The Saudi Legal Corpus for AI: An Auditable, Official-Source-Grounded, Article-Level Corpus of Saudi Arabian Legislation

Nel mondo moderno, ai computer viene chiesto sempre più spesso di rispondere a domande riguardanti la legge. Per farlo accuratamente, essi si affidano a una tecnica chiamata generazione aumentata dal recupero (retrieval-augmented generation). Questo processo funziona come un bibliotecario che, prima di rispondere a una domanda, cerca innanzitutto in una vasta biblioteca di documenti attendibili per trovare il passaggio esatto che contiene la risposta. Se il computer riesce a trovare il testo corretto, può riassumerlo per l'utente senza inventare nulla. Tuttavia, questo sistema funziona solo se la biblioteca esiste in un formato che il computer possa leggere e comprendere. Per molte lingue e sistemi giuridici, specialmente nel mondo arabo, questa biblioteca è stata assente. Le leggi dell'Arabia Saudita, una grande economia globale, sono pubblicate in gazzette ufficiali e su siti web governativi, ma esistono come pagine e documenti leggibili dagli esseri umani, non come dati strutturati che il software possa facilmente ricercare. Senza una versione leggibile dalle macchine di queste leggi, l'intelligenza artificiale non può assistere in modo affidabile con le questioni legali nel Regno, lasciando un significativo vuoto sia nella tecnologia che nell'accesso alla giustizia.

Per colmare questo divario, un ricercatore di nome Abdullah Almohammedi ha costruito il Saudi Legal Corpus for AI, una massiccia e strutturata collezione digitale delle leggi del Regno. Questa non è una semplice lista di link o una collezione di PDF scansionati. Si tratta, invece, di un database accuratamente organizzato che contiene 290 strumenti legislativi distinti, che vanno dalle principali leggi statutarie ai dettagliati regolamenti attuativi e alle norme procedurali. La collezione copre dodici diverse aree del diritto, tra cui il commercio, la giustizia penale, i diritti del lavoro e la tassazione. Il cuore di questo lavoro è la trasformazione di 290 leggi in 15.689 singoli record a livello di articolo. Ogni record è un pezzo di testo autonomo e autosufficiente, come un articolo specifico di una legge, per un totale di circa 1,2 milioni di parole in arabo. L'intera collezione è progettata per essere verificabile, il che significa che ogni singolo pezzo di testo può essere ricondotto esattamente alla sua fonte ufficiale, garantendo che il computer stia leggendo la legge reale e non un riassunto o un'ipotesi.

La costruzione di questo corpus segue un insieme rigoroso di regole per garantire accuratezza e affidabilità. La regola più importante è che il testo ufficiale in arabo è l'unica versione che conta. Sebbene la collezione includa traduzioni in inglese e cinese, queste sono chiaramente contrassegnate come riferimenti non autorevoli, utili per la comprensione ma non legalmente vincolanti. Ogni singolo articolo nel database porta un'etichetta che spiega esattamente da dove proviene e come è stato verificato. Il ricercatore ha utilizzato un sistema a quattro livelli per valutare l'affidabilità di ogni fonte, distinguendo tra le leggi che sono state incrociate con più documenti ufficiali e quelle provenienti da una singa fonte. Questo livello di dettaglio permette agli utenti di filtrare i dati in base a quanto debba essere solida la prova richiesta. Ad esempio, un sistema progettato per consulenze legali ad alto rischio potrebbe utilizzare solo le fonti verificate con maggiore rigore, mentre un progetto di ricerca potrebbe accettare un intervallo più ampio. Il database include anche un "manifesto di freschezza", un elenco che segnala 16 tracce specifiche in cui il portale governativo ufficiale potrebbe non ancora contenere gli emendamenti più recenti, assicurando che gli utenti siano consapevoli di potenziali informazioni obsolete anziché essere tratti in inganno.

Oltre a memorizzare il testo, il ricercatore ha aggiunto diversi livelli di analisi che non sono mai esistiti per la legge saudita. Il corpus include una mappa di come le leggi si citano a vicenda, mostrando quali articoli citano altri articoli. Questo grafo di citazioni contiene oltre 3.600 riferimenti, rivelando quali leggi agiscono come centri nevralgici nel sistema legale, come la Legge sul Lavoro e la Legge sulle Società, che sono frequentemente citate da altre normative. Esiste anche una mappa classificata manualmente che mostra quali leggi hanno sostituito o abrogato le precedenti, aiutando a tracciare la storia dei cambiamenti legislativi. Inoltre, il progetto ha creato un glossario di quasi 2.000 termini che sono definiti specificamente all'interno delle leggi stesse, insieme a oltre 3.300 definizioni. Ciò aiuta a chiarire come la stessa parola possa avere significati diversi in contesti differenti. Per rendere i dati pronti per gli strumenti di IA moderni, il testo è stato anche suddiviso in frammenti più piccoli e gestibili, permettendo ai computer di elaborare sezioni specifiche di una legge senza perdersi in migliaia di pagine di testo.

Per testare l'efficacia di questa nuova risorsa, il ricercatore ha creato un benchmark composto da 519 domande specifiche sulla legge saudita, ciascuna accoppiata all'articolo corretto che contiene la risposta. Queste domande sono state scritte leggendo le leggi reali e formulando poi quesiti che una persona potrebbe porre. Quando i ricercatori hanno testato un metodo di ricerca standard contro questo nuovo sistema ricco di metadati, i risultati sono stati eloquenti. Il nuovo sistema ha identificato correttamente l'articolo giusto nel 93,3% dei casi, rispetto al 90,4% del metodo standard. La differenza è stata più evidente quando le domande riguardavano definizioni, come "cos'è un contratto di vendita?". In questi casi, il nuovo sistema è stato significativamente più accurato, trovando la definizione corretta nel 90,9% dei casi rispetto al 74,5% del metodo standard. Questo divario dimostra che il lavoro extra svolto per organizzare i dati e aggiungere etichette dettagliate paga, rendendo molto più facile per i computer trovare le informazioni corrette anche quando i termini di ricerca non corrispondono perfettamente al testo.

Il rilascio di questo corpus rappresenta un passo avanti significativo per la tecnologia legale nella regione, ma comporta chiari confini e limitazioni. La collezione non è esaustiva; copre le leggi principali ma non include ogni singola decisione ministeriale o norma municipale. Il ricercatore è trasparente riguardo a questo, documentando l'ambito della collezione e i rischi specifici associati a ciascun dato. Il lavoro non è esplicitamente una pubblicazione ufficiale del governo, e gli strati in inglese e cinese non sono traduzioni ufficiali. L'unico testo vincolante rimane l'originale arabo come pubblicato nella gazzetta ufficiale. Fornendo questa risorsa strutturata, verificata e verificabile, il progetto offre una base per costruire assistenti legali affidabili e condurre studi più approfonditi sulla struttura della legge saudita. Esso fornisce un modello su come altri paesi privi di gazzette ufficiali leggibili dalle macchine possano organizzare i propri sistemi legali per l'era digitale, garantendo che la legge rimanga accessibile, comprensibile e fondata sui fatti.