💬 NLP

Ontology for Policing: Conceptual Knowledge Learning for Semantic Understanding and Reasoning in Law Enforcement Reports

본 논문은 의미 구문 분석, 온톨로지 매핑, 추론을 통합하여 비구조화된 법 집행 내러티브를 증거와 연결된 사실 및 시간적 그래프로 변환하는 기호 체계를 제안하며, 이는 재산 범죄 보고서에서 주요 사건 세부 사항을 추출하는 데 높은 정확도를 보여줍니다.

원저자: Anita Srbinovska, Jansen Orfan, Adrian Martin, Ernest Fokoué

게시일 2026-05-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Anita Srbinovska, Jansen Orfan, Adrian Martin, Ernest Fokoué

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

경찰 보고서가 두 부분으로 이루어진 이야기라고 상상해 보세요. 첫 번째 부분은 체크리스트와 같습니다. 날짜, 범죄 유형 (예: "강도"), 사건 번호 등을 위한 칸이 있습니다. 이는 깔끔하고 체계적으로 정리되어 있어 컴퓨터가 읽기 쉽습니다.

두 번째 부분은 서술입니다. 경찰관이 정확히 무슨 일이 일어났는지 설명하는 한 단락입니다. 실제 이야기가 살아있는 곳입니다—창문이 어떻게 깨졌는지, 누가 관련되었는지, 그리고 사건 순서에 대한 세부 사항이 여기에 있습니다. 하지만 이것이 평범한 영어로 쓰여 있기 때문에, 컴퓨터가 도움을 받지 않고는 쉽게 분류하기 어려운 지저분한 퍼즐 조각 더미와 같습니다.

이 논문은 현대 AI 가 다음 단어를 예측하는 "추측" 방식이 아니라, 매우 엄격한 규칙 기반 번역기라고 생각할 수 있는 "상징적" 시스템을 사용하여 이러한 지저분한 퍼즐 조각들을 조직화하는 새로운 방법을 제시합니다.

다음은 그들의 시스템이 작동하는 방식을 간단한 단계로 나눈 것입니다:

1. 개인정보 필터 (삭제)

컴퓨터가 이야기를 읽기 전에 "개인정보 보호 고글"을 착용합니다. 텍스트를 스캔하여 민감한 이름, 주소, 전화번호를 가리고 [PERSON_1] 또는 [SUSPECT]와 같은 일반적인 레이블로 대체합니다. 이를 통해 시스템이 관련 인물의 특정 신원이 아닌 사건으로부터 학습하도록 보장합니다.

2. 번역기 (의미 분석)

텍스트가 안전해지면 시스템은 단순히 단어를 읽는 것이 아니라 행동의 구조를 이해하는 번역가처럼 작동합니다. 문장을 "누가 누구에게 무엇을 했는가" 형식으로 분해합니다.

비유: "용의자가 창문을 부쉈다"라는 문장이 외국어 문장이라고 상상해 보세요. 시스템은 이를 Action: Break(행동: 부수기), Doer: Suspect(행위자: 용의자), Object: Window(대상: 창문)와 같은 보편적인 코드로 번역합니다.
시스템은 "훔치는 것"이 "취하는 것"의 일종이며, "창문"이 "건물"의 일부임을 이해하도록 하기 위해 방대한 사전 (WordNet) 과 문법서 (VerbNet) 를 사용합니다.

3. 규칙서 (온톨로지)

시스템은 그런 다음 이러한 번역된 사실들을 미리 구축된 규칙서(온톨로지라고 함) 에 맞춰보려고 합니다. 이 규칙서를 "강도", "강제 침입", 또는 "차량 손상"과 같은 특정 서랍이 있는 엄격한 파일 캐비닛이라고 생각하세요.

시스템이 허가 없이 이루어진 "취하는" 행동을 보이면, 이를 "강도" 항목에 파일하려고 시도합니다.
"부수는" 행동을 보이면, 이를 "강제 침입" 항목에 파일하려고 시도합니다.
시스템은 자신의 작업을 확인합니다: "이것이 강도 규칙에 맞습니까? 네. 도난당한 물건이 있습니까? 네. 좋아요, 저는 이것이 강도라고 확신합니다."

4. 타임라인 빌더 (시간적 추론)

마지막으로 시스템은 "그런 다음", "이전에", "이후에"와 같은 시간적 단서를 찾아 타임라인을 구축합니다.

비유: 일련의 도미노를 배열하는 것과 같습니다. 텍스트에 "용의자가 들어가기 전에 창문을 부쉈다"라고 쓰여 있으면, 시스템은 "들어가기" 도미노 앞에 "부수기" 도미노를 배치합니다. 또한 "침입"은 보통 "훔치는 것" 전에 일어난다는 것과 같은 상식 규칙 (공리) 을 사용합니다.

그들은 무엇을 발견했습니까?

연구진들은 이 시스템을 절도나 자동차 도난과 같은 재산 범죄에 관한 450 건의 실제 경찰 보고서로 테스트했습니다.

성공률: 시스템이 식별한 사건의 약 **54%**가 매우 확신할 수 있는 수준 (1.0 점 만점에 0.80 점 이상) 이었습니다.
정확도: 인간 검토자가 시스템의 작업을 확인했을 때, 다음 세 가지 핵심 사항에 대해 100% 동의했습니다:
1. 사건이 어떻게 시작되었는지.
2. 어떤 물건이 도난당했는지.
3. 텍스트에 사용된 구체적인 시간적 단서.
어려움: 시스템은 "강제" 침입 여부 (예: 창문을 부수는 것 대 열린 문) 에 대해 인간과 동의하는 데 더 어려움을 겪었습니다. 이는 가장 혼란스러운 부분으로, 동의율은 40% 에 불과했습니다.

결론

이 논문은 "추측" 대신 엄격한 규칙과 사전을 사용함으로써, 이 시스템이 지저분한 경찰 이야기를 원래 문장으로 거슬러 올라가 추적할 수 있는 명확하고 조직화된 사실로 바꿀 수 있다고 주장합니다. 이는 손으로 쓴 지저분한 일기를 구조화된 데이터베이스로 바꾸는 것과 같아, 조사관들이 모든 단어를 수동으로 읽지 않고도 패턴과 타임라인을 파악하는 데 도움을 줍니다.

중요한 참고사항: 저자들은 이 도구가 분석과 조직화를 위한 것임을 분명히 합니다. 이는 수사 최종 결정이나 사람에 대한 판단을 내리도록 설계된 것이 아니며, 단순히 인간이 증거를 더 잘 검토할 수 있도록 증거를 조직화하는 데 도움을 줍니다.

기술 요약: 법집행 보고서의 의미 이해 및 추론을 위한 개념 지식 학습을 위한 경찰 활동 온톨로지

1. 문제 제기

법집행 사건 보고서는 구조화된 메타데이터 (예: 사건 번호, 범죄 코드) 와 비구조화된 자연어 서술로 구성됩니다. 구조화된 데이터는 기본 필터링 및 계수를 지원하지만, 사건의 시간적 순서, 특정 참여자 역할, 침입 방법, 도난 물품과 같은 중요한 수사 세부 사항은 종종 서술 텍스트 내에 exclusively(독점적으로) 내포되어 있습니다. 이러한 세부 사항에 체계적으로 접근하는 것은 보고서의 방대한 양, 언어적 변이, 그리고 개인정보 (PII) 를 보호하기 위한 익명화 (Redaction) 필요성으로 인해 어렵습니다. 얕은 문자열 매칭이나 수동 검토에 의존하는 기존 방법은 수사관과 분석가에게 병목 현상을 초래합니다. 핵심 과제는 이러한 익명화된 비구조화 서술을 소스 텍스트에 대한 추적성을 잃지 않으면서 기계가 읽을 수 있고, 감사 가능하며, 논리적 추론을 지원할 수 있는 "증거 연결 사실 (evidence-linked facts)"로 변환하는 것입니다.

2. 방법론

저자들은 다단계 파이프라인을 사용하여 경찰 서술을 형식적 온톨로지로 변환하는 기호적 프레임워크를 제안합니다. 이 접근법은 최종 추론 계층에서 기계 학습을 피하고, 대신 기호적 자연어 이해 (NLU) 와 지식 표현에 의존합니다.

A. 전처리 및 익명화

추출: PDF 보고서는 광학 문자 인식 (OCR) 을 통해 처리되어 서술 섹션을 추출하고, 텍스트를 문장 대소문자 형식으로 변환하며 아티팩트를 제거합니다.
익명화: spaCy 개체명 인식, 정규 표현식 및 메타데이터를 사용하는 규칙 기반 시스템이 PII(이름, 주소, 날짜, 차량 세부 정보) 를 익명화합니다.
가명화: 추적성을 보장하기 위해 매핑 로그를 유지하면서 개체들을 표준화된 자리표시자 (예: [PERSON_1], 피해자, 용의자) 로 대체합니다.

B. 의미 구문 분석 (의미 계층)

익명화된 텍스트는 AMRlib 파서 (BART-large 모델) 를 사용하여 추상 의미 표현 (AMR) 그래프로 구문 분석됩니다.

그래프 구조: AMR은 문장의 의미를 사건 (predicates) 과 그 논항 (arguments, 참여자) 의 그래프로 표현합니다.
역할 기반화: 가명들은 그래프 내의 특정 의미 유형 (예: 사람, 차량) 과 역할 (예: 행위자, 환자) 로 매핑됩니다.
어휘 자원: 시스템은 예측어와 논항을 정규화하기 위해 어휘 데이터베이스 체인을 활용합니다:
- PropBank: 동사 의미와 논항 역할을 제공합니다.
- VerbNet (SemLink 를 통해): PropBank 의미를 의미적 동사 클래스에 매핑합니다.
- WordNet: 논항의 "is-a" 유형 분류를 위한 상위어 계층 구조를 제공합니다 (예: "창문"을 구조적 부분으로 구분).

C. 온톨로지 구축 및 매핑

추출된 AMR 그래프는 Protégé에서 구축된 OWL 2 온톨로지에 매핑됩니다.

구조: 온톨로지에는 TBox(클래스 스키마), RBox(속성 스키마), ABox(인스턴스 사실) 가 포함됩니다. 주요 클래스로는 Event(사건), Entity(개체), ParticipationRole(참여 역할) 이 있습니다.
매핑 규칙: 예측어 - 논항 구조 (예: steal-01 :ARG0 x :ARG1 y) 는 온톨로지 어설션 (예: TheftEvent(e), hasAgent(e,x)) 으로 변환됩니다.
기술 논리 (DL) 제약: 시스템은 모든 참여가 사건과 연결되도록 하고, 특정 사건 유형 (예: TheftEvent) 이 특정 참여자 (예: 도난된 Item) 를 필요로 하는 것과 같은 구조적 불변성을 강제합니다.

D. 사건 유형 분류 및 신뢰도 점수화

시스템은 사건 유형 (예: ForcedEntryEvent, TheftEvent) 을 할당하고 신뢰도 점수 $c(e) \in [0,1]$ 를 계산합니다.

2 단계 유형 분류:
1. 예측어 계열 단계: 동사 계열에 기반하여 거친 후보 유형을 생성합니다.
2. 논항 민감 단계: 논항의 의미 유형에 기반하여 유형을 정제합니다 (예: 대상이 재산 항목인 경우 "도난" 해석을 강화).
신뢰도 계산: 점수는 다음과 같은 휴리스틱 합계입니다:
- 기본 점수: 사건 카테고리에 의해 결정됨 (예: 핵심 사건은 0.55 로 시작).
- 어휘 기반화: 완전한 PropBank→VerbNet→WordNet 매핑에 대한 보너스.
- 구조적 지원: 예상 패턴 일치 (예: 도난 물품의 존재) 에 대한 보너스.
- 감점: 모호성, 부정, 또는 불확실한 언어에 대한 공제.
- 최종 점수: 규칙 사전 확률 (70%) 과 증거 기반 점수 (30%) 의 가중치 혼합.

E. 시간적 추론

시스템은 노드가 사건이고 가장자리가 선행 관계인 시간적 그래프를 구성합니다.

단서 기반 가장자리: 텍스트의 시간적 표시 (예: "그리고 나서", "이전에", "이후에") 에서 유도됩니다.
도메인 공리: 경찰 절차에 기반한 논리적 규칙이 선행 관계를 강제합니다 (예: ForcedEntryEvent는 일반적으로 TheftEvent에 선행함).

3. 주요 기여

증거 연결 사실 추출: 수동 검토의 병목 현상을 해결하기 위해 익명화된 서술을 특정 문장에 추적 가능한 구조화된 사실로 변환하는 파이프라인.
경찰 활동을 위한 기호적 NLU: 최종 추론을 위해 블랙박스 기계 학습 모델에 의존하지 않고 경찰 보고서의 언어적 변이와 개인정보 보호 제약을 처리할 수 있음을 보여주는 기호적 방법 (AMR + 온톨로지) 의 실증.
시간적 그래프 구성: 비구조화 텍스트에서 사건 타임라인을 재구성하기 위해 언어적 단서와 도메인 공리를 통합.
감사 가능한 신뢰도: 추출된 사건의 신뢰성을 정량화하여 분석가가 신뢰도 임계값에 따라 결과를 필터링할 수 있도록 하는 점수화 메커니즘.

4. 결과

이 프레임워크는 로체스터 경찰서 (Rochester Police Department) 의 450 건의 재산 범죄 보고서(강도, 절도, 자동차 절도, 강도, 도난 재산) 코퍼스에 대해 평가되었습니다.

추출 성능:
- 시스템은 6,686 개의 사건과 6,652 개의 프레임을 추출했습니다.
- 추출된 사건의 **54.1%**가 신뢰도 점수 $\ge 0.80$ 을 달성했습니다.
- 사건 중 **93.7%**가 전체 PropBank→VerbNet→WordNet 의미 경로를 통해 성공적으로 매핑되었습니다.
- ARG1(환자/대상) 커버리지는 높았으나 (78.8%), ARG0(행위자) 커버리지는 낮았습니다 (29.8%). 이는 서술이 대상을 명시적으로 언급하는 경향이 있지만 행위자 정체성은 모호하게 만드는 경향을 반영합니다.
프레임 슬롯 채우기:
- 진입 지점은 41.8% 의 사례에서 채워졌습니다.
- 진입 방법은 33.4% 에서 채워졌습니다.
- 도난 물품은 22.8% 에서 채워졌습니다.
시간적 순서화:
- 전체 코퍼스에서 102 개의 시간적 가장자리가 추출되었습니다.
- 이 중 **78.4%**는 도메인 공리에서 유도된 반면, 명시적 텍스트 단서에서 유래한 것은 21.6% 에 불과했습니다.
인간 검토:
- 5 개의 익명화된 서술에 대한 6 명의 검토자를 대상으로 한 연구에서 사건 개시, 도난 물품, 시간 단서, 참여자 역할에 대해 시스템과 인간 다수 간의 100% 일치를 보였습니다.
- 차량 관련, 도난 명시, 전체 신뢰도에 대한 일치도는 **80%**였습니다.
- 강제 침입에 대한 일치도는 **40%**였으며, 이는 여전히 해석이 어려운 과제임을 나타냅니다.
- "도난 물품"과 "시간 단서"에 대한 정밀도/재현율/F1 점수는 완벽했습니다 (100%).

5. 중요성 및 주장

이 논문은 기호적 NLU 기법이 구조화된 메타데이터에 누락된 익명화된 서술에서 사건 세부 사항을 효과적으로 복원할 수 있다고 주장합니다. 그 중요성은 다음 능력에 있습니다:

분석 확장: 대량의 보고서에서 증거 연결 사실 추출을 자동화.
개인정보 보호 유지: 사건 구조에 대한 추론 능력을 훼손하지 않으면서 익명화된 텍스트를 처리.
추적성 보장: 추출된 모든 사실은 소스 문장과 사용된 특정 의미 경로에 연결되어 감사 가능성을 제공.
불확실성 처리: 신뢰도 점수화 시스템이 강제 침입 해석과 같은 불확실한 추출을 명시적으로 플래그로 표시하여 법적 및 수사적 맥락에서 결정적인 분류를 강제하지 않음.

저자들은 명시적으로 이 시스템이 인간의 판단을 대체하거나 인간 감독 없이 개인에 대한 결론을 내리기 위한 것이 아니라, 수사와 검토를 지원하도록 설계되었다고 명시합니다. 이 작업은 내부 경찰 사용을 위한 기호적 NLU 파이프라인을 추가함으로써 OpenBWC 이니셔티브를 확장합니다.