Automatic Construction of a Legal Citation Graph from 100 Million Ukrainian Court Decisions: Large-Scale Extraction, Topological Analysis, and Ontology-Driven Clustering

Sintesi Tecnica: Costruzione Automatica di un Grafo delle Citazioni Giuridiche da 100 Milioni di Decisioni Giudiziarie Ucraine

Enunciazione del Problema
Il Registro Statale Unificato delle Decisioni Giudiziarie (EDRSR) rappresenta il più grande corpus giudiziario aperto in Europa continentale, contenente oltre 100 milioni di decisioni. Nonostante le sue dimensioni, questa risorsa è rimasta largamente non sfruttata per l'analisi giuridica computazionale. Le ricerche esistenti sulle reti di citazioni giuridiche si sono concentrate su giurisdizioni di common law (ad esempio, Stati Uniti, Paesi Bassi, Danimarca) dove le convenzioni di citazione sono esplicite e i dataset sono più piccoli (10³–10⁵ decisioni). I sistemi giuridici di diritto continentale come quello ucraino presentano sfide distinte: le citazioni mirano agli articoli della legislazione piuttosto che a precedenti casi, i formati sono incoerenti a causa di variazioni morfologiche e abbreviazioni, e il volume enorme (1,1 TB di testo) richiede un'elaborazione su scala industriale. Nessun lavoro precedente ha tentato l'estrazione di citazioni alla scala di 100 milioni di decisioni.

Metodologia
Il documento propone una pipeline a tre stadi: estrazione su larga scala, analisi topologica e clustering guidato da ontologia.

1. Pipeline di Estrazione su Larga Scala:

   • Fonte Dati: 100,7 milioni di decisioni giudiziarie (99,5 milioni di testi completi) dall'EDRSR, coprenti il periodo 2000–2026.
   • Tecnica: Una pipeline basata su espressioni regolari elabora i dati partizione per partizione utilizzando il multiprocessing di Python e cursori PostgreSQL lato server.
   • Tipi Target: Vengono estratti sei tipi di citazione: (1) Riferimenti ad articoli del Codice (ad esempio, "ст. 625 ЦК України"), (2) Riferimenti a leggi nominate, (3) Riferimenti costituzionali, (4) Riferimenti inter-casi, (5) Riferimenti a leggi per numero, e (6) Riferimenti a sentenze della Corte Suprema.
   • Prestazioni: La pipeline elabora circa 200.000 righe/secondo su un singolo server a 16 core, completando l'estrazione di 502 milioni di collegamenti di citazione in circa 5 ore.
   • Validazione: Su un campione manualmente annotato di 200 decisioni (1.903 citazioni), la pipeline ha raggiunto una precisione del 100% per tutti e sei i tipi. È stato osservato un proxy di richiamo di 0,86 quando confrontato con i record archiviati, con il divario del 14% attribuito a differenze di normalizzazione (ad esempio, espansione di intervalli di articoli) piuttosto che a citazioni sostanziali mancate.

2. Costruzione del Grafo:

   • Grafo Bipartito ($G_B$): I nodi rappresentano decisioni ($D$) e articoli di legislazione ($L$). Gli archi collegano una decisione alla legislazione che cita.
   • Proiezione di Co-citazione ($G_L$): Un grafo unipartito in cui gli articoli di legislazione sono connessi se citati insieme nella stessa decisione. I pesi degli archi riflettono la frequenza di co-citazione, fungendo da proxy per la pertinenza semantica.
   • Grafo di Similarità delle Decisioni ($G_D$): Un grafo che collega decisioni che citano legislazione comune (calcolato in modo pigro).

3. Analisi e Costruzione dell'Ontologia:

   • Rilevamento delle Comunità: L'algoritmo di Louvain viene applicato alla proiezione di co-citazione per identificare cluster di articoli di legislazione.
   • Derivazione dell'Ontologia: Questi cluster formano un'ontologia giuridica costruita automaticamente in cui le classi corrispondono a domini giuridici (ad esempio, Civile, Penale) e gli individui sono gli articoli specifici. Questo approccio si basa sull'ipotesi distribuzionale ("conoscerai una legge dalle decisioni che la citano") senza richiedere dati etichettati o modelli di embedding.

Risultati Chiave

• Scala ed Efficienza: Lo studio ha estratto con successo 502 milioni di archi di citazione che collegano decisioni a 18,4 milioni di articoli di legislazione unici. Questo dataset è da tre a quattro ordini di grandezza più grande rispetto ai precedenti studi sulle citazioni giuridiche.
• Proprietà Topologiche:
  • Distribuzione di Legge di Potenza: La distribuzione del grado degli articoli di legislazione segue una legge di potenza con esponente $\alpha = 1,57 \pm 0,008$. Ciò colloca la rete ucraina tra la Corte di Giustizia dell'UE ($\alpha \approx 1,7$) e la Corte Suprema degli Stati Uniti ($\alpha \approx 2,1$), indicando una coda pesante dove un piccolo insieme di articoli "hub" (ad esempio, codici procedurali) è citato da milioni di decisioni.
  • Divergenza della Centralità: La centralità PageRank diverge significativamente dai conteggi grezzi delle citazioni (Spearman $\rho = 0,70$). Ad esempio, l'Articolo 19 della Costituzione si classifica al 42º posto per conteggio grezzo ma al 3º per PageRank, riflettendo il suo ruolo strutturale di ponte tra domini giuridici.
• Recupero Ontologico: Il rilevamento delle comunità sul grafo di co-citazione recupera con successo i domini giuridici consolidati (Civile, Penale, Amministrativo, Commerciale) con punteggi di modularità ($Q$) compresi tra 0,44 e 0,55. La struttura mostra un'elevata stabilità temporale (Informazione Mutua Normalizzata $NMI = 0,83–0,86$ su periodi di quattro anni), confermando il grafo come una rappresentazione duratura dell'ordine giuridico.
• Potere Predittivo: Un modello di regressione logistica che utilizza caratteristiche di citazione (volume storico, rapporto di crescita, ecc.) prevede i 1.000 articoli più citati in futuro con un AUC di 0,9984, superando significativamente una baseline di frequenza ingenua.
• Dinamiche Temporali e Rilevamento delle Crisi:
  • Riforme Legislative: Il grafo cattura spostamenti di fase quantitativi corrispondenti a riforme maggiori, come il lancio del Codice di Procedura Penale del 2012 e la riforma giudiziaria del 2017.
  • Impatto della Guerra: L'invasione russa del 2022 è rilevata come un picco di entropia delle citazioni ($H: 11,02 \to 13,49$) e l'emergere di nuovi nodi relativi alla legislazione bellica (ad esempio, Articolo 111-1 del Codice Penale riguardante la collaborazione).

Significato e Affermazioni
Il documento rivendica tre contributi principali:

1. Estrazione Scalabile: Dimostra che l'NLP giuridico su scala industriale può essere realizzato su hardware commerciale utilizzando metodi semplici basati su espressioni regolari, raggiungendo un'alta precisione senza infrastrutture specializzate.
2. Ontologia Guidata dai Dati: Fornisce la prima ontologia leggibile da macchina per le relazioni statutarie ucraine, derivata interamente dalla pratica giudiziaria piuttosto che dalla curatela di esperti. Questo affronta un vuoto strutturale nei sistemi LLM controllati da ontologia, fornendo un livello di dominio che radica il ragionamento giuridico nei modelli di utilizzo effettivo.
3. Storia Giuridica Quantitativa: Il grafo delle citazioni funge da registro ad alta risoluzione delle transizioni dei regimi legislativi, capace di rilevare cambiamenti sistemici (riforme, invasioni) attraverso spostamenti di entropia e densità delle citazioni.

Gli autori posizionano questo lavoro come un'estensione dei programmi di estrazione della conoscenza e di modellazione semantica distribuzionale proposti da Palagin et al., applicati qui a una scala e a un dominio precedentemente non tentati nell'NLP ucraino. L'ontologia risultante è operazionalizzata come livello di dominio per i sistemi di memoria del flusso di lavoro nell'analisi legale assistita da LLM, consentendo correzioni umane informate degli output dell'IA. La pipeline di estrazione, il codice di analisi e le statistiche aggregate sono rilasciati come dati aperti.