From Factors to Argument Networks: Issue-Level Legal Representation and Alignment with Written Judicial Reasons in Employment-Relationship Determination
यह शोधपत्र रोजगार-संबंध के मामलों में सूक्ष्म तथ्यात्मक अवस्थाओं, कानूनी नियमों और न्यायिक तर्क को पकड़ने के लिए तर्क नेटवर्क (argument networks) का उपयोग करते हुए एक मुद्दा-स्तरीय कानूनी प्रतिनिधित्व ढांचे का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि ऐसे विस्तृत प्रतिनिधित्व परिणामों की भविष्यवाणी करने और न्यायिक निर्णयों के विशिष्ट आधारों की पहचान करने में पारंपरिक द्विआधारी (binary) विधियों की तुलना में काफी बेहतर प्रदर्शन करते हैं।
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
आर्टिफिशियल इंटेलिजेंस की दुनिया में, कंप्यूटर को सही उत्तर का अनुमान लगाने के लिए प्रशिक्षित करने और इस बात को समझने के बीच एक निरंतर अंतर बना रहता है कि एक मानव विशेषज्ञ उस उत्तर तक कैसे पहुँचा। दशकों से, शोधकर्ताओं ने मशीनों को कानूनी परिणामों की भविष्यवाणी करने के लिए प्रशिक्षित किया है, जैसे कि क्या अदालत कर्मचारी के पक्ष में या नियोक्ता के पक्ष में निर्णय देगी। ये प्रणालियाँ अक्सर हजारों पिछले अदालती निर्णयों को स्कैन करके, पाठ में पैटर्न खोजकर और सबसे संभावित परिणाम की गणना करके काम करती हैं। हालाँकि, यह दृष्टिकोण एक कानूनी मामले को पाठ के एक एकल ब्लॉक की तरह मानता है, ठीक वैसे ही जैसे एक उपन्यास को पढ़ना और विशिष्ट अध्यायों या पात्रों के विकास पर ध्यान दिए बिना उसके अंत का अनुमान लगाने की कोशिश करना। जटिल कानूनी विवादों में, विशेष रूप से रोजगार से संबंधित मामलों में, एक एकल अदालती दस्तावेज़ में कई अलग-अलग कहानियाँ हो सकती हैं: एक कर्मचारी कई कंपनियों पर मुकदमा कर सकता है, या सेवानिवृत्ति या नौकरी के पद में परिवर्तन के कारण उनके संबंध की प्रकृति समय के साथ बदल सकती है। यदि कंप्यूटर पूरे दस्तावेज़ को एक इकाई के रूप में पढ़ता है, तो वह आसानी से भ्रमित हो सकता है, विभिन्न लोगों या विभिन्न समय अवधियों से संबंधित तथ्यों को आपस में मिला सकता है। चुनौती केवल एक स्मार्ट कैलकुलेटर बनाने की नहीं है, बल्कि मशीन को कानूनी दुनिया को एक मानव न्यायाधीश की तरह सूक्ष्मता (granularity) के साथ देखना सिखाने की है, जिसमें यह अंतर किया जा सके कि एक पक्ष क्या दावा करता है, अदालत ने साक्ष्यों के आधार पर वास्तव में क्या सिद्ध किया है, और निर्णय लेने के लिए किन विशिष्ट नियमों का उपयोग किया गया है।
चीन में नॉर्थवेस्ट नॉर्मल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने जानकारी को अपने कंप्यूटर मॉडल में डालने के तरीके को बदलकर इस समस्या को हल करने का प्रयास किया। पूरे अदालती निर्णयों को एआई (AI) को सौंपने के बजाय, उन्होंने मामलों को उनकी सबसे छोटी सार्थक इकाइयों में विभाजित कर दिया। उन्होंने एक एकल "मुद्दे" (issue) को एक विशिष्ट कानूनी प्रश्न के रूप में परिभाषित किया जिसमें एक विशिष्ट श्रमिक, एक विशिष्ट नियोक्ता और एक विशिष्ट समय अवधि शामिल थी। इसका अर्थ यह था कि यदि एक एकल अदालती दस्तावेज़ दस वर्षों में दो अलग-अलग कंपनियों के साथ एक श्रमिक के संबंध के बारे में चर्चा करता है, तो शोधकर्ता उस दस्तावेज़ को कंप्यूटर के विश्लेषण के लिए कई अलग-अलग प्रविष्टियों में विभाजित करेंगे। इसके बाद उन्होंने इन विशिष्ट मुद्दों के एक डेटासेट को बनाने के लिए 355 विशिष्ट मुद्दों के लिए 300 अदालती निर्णयों की मैन्युअल रूप से समीक्षा की। प्रत्येक मुद्दे के लिए, उन्होंने केवल यह नोट नहीं किया कि कुछ तथ्य मौजूद थे या नहीं, जैसे कि क्या श्रमिक को वेतन प्राप्त हुआ या उसके पास कोई अनुबंध था। वे इससे कहीं अधिक गहराई में गए, और प्रत्येक तथ्य की स्थिति (status) को दर्ज किया। उन्होंने एक ऐसे तथ्य के बीच अंतर किया जो केवल एक वकील द्वारा उल्लेखित किया गया था, एक ऐसा तथ्य जिसे अदालत ने साक्ष्य के आधार पर स्थापित किया था, और एक ऐसा तथ्य जिसे प्रमाण के अभाव में खारिज कर दिया गया था। उन्होंने उन विशिष्ट कानूनी नियमों का भी मानचित्र तैयार किया जिनका उपयोग न्यायाधीशों ने इन तथ्यों को अपने अंतिम निष्कर्षों से जोड़ने के लिए किया था।
शोधकर्ताओं ने परीक्षण किया कि क्या यह विस्तृत, संरचित दृष्टिकोण पुराने, सरल तरीके की तुलना में कंप्यूटर को कानून को बेहतर ढंग से समझने में मदद करता है। अपने पहले परीक्षण में, उन्होंने कंप्यूटर को रोजगार संबंध के परिणाम की भविष्यवाणी करने के लिए कहा। जब कंप्यूटर को केवल इस सूची के साथ दिया गया कि कुछ तथ्य मौजूद हैं या अनुपस्थित हैं, तो उसे संघर्ष करना पड़ा और उसने मध्यम स्तर की सटीकता प्राप्त की। हालाँकि, जब शोधकर्ताओं ने उन तथ्यों के विवरण को जोड़ा—यह न बताते हुए कि केवल "वेतन दिया गया" था, बल्कि यह बताते हुए कि "वेतन दिया गया और अदालत ने इसकी पुष्टि की"—तो अलग-अलग परिणामों के बीच अंतर करने की कंप्यूटर की क्षमता में काफी सुधार हुआ। सटीकता 0.542 से बढ़कर 0.690 हो गई। इसने दिखाया कि तथ्य की गुणवत्ता और स्रोत जानना, तथ्य को जानने जितना ही महत्वपूर्ण है। वेतन के बारे में एक दावा, अदालत द्वारा पुष्ट भुगतान से बहुत अलग है, और कंप्यूटर को बेहतर अनुमान लगाने के लिए इस अंतर को देखने की आवश्यकता थी।
अध्ययन फिर सरल भविष्यवाणी से आगे बढ़कर यह देखने के लिए बढ़ा कि क्या कंप्यूटर निर्णयों के पीछे के तर्क को समझ सकता है। यहीं पर शोधकर्ताओं ने जानकारी की दूसरी परत पेश की: कानूनी नियम। उन्होंने पाया कि केवल तथ्य यह समझाने के लिए पर्याप्त नहीं थे कि एक न्यायाधीश ने कैसे सोचा। उदाहरण के लिए, यह तथ्य कि एक श्रमिक ने सेवानिवृत्ति की आयु प्राप्त कर ली है, स्वतः ही यह अर्थ नहीं देता कि वह अब एक कर्मचारी नहीं है; यह इस पर निर्भर करता है कि क्या वह पेंशन प्राप्त कर रहा है और न्यायाधीश उस स्थिति के लिए किस विशिष्ट कानूनी नियम को लागू करता है। जब शोधकर्ताओं ने इन स्पष्ट कानूनी नियमों को कंप्यूटर के इनपुट में जोड़ा, तो न्यायाधीश के तर्क पैटर्न को पहचानने की उसकी क्षमता नाटकीय रूप से सुधरी, जो 0.508 से बढ़कर 0.772 हो गई। यह सुझाव देता है कि कानूनी निर्णय को समझने के लिए, कंप्यूटर को कच्चे तथ्यों और अंतिम निष्कर्ष के बीच के सेतु को देखना आवश्यक है, और वह सेतु विशिष्ट कानूनी नियमों से बना होता है।
अंत में, टीम ने एक महत्वपूर्ण प्रश्न पूछा: क्या कंप्यूटर के निर्णय समझाने का तरीका एक मानव न्यायाधीश के समझाने के तरीके से मेल खाता है? कई आर्टिफिशियल इंटेलिजेंस प्रणालियों में, कंप्यूटर गणितीय भार (mathematical weights) के आधार पर सबसे महत्वपूर्ण कारकों की पहचान करता है, जिसका अर्थ है, "इस तथ्य ने मेरे अनुमान को ऊपर उठाया।" शोधकर्ताओं ने इस गणितीय दृष्टिकोण की वास्तविक अदालती दस्तावेजों में लिखे गए कारणों के साथ तुलना की। उन्होंने पाया कि कंप्यूटर का गणितीय अनुमान अक्सर गलत था कि न्यायाधीश वास्तव में किस बात पर ध्यान दे रहे थे। कंप्यूटर एक ऐसे तथ्य को उजागर कर सकता था जो सांख्यिकीय रूप से उसके अनुमान के लिए महत्वपूर्ण था लेकिन न्यायाधीश की लिखित राय में केवल पृष्ठभूमि का शोर (background noise) था। इसके विपरीत, एक ऐसी विधि जिसने तर्क की संरचना को देखा—तथ्यों से नियमों के माध्यम से निष्कर्ष तक के मार्ग का पता लगाया—वह उन कारणों की पहचान करने में बहुत बेहतर थी जिन पर न्यायाधीश वास्तव में निर्भर थे। इस पद्धति ने न्यायाधीश के मुख्य कारणों को 78 प्रतिशत बार सही ढंग से पहचाना, जबकि मानक गणितीय दृष्टिकोण के लिए यह केवल 57 प्रतिशत था।
इस अध्ययन के परिणाम बताते हैं कि कानून में आर्टिफिशियल इंटेलिजेंस को वास्तव में उपयोगी होने के लिए, यह केवल एक 'ब्लैक बॉक्स' नहीं हो सकता है जो परिणामों की भविष्यवाणी करता है। इसे कानूनी दुनिया का प्रतिनिधित्व इस तरह से करना चाहिए जो मानव तर्क को प्रतिबिंबित करे। मामलों को विशिष्ट मुद्दों में तोड़कर, तथ्यों की स्थिति को ट्रैक करके, और उपयोग किए गए कानूनी नियमों का स्पष्ट रूप से मानचित्रण करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो न केवल बेहतर भविष्यवाणी करती है, बल्कि खुद को इस तरह से समझाती भी है जो मानवीय निर्णय के अनुरूप है। यह दृष्टिकोण इस दावे के साथ नहीं आता कि इसने सभी कानूनी समस्याओं को हल कर दिया है या एक ऐसी मशीन बना दी है जो न्यायाधीश की जगह ले सके। इसके बजाय, यह कंप्यूटरों के लिए कानूनी ग्रंथों के साथ बातचीत करने का एक स्पष्ट, अधिक पारदर्शी तरीका प्रदान करता है, यह सुनिश्चित करते हुए कि जब कोई मशीन किसी मामले का विश्लेषण करती है, तो वह सही तथ्यों, सही व्यक्ति के लिए, सही समय पर देख रही है, और उन नियमों को समझ रही है जो उन्हें जोड़ते हैं। यह स्तर का विवरण आवश्यक है यदि हम ऐसे कानूनी उपकरण बनाना चाहते हैं जो न केवल सटीक हों, बल्कि उन लोगों के लिए विश्वसनीय और समझने योग्य भी हों जो उन पर भरोसा करते हैं।
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।