💬 NLP

CVPD at QIAS 2026: RAG-Guided LLM Reasoning for Al-Mawarith Share Computation and Heir Allocation

Dit paper introduceert een RAG-gestuurd LLM-systeem dat, door gebruik te maken van synthetische data en hybride retrieval, de eerste plaats behaalt op de QIAS 2026-leaderboard met een MIR-E-score van 0,935 voor het nauwkeurig berekenen van islamitische erfopvolging.

Oorspronkelijke auteurs: Wassim Swaileh, Mohammed-En-Nadhir Zighem, Hichem Telli, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Fadi Dornaika, Dimitrios Kotzinos

Gepubliceerd 2026-03-26

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Wassim Swaileh, Mohammed-En-Nadhir Zighem, Hichem Telli, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Fadi Dornaika, Dimitrios Kotzinos

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, ingewikkelde erfenis moet verdelen volgens de islamitische wet. Dit is geen simpel "wie krijgt wat?"-vraagje. Het is meer als het oplossen van een wiskundig raadsel met strenge regels, waarbij je moet weten wie er recht heeft op een stukje, wie er wordt uitgesloten, en hoe je de brokken precies moet verdelen zodat alles optelt tot 100%.

Deze paper vertelt het verhaal van een team (CVPD) dat een slimme computer heeft gebouwd om deze taak op te lossen. Ze deden dit voor een wedstrijd genaamd QIAS 2026 en wonnen met glans.

Hier is hoe ze het deden, vertaald naar alledaagse taal:

1. Het Probleem: Een Wiskundig Raadsel met Regels

Islamitische erfrecht (QIlm al-Mawarith) is niet zomaar een tekst die je kunt lezen. Het is een stap-voor-stap proces.

Stap 1: Wie mag er erfen? (De kinderen, de vrouw, de broer?)
Stap 2: Wie wordt uitgesloten? (Soms blokkeert iemand anders het recht van een ander, net als in een rij waar de eerste persoon de rest wegduwt).
Stap 3: De verdeling. Soms is er te weinig geld voor iedereen (dan moet je alles evenredig verkleinen), en soms is er te veel (dan moet je het verdelen).
De valkuil: Computers zijn goed in praten, maar slecht in strikte wiskunde en het volgen van exacte regels. Als je een gewone AI vraagt dit te doen, maakt hij vaak kleine rekenfouten of vergeten hij een stap.

2. De Oplossing: De "Slimme Bibliotheek" (RAG)

In plaats van de computer te dwingen om alles uit zijn hoofd te leren (wat vaak fouten oplevert), hebben de onderzoekers een RAG-systeem (Retrieval-Augmented Generation) gebouwd.

Je kunt dit zien als een zeer slimme advocaat-assistent die drie dingen doet:

Stap A: De "Oefenboeken" (Synthetische Data)

Voordat de computer de echte wedstrijd begon, hebben de onderzoekers een grote fabriek gebouwd. Deze fabriek heeft 100.000 fictieve erfgevallen gegenereerd met een rekenmachine die nooit fouten maakt.

Analogie: Het is alsof je een student 100.000 wiskundetoetsen laat maken met de antwoorden erbij, zodat hij de logica van de regels perfect begrijpt voordat hij naar de echte examenhal gaat.

Stap B: De "Slimme Zoeker" (Hybrid Retrieval)

Wanneer er een nieuw, echt erfgeval binnenkomt, gaat de computer niet blindelings raden. Hij kijkt eerst in zijn bibliotheek.

Hij zoekt naar eerdere gevallen die lijken op het huidige probleem.
Hij gebruikt twee methoden: een die kijkt naar de betekenis (zoals een mens die begrijpt wat er gezegd wordt) en een die kijkt naar woorden (zoals een zoekmachine die exacte termen zoekt).
Analogie: Het is alsof een advocaat snel door zijn archief bladt om te zien: "Hebben we dit al eens eerder gehad? Hoe hebben we dat toen opgelost?"

Stap C: De "Controleur" (Validatie)

Dit is misschien wel het belangrijkste deel. De computer schrijft het antwoord op, maar voordat hij het inlevert, gaat een streng controlemechanisme eroverheen.

Het controleert: "Zijn alle namen erbij?" "Tellen de percentages op tot 100?" "Is de opmaak precies goed?"
Als er iets niet klopt, wordt het antwoord niet ingeleverd, maar wordt het automatisch gecorrigeerd of aangevuld.
Analogie: Het is als een keurmeester in een fabriek. Zelfs als de machine een perfect product maakt, mag het de fabriek niet uit zonder dat de keurmeester heeft gecontroleerd of het voldoet aan de wet.

3. Het Resultaat: De Winnaar

In de wedstrijd (QIAS 2026) kregen alle teams dezelfde moeilijke vragen.

De meeste teams maakten fouten in de rekenstappen of de opmaak.
Het team van CVPD (met hun systeem) haalde een score van 0.935 (bijna perfect) en werd eerste.

Waarom wonnen ze?
Omdat ze niet alleen vertrouwden op de "intelligentie" van de AI, maar ook op:

Goede bronnen: Ze gebruikten alleen betrouwbare, wiskundig correcte boeken (PDF's) en geen rommel van het internet.
Controle: Ze lieten de AI niet alleen werken; ze bouwden een veiligheidsnet om fouten te vangen.

Samenvatting in één zin

Stel je voor dat je een jurist bent die een erfenis moet verdelen: in plaats van alleen te vertrouwen op je eigen geheugen, heb je een perfecte rekenmachine, een bibliotheek met alle vorige oplossingen, en een streng keurmeester die controleert of alles klopt voordat je het resultaat afgeeft. Dat is precies wat dit systeem doet, en daarom wonnen ze de wedstrijd.

Titel en Context

Titel: CVPD bij QIAS 2026: RAG-gestuurde LLM-resonering voor Al-Mawarith (Islamitische Erfrecht) Berekening en Toewijzing van Erfgenamen.
Auteurs: Wassim Swaileh et al. (Universiteiten in Frankrijk, Algerije, Spanje en Italië).
Doel: Het winnen van de QIAS 2026 (Islamic Inheritance Reasoning) challenge door een systeem te bouwen dat islamitisch erfrecht (QIlm al-Mawarith) met hoge precisie kan berekenen en redeneren.

1. Het Probleem

Islamitisch erfrecht is een complex, meerstaps juridisch redeneerprobleem dat de volgende elementen vereist:

Identificatie van rechtmatige erfgenamen.
Oplossen van blokkades (hajb).
Toewijzen van vaste en residuale aandelenshares.
Handelen van aanpassingen ('Awl of Radd) wanneer de som van de aandelen niet overeenkomt met het totaal.
Uitvoer van een consistente verdeling na taṣīl (verdeling).

Uitdagingen:

Variatie: De regels verschillen per soennitische rechtsschool (madhāhib) en nationale burgerlijke wetgevingen.
Complexiteit: Modellen moeten redeneren onder expliciete juridische configuraties in plaats van te vertrouwen op impliciete parametrische kennis.
Structuur: De output moet niet alleen juridisch correct zijn, maar ook een strikt gestructureerd formaat volgen (JSON) om te voldoen aan de evaluatiemetrics (MIR-E).
Data-ongelijkheid: De trainingsdata is gedomineerd door simpele gevallen, terwijl de testdata veel complexere scenario's (zoals Radd) bevat.

2. Methodologie

Het team heeft een Retrieval-Augmented Generation (RAG) pijplijn ontwikkeld die bestaat uit drie hoofdcomponenten:

A. Kennisopbouw (Symbolische Generator)

Om de tekortkomingen in de trainingsdata te compenseren en juridische nauwkeurigheid te garanderen, hebben de auteurs een symbolische, regelgebaseerde generator ontwikkeld:

Synthetische Data: Er zijn ongeveer 100.000 unieke synthetische gevallen gegenereerd.
Deterministische Berekening: Een symbolische rekenmachine lost elk geval op volgens de strikte regels van het islamitische erfrecht (blokkades, aandelen, aanpassingen) voordat er natuurlijke taal wordt gegenereerd.
Output: Elk geval wordt omgezet in vier weergaven: Arabische probleemtekst, Q&A-formaat, expliciete redeneertraces en volledige gestructureerde output.
Doel: Dit zorgt voor een corpus met volledige, wiskundig consistente redeneertraces.

B. Hybride Retrieval en Reranking

Tijdens het inferentieproces wordt de meest relevante context opgehaald:

Hybride Zoeken: Combinatie van dichte semantische zoekopdrachten (embeddings) en verspreide BM25-lexicale zoekopdrachten.
Fusie: De resultaten worden gefuseerd met Reciprocal Rank Fusion (RRF) met gewichten $\alpha=0.7$ (semantisch) en $\beta=0.3$ (lexicaal).
Reranking: Een Cross-Encoder sorteert de top-kandidaten opnieuw om de meest relevante juridische precedenten te selecteren.
Bronanalyse: Experimenten toonden aan dat curated PDF-jurisprudentie aanzienlijk beter presteert dan webbronnen of een mix van beide, vanwege de hogere semantische precisie en minder ruis.

C. Gestructureerde Generatie en Validatie

Model: Het systeem gebruikt Qwen3.5-9B als basis LLM.
Prompting: De prompt vraagt om een decompositie in redenering (<reasoning>) en een gestructureerd antwoord (<answer> in JSON).
Deterministische Validatie: Een post-processing-module controleert de output op vier soorten constraints:
1. Sleutels: Existentie van cruciale velden (erfgenamen, aandelen, etc.).
2. Typen: Correcte data-types.
3. Labels: Geldige juridische waarden.
4. Massa-consistentie: De som van de verdelingen moet binnen een tolerantie ( $\epsilon=5$ ) van 100% liggen.
Fallback: Als niet-kritieke velden ontbreken, worden standaardwaarden ingevuld om de volledigheid van de inzending te waarborgen.

3. Belangrijkste Resultaten

Leaderboard: Het systeem behaalde een MIR-E-score van 0.935 en behaalde de 1e plaats op de officiële QIAS 2026 blind-test leaderboard.
Vergelijking: De winnende marge was klein (0.935 vs. 0.931 voor de tweede plaats), wat aantoont dat het een zeer competitieve omgeving is.
Benchmarks: Zonder de RAG-pijplijn en validatie lagen de scores van off-the-shelf modellen (zoals Qwen 3.5 9B) veel lager (0.347), voornamelijk door fouten in de outputstructuur en volledigheid.
Ablatie-studie:
- Alleen PDF-bronnen leverden de hoogste kwaliteit op (97,5-100% succesvolle retrievals).
- Webbronnen alleen of in combinatie met PDF verlaagden de semantische kwaliteit en introduceerden ruis.

4. Key Contributions (Bijdragen)

Rule-Grounded Synthetic Data: Het creëren van een groot corpus van 100k synthetische gevallen met volledige redeneertraces, wat de trainingsdata-ongelijkheid oplost en de juridische consistentie garandeert.
Schema-Constrained Generation: Een pipeline die retrieval combineert met een deterministische validatielaag, wat essentieel is voor het garanderen van de strikte outputformaten die vereist zijn in juridische taken.
Bronselectie Inzicht: Het bewijzen dat voor hoogwaardig juridisch redeneren in het Arabisch, curateerde juridische documenten (PDF) superieur zijn aan open webdata voor retrieval-systemen.
Systeemprestatie: Het bereiken van state-of-the-art resultaten (1e plaats) door te focussen op engineering rondom de generatie (validatie, fallback) in plaats van alleen het kiezen van een groter model.

5. Significatie en Toekomstperspectief

Betekenis: Dit paper toont aan dat voor hoogprecisie juridische taken (zoals islamitisch erfrecht) pure LLM-kennis niet voldoende is. Succes vereist een combinatie van retrieval-gedreven context, symbolische validatie en strakke schema-beperkingen.
Foutanalyse: De resterende fouten zitten voornamelijk in complexe blokkeringslogica (hajb over generaties) en fractionele rekenfouten, niet in taalbegrip.
Toekomst: Verdere verbeteringen zullen waarschijnlijk komen uit het uitbreiden van de symbolische regels naar meer rechtsscholen (madhāhib), het toevoegen van vertrouwen-gebaseerde retrieval, en het integreren van neuro-symbolische constraints voor complexere rekenproblemen.

Kortom, de CVPD-bijdrage demonstreert dat een zorgvuldig ontworpen RAG-pijplijn met strenge validatie de sleutel is tot het oplossen van complexe, gestructureerde juridische taken in het Arabisch.