Can Causal Discovery Algorithms Help in Generating Legal Arguments?

기술적 요약: 법적 논증 생성을 위한 인과 발견 알고리즘

문제 제기
인과 발견 알고리즘은 대규모 다변량 데이터를 분석하고 인과 관계를 규명하는 데 의학 및 경제학 분야에서 표준 도구로 자리 잡았으나, 법률 분야에서의 적용은 아직 탐구되지 않았습니다. 현재의 법률 문헌은 법률 전문가가 수동으로 식별한 인과 관계에 의존하고 있어 분석의 규모가 제한되며, 이러한 관계에 대한 믿음의 정도를 데이터 기반으로 정량화하지 못합니다. 본 논문은 과거 판례 데이터를 기반으로 자동화된 인과 발견 알고리즘이 실행 가능하고 정량적인 법적 논증을 생성하는 데 활용될 수 있는지 조사함으로써 이 격차를 해소합니다.

방법론
본 연구는 데이터셋 준비, 알고리즘 적용, 그리고 합의 도출을 포함하는 구조화된 파이프라인을 활용합니다:

1. 데이터셋 구성: 저자들은 인도 법원 기록에서 150 건의 살인 사건으로 구성된 새로운 데이터셋을 수집했습니다. 이러한 사건들은 '신체적 폭행', '재산 분쟁', '폭동', '사형 선고' 등 17 가지의 서로 다른 법적 개념으로 주석 처리되었습니다. 주석 처리 과정에는 LeDA 도구를 사용한 세 명의 법률 전문가가 참여했으며, 주석자 간 일치도 (IAA) 는 F1 점수로 측정되었습니다. IAA 점수가 0.8 미만인 사건은 선임 전문가가 재검토했습니다. 최종 산출물은 각 사건당 각 개념의 존재 (1) 또는 부재 (0) 를 인코딩한 150x17 이진 행렬이었습니다.
2. 알고리즘 선정: 방법론적 다양성을 기반으로 널리 사용되는 여섯 가지 인과 발견 알고리즘이 선정되었습니다:
   • PC: 조건부 독립성 검사를 통해 그래프를 구축합니다.
   • GES: 점수 기반 국소 최적화를 사용하여 간선을 추가하거나 제거합니다.
   • GRaSP 및 BOSS: 그래프를 구축하기 위해 최적의 변수 순서를 탐색하는 순서 기반 방법입니다.
   • LiNGAM 및 ANM: 개념을 대상/예측 변수로 모델링하는 회귀 기반 방법 (각각 선형 및 비선형) 입니다.
3. 합의 형성: 견고성을 보장하기 위해 두 개 이상의 알고리즘이 발견한 관계를 식별하여 '합의 인과 그래프'를 구성했습니다. 관계는 이를 동의한 알고리즘의 수에 따라 가중치가 부여되었습니다.
4. 정량화: 발견된 관계의 강도는 조건부 확률 테이블 (CPT) 을 사용하여 정량화되었으며, 이를 통해 특정 확률 (예: $P(\text{결과} | \text{원인})$) 을 계산할 수 있었습니다.

주요 결과
이러한 알고리즘의 적용은 적어도 알고리즘의 절반 이상이 동의한 여섯 가지 강력한 관계를 포함하는 합의 인과 그래프를 산출했습니다. 주요 발견 사항은 다음과 같습니다:

• 정치적 라이벌 관계 예측: 세 가지 알고리즘 (PC, GRaSP, BOSS) 은 '증거 불일치'와 '폭동'의 조합이 '정치적 라이벌 관계'에 대한 예측적 원인이 되며 그 확률이 1.0 임을 식별했습니다. 주목할 점은 표준 피어슨 상관관계가 이러한 강한 연관성을 탐지하지 못했다는 것입니다 (약 0.36~0.39 의 낮은 상관관계 보고). 이는 특정 결합 상태를 분석하는 대신 값의 조합에 대해 집계하기 때문입니다.
• 신체적 폭행과 재산 분쟁: '신체적 폭행'의 부재가 '재산 분쟁'으로 인한 살인이 아니었음을 입증하기에 충분한 조건 (확률 = 1.0) 이라는 데 합의가 이루어졌습니다. 반면, 신체적 폭행의 존재는 재산 분쟁 동기의 확률을 0.00 에서 0.07 로 미미하게만 증가시킵니다. 0.2 의 낮은 피어슨 상관관계를 가진 이 관계는 전통적인 상관관계 측정으로는 탐지할 수 없었으나 인과 발견을 통해 명확히 식별되었습니다.
• 논증 생성: 본 연구는 이러한 알고리즘이 정량적 논증을 생성할 수 있음을 입증합니다. 예를 들어, 피고인이 피해자의 재산에 대한 상속인이 아님을 입증하는 것이 가상의 시나리오에서 무죄 입증 확률을 CPT 에서 직접 도출된 59% 증가시키는 것으로 나타났습니다.

의의 및 주장
본 논문은 인과 발견 알고리즘이 법적으로 실행 가능하고 수학적 및 법적 용어로 완전히 설명 가능한 법적 논증 생성을 효과적으로 지원할 수 있다고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 확장성과 정량화: 수동 전문가 분석과 달리, 이러한 알고리즘은 방대한 수의 과거 사건을 처리하여 인과 연결에 대한 믿음의 정도를 정량화함으로써 논증의 데이터 기반을 제공합니다.
• 상관관계를 넘어선 접근: 본 연구는 인과 발견이 전통적인 상관관계 측정법이 놓치는 변수의 특정 값 조합 간의 세밀하고 방향성 있는 연관성을 포착함을 강조합니다.
• 투명성과 정의: 저자들은 투명한 인과 구조를 제공함으로써 소송 당사자들이 판결의 배경이 되는 논리를 이해하는 데 도움이 된다고 주장합니다. 이러한 투명성은 결과가 범죄의 심각성을 반영하는지 아니면 절차적 요인 (예: 기소 지연) 에 기인하는지 평가하는 데 중요합니다.
• 미래 가능성: 현재 연구는 인과 사다리의 가장 낮은 수준인 '연관 기반 추론'에 초점을 맞추고 있지만, 본 논문은 이러한 알고리즘을 반사실적 추론과 같은 고수준 인과 추론과 통합하면 법적 분석이 더욱 강화될 수 있음을 시사합니다. 저자들은 자동화된 발견을 인간 법률 전문가가 정제하여 효율성을 높이고 허위 발견을 줄이는 파이프라인을 구상하며, 이는 법 분야에서 시의적절한 정의와 투명성을 향한 개념적 진전을 나타냅니다.

본 논문은 현재 데이터셋이 제한적임을 겸손하게 지적하면서도, 이 프레임워크가 자동화된 법적 논증 생성에서 인과 발견의 활용을 극대화하기 위한 미래 노력의 길을 연다고 결론짓습니다.