技術概要：法執行報告における意味理解と推論のための概念知識学習に向けた警察活動のオントロジー

1. 問題定義

法執行機関の事件報告書は、構造化されたメタデータ（例：事件番号、犯罪コード）と非構造化の自然言語による記述から構成される。構造化データは基本的なフィルタリングや集計を支援するが、出来事の時間的順序、特定の参加者の役割、侵入方法、盗難品といった重要な捜査上の詳細は、往々にして記述テキストのみに埋め込まれている。これらの詳細に体系的にアクセスすることは、報告書の膨大な量、言語的変異、およびプライバシー保護のための個人識別情報（PII）の秘匿処理の必要性により困難である。浅い文字列マッチングや手動レビューに依存する現在の手法は、捜査官や分析担当者のボトルネックを生み出している。核心的な課題は、これらの秘匿処理された非構造化記述を、ソーステキストへの追跡可能性を失うことなく、機械可読で監査可能、かつ論理的推論を支援できる「証拠にリンクされた事実」に変換することである。

2. 手法

著者は、多段階パイプラインを用いて警察の記述を形式オントロジーに変換する記号フレームワークを提案する。このアプローチは、最終的な推論層において機械学習を回避し、代わりに記号的自然言語理解（NLU）と知識表現に依存する。

A. 前処理と秘匿処理

• 抽出: PDF 報告書は光学文字認識（OCR）を介して処理され、記述セクションが抽出される。テキストは文頭大文字形式に変換され、アーティファクトが除去される。
• 秘匿処理: spaCy の固有表現認識、正規表現、およびメタデータを用いたルールベースのシステムが、PII（氏名、住所、日付、車両詳細）を秘匿処理する。
• 匿名化: 実体は [PERSON_1]、Victim（被害者）、Suspect（容疑者）などの標準化されたプレースホルダーに置換されるが、追跡可能性を確保するためにマッピングログが維持される。

B. 意味解析（意味層）

秘匿処理されたテキストは、AMRlib パーサー（BART-large モデル）を用いて**抽象意味表現（AMR）**グラフとして解析される。

• グラフ構造: AMR は、文の意味を述語（出来事）とその引数（参加者）のグラフとして表現する。
• 役割のグラウンディング: 匿名化された実体は、グラフ内の特定の意味タイプ（例：Person、Vehicle）および役割（例：Agent、Patient）にマッピングされる。
• 語彙リソース: システムは述語と引数を正規化するために、連鎖する語彙データベースを利用する。
  • PropBank: 動詞の意味と引数の役割を提供する。
  • VerbNet（SemLink 経由）: PropBank の意味を意味動詞クラスにマッピングする。
  • WordNet: 引数の「is-a」タイプ付けのための上位語階層を提供する（例：「窓」を構造的な一部として区別する）。

C. オントロジー構築とマッピング

抽出された AMR グラフは、Protégé で構築されたOWL 2 オントロジーにマッピングされる。

• 構造: オントロジーには、TBox（クラススキーマ）、RBox（プロパティスキーマ）、ABox（インスタンス事実）が含まれる。主要なクラスには Event、Entity、ParticipationRole がある。
• マッピング規則: 述語 - 引数構造（例：steal-01 :ARG0 x :ARG1 y）は、オントロジーのアサーション（例：TheftEvent(e)、hasAgent(e,x)）に変換される。
• 記述論理（DL）制約: システムは構造的不変性を強制する。例えば、すべての参加が出来事にリンクされていることを保証し、特定の出来事タイプ（例：TheftEvent）には特定の参加者（例：盗まれた Item）が必要であることを保証する。

D. 出来事タイプ付けと信頼度スコアリング

システムは、出来事タイプ（例：ForcedEntryEvent、TheftEvent）を割り当て、信頼度スコア $c(e) \in [0,1]$ を計算する。

• 2 段階タイプ付け:
  1. 述語ファミリー段階: 動詞ファミリーに基づいて粗い候補タイプを生成する。
  2. 引数感受性段階: 引数の意味タイプに基づいてタイプを洗練させる（例：対象物が財産品である場合、「窃盗」の解釈を強化する）。
• 信頼度計算: スコアは以下のヒューリスティックな和である。
  • ベーススコア: 出来事カテゴリによって決定される（例：中核的な事件事象は 0.55 から開始）。
  • 語彙的グラウンディング: 完全な PropBank→VerbNet→WordNet マッピングに対するボーナス。
  • 構造的サポート: 期待されるパターンとの一致に対するボーナス（例：盗難品の存在）。
  • ペナルティ: 曖昧さ、否定、または不確実な言語に対する減点。
  • 最終スコア: ルール事前確率（70%）と証拠ベースのスコア（30%）の重み付けブレンド。

E. 時間的推論

システムは、ノードが出来事であり、エッジが先行関係である時間的グラフを構築する。

• キューベースのエッジ: テキスト内の時間的マーカー（例：「その後」、「前に」、「後に」）から導出される。
• ドメイン公理: 警察手続きに基づいて先行関係を強制する論理規則（例：ForcedEntryEvent は通常 TheftEvent に先行する）。

3. 主要な貢献

• 証拠にリンクされた事実抽出: 秘匿処理された記述を特定の文に追跡可能な構造化事実に変換するパイプライン。手動レビューのボトルネックに対処する。
• 警察活動における記号的 NLU: 最終的な推論においてブラックボックスの機械学習モデルに依存することなく、警察報告書の言語的変異とプライバシー制約を処理できることを示す記号的手法（AMR + オントロジー）の実証。
• 時間的グラフ構築: 言語的キューとドメイン公理を統合して、非構造化テキストから出来事のタイムラインを再構築する。
• 監査可能な信頼度: 抽出された出来事の信頼性を定量化するスコアリングメカニズム。分析担当者が信頼度閾値に基づいて結果をフィルタリングできるようにする。

4. 結果

このフレームワークは、ロチェスター警察署からの450 件の財産犯罪報告書（住居侵入、窃盗、自動車窃盗、強盗、盗難品）のコーパスで評価された。

• 抽出パフォーマンス:
  • システムは6,686 の出来事と6,652 のフレームを抽出した。
  • 抽出された出来事の**54.1%**が信頼度スコア $\ge 0.80$ を達成した。
  • 抽出された出来事の**93.7%**が、完全な PropBank→VerbNet→WordNet 意味経路を介して正常にマッピングされた。
  • **ARG1（患者/対象物）**のカバレッジは高かった（78.8%）が、**ARG0（行為者）**のカバレッジは低かった（29.8%）。これは、記述において対象物を明示的に命名する傾向がある一方で、行為者の正体を曖昧にする傾向を反映している。
• フレームスロットフィリング:
  • 侵入点は 41.8% のケースで埋められた。
  • 侵入方法は 33.4%。
  • 盗難品は 22.8%。
• 時間的順序付け:
  • コーパス全体で 102 の時間的エッジが抽出された。
  • これらのエッジの**78.4%**はドメイン公理から導出されたものであり、明示的なテキストキューから導出されたのは 21.6% に過ぎなかった。
• 人間によるレビュー:
  • 5 つの秘匿処理された記述を対象とした 6 人のレビューアによる研究において、事件の開始、盗難品、時間的キュー、参加者の役割については、システムと人間の多数派の間で100% の一致が見られた。
  • 車両の関与、窃盗の申告、全体の信頼度については、一致率は**80%**であった。
  • 強制的な侵入については、一致率は**40%**であり、これは依然として解釈が困難なタスクであることを示している。
  • 「盗難品」と「時間的キュー」の精度/再現率/F1 スコアは完璧（100%）であった。

5. 意義と主張

本論文は、構造化メタデータから欠落している事件の詳細を、秘匿処理された記述から効果的に回復するために記号的 NLU 技術が機能することを主張する。その意義は、以下の点にある。

1. 分析の拡張: 大量の報告書から証拠にリンクされた事実の抽出を自動化する。
2. プライバシーの維持: 出来事構造に関する推論能力を損なうことなく、秘匿処理されたテキストを処理する。
3. 追跡可能性の確保: 抽出されたすべての事実は、ソース文および使用された特定の意味経路にリンクされており、監査可能性を可能にする。
4. 不確実性の処理: 信頼度スコアリングシステムは、決定的な分類を強制するのではなく、不確実な抽出（例：強制的な侵入の解釈）を明示的にフラグ付けする。これは法的および捜査上の文脈において極めて重要である。

著者は明示的に、このシステムは人間の判断を代替したり、人間の監督なしに個人について結論を下したりするためではなく、捜査とレビューを支援するために設計されていると述べている。この研究は、内部警察利用のための記号的 NLU パイプラインを追加することで、OpenBWC initiative を拡張するものである。