1. 문제 정의 (Problem Statement)

• 배경: 인도 사법부는 방대한 사건 누적으로 인해 심각한 업무 과부하를 겪고 있습니다. 2025 년 기준 5 천만 건 이상의 미결 사건이 존재하며, 이 중 상고 (Appellate) 사건은 하급 법원의 판결을 재검토하여 법적 선례를 설정하고 일관성을 유지하는 데 핵심적인 역할을 합니다.
• 과제: 기존 법적 판결 예측 (Legal Judgment Prediction, LJP) 시스템은 예측 정확도뿐만 아니라 해석 가능한 설명 (Interpretable Explanation) 생성에 한계가 있었습니다.
  • 많은 기존 모델이 자유 형식의 텍스트를 생성하거나 사실만 추출하는 방식에 그쳐, 법조인이 AI 의 추론 과정을 검증하거나 신뢰하기 어렵습니다.
  • 상고 사건은 고위험 (High-stakes) 결정을 수반하므로, 구조화되고 논리적인 설명이 필수적입니다.
• 목표: 인도 사법 시스템에 특화된, 상고 사건의 판결을 예측하고 구조화된 설명을 생성하여 투명성과 신뢰성을 확보하는 AI 프레임워크 개발.

2. 방법론 (Methodology: Vichara Framework)

Vichara(산스크리트어로 '고려' 또는 '논의'를 의미) 는 대규모 언어 모델 (LLM) 을 활용하되, 미세 조정 (Fine-tuning) 없이 프롬프트 엔지니어링 기반의 6 단계 파이프라인으로 구성됩니다.

1. 화용론적 역할 분류 (Rhetorical Role Classification):
   • 입력된 사건 진행 문서의 각 문장을 SAT-12L 모델과 계층적 BiLSTM-CRF 모델을 사용하여 7 가지 범주 (사실, 하급 법원 판결, 변론, 법령, 선례, 판결 비율, 현 법원 판결 등) 로 분류합니다.
2. 사건 맥락 구성 (Case Context Construction):
   • '사실 (Facts)'로 분류된 문장들만 추출하여 LLM 에게 입력합니다.
   • 피고인, 원고, 주요 쟁점, 당사자들의 입장, 현 법원 등 6 가지 핵심 필드를 구조화된 맥락으로 추출합니다.
3. 결정 지점 추출 (Decision Point Extraction):
   • 문서를 토큰 단위로 분할하여 LLM 에게 전달합니다.
   • 각 결정 지점 (Decision Point) 을 구조화된 단위 (쟁점, 결정 주체, 결과, 논거, 시간, 현 법원 여부) 로 추출합니다.
4. 현 법원 판결 생성 (Present Court Ruling Generation):
   • 추출된 결정 지점 중 '현 법원 (Present Court)'이 결정한 것만 필터링합니다.
   • 하급 법원의 판결을 배제하고 현 법원의 최종 논리와 판결 내용만을 요약하여 생성합니다.
5. 판결 예측 (Judgment Prediction):
   • 생성된 '현 법원 판결'과 '원고의 입장 (Appellant's Stance)'을 비교하여 상고 인용 (1) 또는 기각 (0) 의 이진 분류 결과를 도출합니다.
6. 구조화된 설명 생성 (Structured Explanation Generation):
   • 추출된 맥락, 결정 지점, 현 법원 판결, 예측 결과를 바탕으로 IRAC(쟁점 - 규칙 - 적용 - 결론) 프레임워크에 인도 법리 논리를 반영한 5 단계 구조로 설명을 생성합니다.
     • 사건의 사실, 제기된 법적 쟁점, 적용 가능한 법령 및 선례, 논리적 추론, 결론.

3. 주요 기여 (Key Contributions)

• 새로운 프레임워크 제안: 사건 진행 문서에서 '결정 지점 (Decision Points)'을 추출하여 상고 판결을 예측하고 설명하는 Vichara 프레임워크를 최초로 제안했습니다.
• 구조화된 설명 형식: 자유 형식이 아닌, 법조인이 쉽게 검증할 수 있는 IRAC 기반의 구조화된 설명 형식을 도입하여 해석 가능성 (Interpretability) 을 크게 향상시켰습니다.
• 실증적 평가: 인도 법률 데이터셋 (PredEx, ILDC_expert) 과 4 가지 LLM(GPT-4o mini, Llama-3.1-8B, Mistral-7B, Qwen2.5-7B) 을 활용한 광범위한 실험을 수행했습니다.

4. 실험 결과 (Results)

• 데이터셋: 인도 대법원 및 고등법원의 상고 사건을 포함한 PredEx(3,044 건) 와 전문가 주석 ILDC_expert(56 건) 를 사용했습니다.
• 예측 성능:
  • GPT-4o mini가 가장 높은 성능을 보였습니다 (PredEx F1: 81.5, ILDC_expert F1: 80.3).
  • Llama-3.1-8B도 뛰어난 성능 (F1: 76.7~78.5) 을 보여주어, 기존 최첨단 모델 (INLegalLlama) 을 두 데이터셋 모두에서 능가했습니다.
  • 소형 모델들도 Vichara 프레임워크 내에서 큰 모델과 유사한 성능을 달성하여 자원 제약 환경에서의 적용 가능성을 입증했습니다.
• 설명 품질 (Human Evaluation):
  • 3 명의 법률 전문가 (변호사) 가 명확성 (Clarity), 연결성 (Linking), 유용성 (Usefulness) 3 가지 지표로 평가했습니다.
  • GPT-4o mini가 모든 지표에서 가장 높은 점수를 받았으며, Mistral-7B 가 그 뒤를 이었습니다.
  • 자동 평가 지표 (ROUGE, BLEU 등) 와 인간 평가 결과 간의 괴리가 발견되었는데, 이는 자동 지표가 설명의 논리적 일관성과 법적 타당성을 완전히 포착하지 못함을 시사합니다.
• Ablation Study (성분 제거 실험):
  • 모든 단계를 포함한 전체 파이프라인이 가장 높은 성능을 보였습니다.
  • 특히 '결정 지점 추출 (Decision Point Extraction)' 단계 제거 시 예측 성능 (Macro-F1) 이 약 11 포인트 급감하여, 이 단계가 프레임워크의 핵심임을 입증했습니다.

5. 의의 및 시사점 (Significance)

• 사법 효율성 증대: 방대한 사건 누적을 겪는 인도 사법부에서 상고 사건의 우선순위 선정과 법적 추론 평가를 지원하여 사법 처리 속도를 높일 수 있습니다.
• 투명하고 신뢰할 수 있는 AI: 단순한 예측 결과를 넘어, 법조인이 논리를 따라갈 수 있는 구조화된 설명을 제공함으로써 AI 의 '블랙박스' 문제를 해결하고 법적 책임성을 강화합니다.
• 확장 가능성: 인도 법체계에 특화되었으나, 제안된 '결정 지점 추출' 및 '구조화된 설명' 접근법은 다른 법체계나 사건 유형으로 확장 가능한 방법론을 제시합니다.
• 실용적 가치: 소형 오픈 소스 모델 (Llama, Mistral 등) 을 활용하여도 고성능을 달성할 수 있음을 보여줌으로써, 비용 효율적인 법률 AI 도구 개발의 길을 열었습니다.

이 논문은 법률 AI 분야에서 단순한 예측을 넘어, 해석 가능성과 법적 논리 구조를 체계적으로 모델링하는 새로운 패러다임을 제시했다는 점에서 중요한 의의를 가집니다.