Modeling the Diachronic Evolution of Legal Norms: An LRMoo-Based, Component-Level, Event-Centric Approach to Legal Knowledge Graphs

Sintesi Tecnica: Modellazione dell'Evoluzione Diacronica delle Norme Giuridiche

Problema
Il documento affronta una lacuna critica nell'elaborazione automatizzata delle norme giuridiche: l'incapacità degli attuali sistemi di eseguire una ricostruzione deterministica e puntuale dei testi legali. Sebbene i framework fondamentali come IFLA LRMoo e gli standard come Akoma Ntoso esistano, essi mancano di un pattern formale per la versione granulare a livello di componente. Questa carenza è particolarmente acuta per l'IA Generativa e i Large Language Models (LLM), che operano su basi probabilistiche e mancano dei meccanismi deterministici richiesti per i domini giuridici ad alto rischio, dove la correttezza è assoluta. I modelli esistenti spesso trattano le emendazioni come annotazioni incorporate nel documento o come snapshot consolidati separati, fallendo nel modellare esplicitamente la linea di discendenza causale dei singoli componenti o gli eventi legislativi che guidano il cambiamento. Di conseguenza, il recupero del testo esatto di una legge così come esisteva in una specifica data passata rimane inaffidabile.

Metodologia
Gli autori propongono un pattern di modellazione temporale strutturato basato sul IFLA Library Reference Model Ontology (LRMoo), esteso per supportare la granularità a livello di componente e la provenienza incentrata sugli eventi. La metodologia si basa su tre piloli fondamentali:

1. Versioning a due livelli (distinzione TV/LV):

   • Versione Temporale (TV): Modellata come una distinta F1 Work, che rappresenta il contenuto semantico, indipendente dalla lingua, di una norma in un determinato momento. Ogni emendamento legislativo crea una nuova TV, formando una catena di Works derivati.
   • Versione Linguistica (LV): Modellata come una F2 Expression, che rappresenta la concreta realizzazione testuale monolingue di una TV. Questa separazione consente al modello di gestire giurisdizioni multilingue (molteplici LV per una singola TV) mantenendo un unico ancoraggio semantico per l'intento legale.

2. Modellazione del cambiamento incentrata sugli eventi:

   • Le emendazioni legislative non sono modellate come semplici relazioni binarie (ad es. "emenda"), ma come eventi di prima classe.
   • Un'emendazione testuale è formalizzata come un evento complesso tipizzato congiuntamente come F27 Work Creation (che crea la nuova TV) ed E64 End of Existence (che termina la precedente TV).
   • L'evento collega esplicitamente la disposizione emendante (sorgente) alla norma interessata (target) tramite proprietà quali P16 used specific object, P93 took out of existence e R16 created.
   • Gli intervalli di validità non sono attributi statici, ma sono derivati dinamicamente dai timestamp di questi eventi di delimitazione (creazione e terminazione), supportando sia il tempo di transazione che il tempo di validità (inclusi vacatio legis ed effetti retroattivi).

3. Granularità ricorsiva a livello di componente:

   • Il modello applica lo stesso pattern LRMoo ricorsivamente alle strutture interne legali (articoli, paragrafi, ecc.).
   • I Concetti di Componente (CC) e le Versioni Temporali di Componente (CTV) sono modellati come F1 Works, collegati tramite R67 has part e R2 is derivative of.
   • Le emendazioni sono scomposte in macro-eventi (l'approvazione della norma emendante) e micro-eventi (istruzioni specifiche che interessano i singoli componenti). Ogni micro-evento traccia il preciso legame causale tra una specifica istruzione in un atto emendante e il cambiamento risultante in una specifica versione di un componente.

Contributi Chiave

• Architettura di Ricostruzione Deterministica: Il documento fornisce una struttura formale che consente la ricostruzione esatta di qualsiasi parte di un testo legale così come esisteva in una data qualsiasi, offrendo un backbone semantico verificabile per i Legal Knowledge Graphs (LKG).
• Versioning Granulare dei Componenti: Stabilendo gerarchie parallele per i componenti astratti e le loro versioni, il modello va oltre il versioning a livello di documento per tracciare la storia diacronica di singole disposizioni legali.
• Provenienza degli Eventi Reificata: L'approccio eleva gli eventi legislativi a entità di prima classe, consentendo di tracciare con precisione la provenienza di ogni cambiamento legale, distinguendo tra inserimento, abrogazione e emendamenti di formulazione attraverso una specifica tipizzazione ontologica.
• Separazione del Contenuto Semantico e della Forma Linguistica: La chiara distinzione tra le Versioni Temporali indipendenti dalla lingua e le Versioni Linguistiche monolingue fornisce un meccanismo robusto per gestire dati legali multilingue senza confondere l'evoluzione semantica con la traduzione.

Risultati e Caso di Studio
Gli autori dimostrano l'efficacia del modello utilizzando la Costituzione Federale del Brasile del 1988 come caso di studio. Il modello traccia con successo il ciclo di vita della Costituzione attraverso oltre cento emendamenti.

• Mappa la promulgazione iniziale del 1988 con una specifica TV e LV.
• Modella l'Emendamento Costituzionale del 1992 (EC1) come un evento complesso che termina la TV iniziale e crea una nuova TV, collegando esplicitamente lo strumento emendante al testo risultante.
• Estende questa logica al livello di componente, tracciando l'aggiunta specifica della parola "abitazione" (moradia) all'Articolo 6 tramite l'Emendamento Costituzionale n. 26 (2000). Il modello cattura questo come un micro-evento che termina la precedente Versione Temporale di Componente (CTV0) e crea una nuova (CTV1), preservando una linea di discendenza completa e verificabile.

Significatività e Rivendicazioni
Il documento posiziona questo modello come un prerequisito necessario per un'IA legale affidabile. Sostiene che, mentre i modelli probabilistici sono insufficienti per i domini legali che richiedono precisione assoluta, un robusto modello descrittivo basato su LRMoo fornisce la "verità fondamentale verificabile" essenziale per i Legal Knowledge Graphs affidabili. La significatività risiede nello spostamento del paradigma dai metadati centrati sul documento a un'ontologia deterministica basata sugli eventi che tratta le norme legali come catene evolutive di opere intellettuali. Questo approccio consente la costruzione di pipeline capaci di rispondere alla domanda "qual era la legge alla data X?" con certezza matematica, supportando così la trasparenza, l'efficienza della ricerca legale e lo sviluppo di applicazioni di diritto computazionale affidabili. Gli autori concludono che questo modello funge da livello fondamentale su cui possono essere costruiti ragionamenti avanzati e benchmark per l'IA legale.