Structured Legal Document Generation in India: A Model-Agnostic Wrapper Approach with VidhikDastaavej

インドの法律事務所と共同で構築された大規模な匿名化された私的契約書データセット「VidhikDastaavej」と、任意の言語モデルに適用可能な 2 段階生成フレームワーク「MAW」を提案し、構造化された法的文書生成の精度と完全性を飛躍的に向上させる新たな基準と汎用的なアプローチを確立した。

要約

この論文は、**「インドの法律文書作成を AI に任せるための新しい方法」**について書かれたものです。

法律の専門家（弁護士など）は、契約書や委任状などの文書を作るのに非常に時間と労力をかけています。この作業を AI が手伝えれば、仕事が楽になり、誰でも法律サービスを受けやすくなるはずです。

しかし、インドの法律文書を作る AI には、これまで大きな**「2 つの壁」**がありました。

1. データがない: 秘密の契約書は公開されていないので、AI が勉強できる本が少ない。
2. AI が「嘘をつく」: 長い文章を作ると、AI が重要な条項を忘れたり、存在しない法律を勝手に作り出したり（これを「幻覚」と呼びます）する。

この論文では、これらの壁を乗り越えるために、**「ビディク・ダスタアヴェジ（VidhikDastaavej）」という新しい道具箱と、「MAW（モデル・アグノスティック・ラッパー）」**という新しい「使い方のコツ」を紹介しています。

---

1. 新しい道具箱：「ビディク・ダスタアヴェジ」

（＝インドの法律文書を集めた、巨大な秘密の図書館）

まず、著者たちはインドの法律事務所と協力して、**「ビディク・ダスタアヴェジ」**という新しいデータセットを作りました。

• 何が入っている？ 133 種類もの異なる種類の契約書や法律文書が、約 1 万 2 千枚も集められています。
• すごいところ: 従来の AI は「裁判所の判決文」しか勉強していませんでしたが、これは**「実際に使われているプライベートな契約書」**です。まるで、学校の教科書（判決文）だけでなく、現役の弁護士が実際に使っている「実務ノート（契約書）」を AI に読ませたようなものです。
• プライバシー: 名前や会社名などはすべて「[PERSON]（人物）」や「[ORG]（組織）」のように隠されています。

2. 新しい使い方のコツ：「MAW（モデル・アグノスティック・ラッパー）」

（＝どんな AI でも使える「優秀なアシスタント」の仕組み）

ここがこの論文の一番の目玉です。
「AI をもっと賢くするには、新しい AI モデルを開発して、何千時間も学習させる（微調整）必要がある」と思われがちですが、それは**「高価な新しい車を買い、毎回運転手教育をする」**ようなものです。お金も時間もかかりすぎます。

そこで著者たちは、**「MAW」という仕組みを考えました。これは「どんな AI でも使える、優秀なアシスタントの役割」**です。

🏗️ 従来の方法（微調整）：「丸投げ」

• やり方: 「契約書を作って」と AI に一言で頼む。
• 結果: AI は「えーと、何から書こうかな？」と迷い、重要な条項を忘れたり、嘘の法律を混ぜて書いたりします。まるで、**「建築図面もなしに、職人さんに『家を作ってくれ』と頼む」**ようなものです。

🧩 新しい方法（MAW）：「設計図→施工」の 2 段階

MAW は、AI に**「まず設計図を描いて、それから施工する」**という 2 段階のルールを課します。

1. 第 1 段階：設計図（章立て）を作る

   • まず AI に「この契約書にはどんな章が必要か？」を考えさせます（例：「当事者」「支払い条件」「解約条項」など）。
   • 人間がチェック: 人間が「あ、ここは『紛争解決』の章が必要だ」と修正します。
   • アナロジー: 建築家がまず「リビング、キッチン、寝室」という間取り図を描く段階です。

2. 第 2 段階：施工（本文）を書く

   • 次に、AI に「間取り図」を見せながら、それぞれの部屋（章）を一つずつ作っていきます。
   • 過去の知識を使う: 前の章で書いた内容を AI が思い出せるように、過去の文書を検索して参照させます（RAG 技術）。
   • アナロジー: 職人が「間取り図」を見ながら、一つずつ部屋を丁寧に作っていきます。途中で「あ、前の部屋とつなげる必要があるな」と確認しながら進めます。

この「設計図→施工」の仕組みのおかげで、どんな AI（無料のオープンソースでも、有料の高級 AI でも）を使っても、

• 論理的なつながりが良くなり、
• **嘘（幻覚）**が減り、
• 重要な条項が抜けなくなります。

3. 結果：プロの弁護士も「合格！」

この新しい方法で AI に文書を作らせ、実際の弁護士に評価してもらいました。

• 従来の AI（微調整だけ）: 弁護士から「条項が抜けている」「嘘の法律が書かれている」と酷評され、点数は低かった。
• MAW を使った AI: 弁護士から「非常に論理的で、実務に使えるレベル」と評価され、有料の最高級 AI（GPT-4o）と同等、あるいはそれ以上のスコアを出しました。

まとめ：なぜこれが重要なのか？

この研究は、**「新しい AI モデルを作る必要はない。正しい『使い方のコツ（MAW）』と『実務データ（ビディク・ダスタアヴェジ）』があれば、既存の AI でもプロ級の法律文書が作れる」**ことを証明しました。

• 誰でも使える: 高価な AI でなくても、この「コツ」を使えば良い成果が出ます。
• 安全: 人間が最終チェック（Human-in-the-Loop）をする仕組みがあるため、AI が勝手に嘘をつくリスクを減らせます。

つまり、これは**「AI に法律を任せる」のではなく、「AI を使いこなして、法律家の仕事を楽にする」**ための、非常に実用的で賢いアプローチなのです。インドの法律界だけでなく、世界中の法律文書作成の未来を変える可能性を秘めています。

技術概要

以下は、提示された論文「Structured Legal Document Generation in India: A Model-Agnostic Wrapper Approach with VidhikDastaavej」の技術的な要約です。

1. 研究の背景と課題 (Problem)

インドの法分野において、大規模言語モデル（LLM）を用いた判決予測や要約は進んでいるものの、私的法的文書（契約書、委任状など）の構造化された生成は未だ未踏の領域である。主な課題は以下の通りである。

• データの不足: 私的法的文書は機密性が高いため、公開トレーニングデータが極めて少ない。
• モデル依存性の限界: 特定のモデルに特化した微調整（SFT: 教師あり微調整）は、新しいモデルが頻繁に登場する環境では陳腐化しやすく、またリソース制約のある実務家（弁護士や開発者）が大規模モデルを再学習させるのは困難である。
• 生成の質の問題: 長文の法的文書生成において、一般的な LLM は事実の誤り（ハルシネーション）、論理的一貫性の欠如、構造的な不完全さを起こしやすい。

2. 提案手法と主要貢献 (Methodology & Contributions)

この論文は、以下の 2 つの主要な貢献により上記の課題を解決するアプローチを提案している。

A. データセット「VidhikDastaavej」の構築

• 概要: インドの法律事務所と連携して作成された、匿名化された大規模な私的法的文書データセット。
• 規模と多様性: 11,692 件のトレーニングデータと 133 件のテストデータを含み、133 種類の多様な法的文書カテゴリ（ライセンス契約、解雇契約、株式オプション契約など）を網羅している。
• プライバシー対策: NER（固有表現認識）技術を用いた自動マスキングと、専門家による手動検証を組み合わせ、個人情報を完全に匿名化（[PERSON], [DATE] などのプレースホルダーへ置換）している。
• 意義: インドの私的法的文書生成における初のベンチマークデータセットとして、研究の基盤を提供する。

B. モデル非依存ラッパー「MAW (Model-Agnostic Wrapper)」

• 概念: 特定の LLM に依存せず、任意のオープンソースまたはクローズドソースモデルと統合可能な 2 段階生成フレームワーク。
• ワークフロー:
  1. セクションタイトル生成（計画フェーズ）: ユーザーの指示に基づき、文書のセクション構成（見出しリスト）を生成し、ユーザーが編集・確認できる段階を設ける。
  2. セクション内容生成（実行フェーズ）: 各セクションに対して、文書全体の内容と、ChromaDB を用いたベクトル検索による関連セクションの要約をコンテキストとして追加し、反復的にコンテンツを生成する。
• 特徴: 「構造計画→コンテンツ生成」という分離アプローチにより、論理的な一貫性を保ち、ハルシネーションを抑制する。また、モデルのアーキテクチャ変更や再学習を必要としないため、リソース制約のある環境でも適用可能。

C. 専門家主導の評価体系

• 単なる言語的指標（BLEU, ROUGE）に加え、法曹専門家による評価を導入。
• 評価基準: 「事実の正確性（指示への準拠）」と「完全性・網羅性（必須項目の網羅）」を 1-10 のリッカート尺度で評価。
• 信頼性: 3 人の独立した専門家による評価と、Fleiss' κ などのアノテーター間一致率（IAA）を計算し、評価の客観性を担保している。

3. 実験結果と分析 (Results)

Qwen3-14B、LLaMA-3.1-8B、Gemma-3-12B などのオープンソースモデルと、GPT-4o を比較対象として評価を行った。

• SFT の限界: 単純な教師あり微調整（SFT）を行ったモデルは、むしろ性能が低下するケースが見られた。これはデータの不均衡や、フラットな指示と構造化された生成タスクのミスマッチが原因と推測される。
• MAW の優位性:
  • 事実の正確性: MAW を適用した Gemma-3-12B は、SFT 単体のスコア（1.00）から8.82へと劇的に向上し、GPT-4o（8.80）と同等以上のスコアを記録した。
  • 完全性: 同様に、完全性スコアも大幅に向上（Gemma-3-12B + MAW: 7.82 vs GPT-4o: 5.40）。
  • アノテーター間一致率: MAW による生成物は、専門家による評価の一致率（Fleiss' κ > 0.80, ICC > 0.90）が非常に高く、構造化された出力が評価の安定性を高めていることが示された。
• アブレーション研究: 検索モジュール（RAG）を除去すると事実の正確性が約 2.2 ポイント低下し、構造化計画と検索の両方が不可欠であることが確認された。

4. 意義と将来展望 (Significance & Future Work)

• 実用性: 高価な商用モデルや大規模な計算リソースがなくても、オープンソースモデルを用いて高品質な法的文書草案を作成できることを実証した。
• 人間中心設計: 生成プロセスに「Human-in-the-Loop（HITL）」システムを組み込み、弁護士がセクション構成を編集・確認できるインタラクティブなシステムを提供している。
• 今後の課題: テストセットの拡大（カテゴリあたりのサンプル数増加）、より詳細な評価ルブリックの導入、推論時間の最適化（キャッシュや適応的検索）などが挙げられる。

結論:
この研究は、インドの法分野における AI 支援ドラフティングの新たな基準（ベンチマーク）と、汎用的な生成フレームワークを確立した。特に、モデル非依存のラッパーアプローチが、データ不足やリソース制約という課題を克服し、専門家の評価において商用モデルに匹敵する成果をもたらした点が画期的である。