Augmented Question-guided Retrieval (AQgR) of Indian Case Law with LLM, RAG, and Structured Summaries
यह शोध पत्र ऑगमेंटेड क्वेश्चन-गाइडेड रिट्रीवल (AQgR) का प्रस्ताव करता है, जो क्वेरी के लिए कानूनी मुद्दों को उत्पन्न करके, संदर्भ के लिए संरचित RAG सारांशों का उपयोग करके, और पुन: रैंकिंग एवं प्रासंगिकता स्पष्टीकरण के लिए LLMs का उपयोग करके भारतीय केस लॉ रिट्रीवल को बढ़ाता है, जिससे मौजूदा बेंचमार्क की तुलना में काफी अधिक मीन एवरेज प्रिसिजन प्राप्त होता है।
मूल पेपर CC BY 4.0 (https://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
कानून की दुनिया में, वर्तमान मामले के समर्थन में सही पिछले निर्णय को खोजना अक्सर एक वकील के काम का सबसे समय लेने वाला हिस्सा होता है। यह विशेष रूप से भारत में सच है, जहाँ अदालती निर्णय विशाल, असंरचित दस्तावेज़ हैं जो तथ्यों, तर्कों और निर्णयों को लंबे, निरंतर टेक्स्ट ब्लॉक्स में मिला देते हैं। पारंपरिक रूप से, कंप्यूटरों ने विशिष्ट शब्दों के आधार पर उन मामलों को खोजने की कोशिश की है जो वर्तमान स्थिति के समान दिखते हैं। यदि एक वकील किसी फैक्ट्री कर्मचारी की बर्खास्तगी के विवाद का वर्णन करता है, तो कंप्यूटर फैक्ट्रियों और श्रमिकों का उल्लेख करने वाले अन्य मामलों को खोजता है। हालाँकि, यह दृष्टिकोण अक्सर विफल हो जाता है क्योंकि कानून विशिष्ट विवरणों के बजाय अंतर्निहित कानूनी सिद्धांत पर अधिक ध्यान देता है। दो मामले पूरी तरह से अलग लोगों और परिवेशों से जुड़े हो सकते हैं लेकिन वे बिल्कुल एक ही कानूनी प्रश्न पर आधारित हो सकते हैं, जैसे कि क्या सरकार की कार्रवाई निष्पक्ष थी। इसे हल करने के लिए, शोधकर्ताओं ने बड़े भाषा मॉडल (large language models) के रूप में जानी जाने वाली कृत्रिम बुद्धिमत्ता की एक नई पीढ़ी की ओर रुख किया है। ये प्रणालियाँ मानव भाषा को पढ़ और समझ सकती हैं, लेकिन उन्हें एक महत्वपूर्ण बाधा का सामना करना पड़ता है: वे एक साथ हजारों पन्नों के टेक्स्ट को नहीं पढ़ सकतीं। प्रभावी ढंग से काम करने के लिए, उन्हें एक प्रबंधनीय आकार में संकुचित जानकारी की आवश्यकता होती है, और उन्हें केवल कच्चे तथ्यों के बजाय सही प्रश्नों द्वारा निर्देशित होने की आवश्यकता होती है।
कोचीन इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी और नेवल फिजिकल एंड ओशनोग्राफिक लेबोरेटरी के शोधकर्ताओं की एक टीम ने एक ऐसा सिस्टम बनाने का लक्ष्य रखा जो भारतीय केस लॉ (case law) प्राप्त करने की इन चुनौतियोंों से निपटने में सक्षम हो। उन्होंने 'ऑगमेंटेड क्वेश्चन-गाइडेड रिट्रीवल' (Augmented Question-guided Retrieval) नामक एक फ्रेमवर्क विकसित किया, जो दो मुख्य चरणों में कार्य करता है। सबसे पहले, सिस्टम एक लंबे, अव्यवस्थित अदालती निर्णय को लेता है और सबसे महत्वपूर्ण हिस्सों, जैसे कि तथ्यों, उठाए गए कानूनी मुद्दों और अंतिम निर्णय को निकालने के लिए एक आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग करता है, और उन्हें एक स्वच्छ, संरचित सारांश में व्यवस्थित करता है। यह चरण महत्वपूर्ण है क्योंकि यह बीस हजार शब्दों के दस्तावेज़ को कुछ प्रमुख क्षेत्रों में सिकोड़ देता है जो कंप्यूटर की मेमोरी के भीतर फिट हो सकें। दूसरा, वर्तमान विवाद की कच्ची कहानी का उपयोग करके मामलों को खोजने के बजाय, सिस्टम आर्टिफिशियल इंटेलिजेंस को उन विशिष्ट कानूनी प्रश्नों को उत्पन्न करने के लिए कहता है जो वह कहानी उठाती है। फिर यह इन अमूर्त कानूनी प्रश्नों का उपयोग करके पिछले उदाहरणों (precedents) की खोज करता है, और अंत में, एक दूसरा आर्टिफिशियल इंटेलिजेंस मॉडल परिणामों को फिर से रैंक करता है ताकि यह समझाया जा सके कि प्रत्येक पिछला मामला क्यों प्रासंगिक है।
शोधकर्ताओं ने भारतीय सर्वोच्च न्यायालय के निर्णयों के एक बड़े संग्रह पर इस प्रणाली का परीक्षण किया। उन्होंने पाया कि सूचना को जिस तरह से संरचित किया गया था, वह उपयोग किए गए विशिष्ट खोज शब्दों की तुलना में अधिक महत्वपूर्ण था। जब सिस्टम ने उत्पन्न कानूनी प्रश्नों का उपयोग करके मामलों की खोज की, तो उसने अधिक प्रासंगिक उदाहरण खोजे, लेकिन केवल तभी जब पिछले निर्णयों को उन छोटे, संरचित सारांशों में बदल दिया गया था। यदि सिस्टम ने निर्णयों के पूर्ण, बिना संपादित टेक्स्ट के माध्यम से खोजने की कोशिश की, तो संक्षिप्त कानूनी प्रश्न मिलान खोजने के लिए बहुत विरल (sparse) थे। अध्ययन ने यह भी खुलासा किया कि सिस्टम उद्धरणों (citations) को कैसे संभालता है, इसके बारे में एक आश्चर्यजनक विवरण सामने आया। सारांश में पिछले मामलों के नाम शामिल करने से वास्तव में प्रदर्शन खराब हुआ क्योंकि इसने बहुत अधिक शोर (noise) पैदा किया। हालाँकि, जब सिस्टम ने केवल संदर्भ का नाम लिखने के बजाय उस संदर्भ के पीछे के कानूनी सिद्धांत का सारांश दिया, तो परिणाम काफी बेहतर हो गए। यह सुझाव देता है कि कंप्यूटर बेहतर तरीके से सीखता है जब वह केवल संदर्भ को देखने के बजाय उसके पीछे के नियम को समझता है।
यह सुनिश्चित करने के लिए कि सिस्टम मजबूत हो, शोधकर्ताओं ने दर्जनों प्रयोग चलाए, जिसमें क्वेरी (queries) बनाने के तरीके और डेटा को व्यवस्थित करने के तरीके को बदला गया। उन्होंने पाया कि विभिन्न प्रकार की खोजों को मिलाने से—मामले के तथ्यों और उत्पन्न कानूनी प्रश्नों दोनों का उपयोग करने से—सिस्टम को कुल मिलाकर अधिक प्रासंगिक मामले खोजने में मदद मिली, भले ही इससे कभी-कभी अंतिम रैंकिंग थोड़ी कम सटीक हो गई। उन्होंने यह भी पाया कि जबकि सिस्टम अधिकांश दस्तावेजों को अच्छी तरह से संभाल सकता था, बहुत लंबे निर्णय कभी-कभी सही ढंग से सारांशित नहीं हो पाते थे, जिससे कुछ क्वेरी के लिए एकदम सही मिलान खोजने की सिस्टम की क्षमता सीमित हो जाती थी। इन सीमाओं के बावजूद, सिस्टम ने एक स्तर की सटीकता हासिल की जो पिछले तरीकों की तुलना में काफी बेहतर थी, जो एक मानक परीक्षण पर लगभग 0.312 का स्कोर प्राप्त कर सका, जबकि मौजूदा सर्वोत्तम प्रणालियों के लिए यह लगभग 0.157 था। यह सुधार कानूनी डेटा पर आर्टिफिशियल इंटेलिजेंस को पुन: प्रशिक्षित (retrain) किए बिना प्राप्त किया गया, जो यह सिद्ध करता है कि जानकारी को व्यवस्थित करने का एक स्मार्ट तरीका कंप्यूटर को नए तथ्य सिखाने जितना ही शक्तिशाली हो सकता है।
अध्ययन यह निष्कर्ष निकालता है कि आर्टिफिशियल इंटेलिजेंस को कानूनी अनुसंधान के लिए उपयोगी बनाने की कुंजी कंप्यूटर को अधिक स्मार्ट बनाने में नहीं है, बल्कि जानकारी को इस तरह प्रस्तुत करने में है जिसे कंप्यूटर वास्तव में उपयोग कर सके। लंबे निर्णयों को संरचित सारांशों में संकुचित करके और उत्पन्न कानूनी प्रश्नों के माध्यम से खोज को निर्देशित करके, शोधकर्ताओं ने एक ऐसा पाइपलाइन बनाया जो वकीलों को सही उदाहरण जल्दी खोजने में मदद करता है। सिस्टम न केवल मामलों की एक सूची प्रदान करता है, बल्कि एक वाक्य का स्पष्टीकरण भी देता है कि प्रत्येक मामला क्यों चुना गया था, जिससे एक वकील यह जल्दी से तय कर सकता है कि क्या पूरा दस्तावेज़ पढ़ना सार्थक है। हालांकि सिस्टम पूर्ण नहीं है और अभी भी बहुत लंबे दस्तावेजों के साथ संघर्ष करता है, यह कानूनी प्रौद्योगिकी के लिए एक व्यावहारिक मार्ग प्रदर्शित करता है। यह दिखाता है कि सही संरचना के साथ, आर्टिफिशियल इंटेलिजेंस भारतीय कानून के विशाल और जटिल परिदृश्य को नेविगेट करने में मदद कर सकता है, जिससे घंटों की खोज को मिनटों की पढ़ाई में बदला जा सकता 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।