्तर और भी खराब हो सकते हैं।
सारांश
यह शोध पत्र तर्क देता है कि कानूनों और नियमों के लिए AI को विश्वसनीय बनाने के लिए, हम केवल उसे चैट करने के लिए नहीं छोड़ सकते। हमें उसे नियमों का एक कठोर, ऑडिट योग्य मानचित्र बनाने के लिए मजबूर करना होगा, जहाँ हर अपवाद स्पष्ट रूप से टेक्स्ट से जुड़ा हो। यह "साइलेंट स्किप्स" को पकड़ने में मदद करता है जहाँ AI महत्वपूर्ण अपवादों को अनदेखा कर देता है, लेकिन यह सब कुछ तुरंत ठीक करने वाला कोई जादुई समाधान नहीं है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।