Automatic Construction of a Legal Citation Graph from 100 Million Ukrainian Court Decisions: Large-Scale Extraction, Topological Analysis, and Ontology-Driven Clustering

Technische Samenvatting: Automatische Constructie van een Juridisch Citatiegraph uit 100 Miljoen Oekraïense Gerechtelijke Beslissingen

Probleemstelling
Het Geïntegreerde Staatsregister van Gerechtelijke Beslissingen (EDRSR) vertegenwoordigt het grootste open justitiële corpus in continentaal Europa, met meer dan 100 miljoen beslissingen. Ondanks zijn omvang is deze bron grotendeels onbenut gebleven voor computationele juridische analyse. Bestaand onderzoek naar juridische citatienetwerken heeft zich gericht op rechtsstelsels met common law (bijv. VS, Nederland, Denemarken), waar citatieconventies expliciet zijn en de datasets kleiner zijn (10³–10⁵ beslissingen). Continentale rechtsstelsels zoals dat van Oekraïne stellen specifieke uitdagingen: citaties richten zich op wetsartikelen in plaats van eerdere zaken, formaten zijn inconsistent door morfologische variaties en afkortingen, en de enorme omvang (1,1 TB tekst) vereist industriële verwerking. Er is tot nu toe geen enkel werk geprobeerd citatie-extractie op de schaal van 100 miljoen beslissingen.

Methodologie
Het artikel stelt een drie-trapsproces voor: grootschalige extractie, topologische analyse en door een ontologie gestuurde clustering.

1. Grootschalige Extractiepijplijn:

   • Data Bron: 100,7 miljoen gerechtelijke beslissingen (99,5 miljoen volledige teksten) uit het EDRSR, over de periode 2000–2026.
   • Techniek: Een op regex gebaseerde pijplijn verwerkt de data partitie voor partitie met behulp van Python-multiprocessing en server-side PostgreSQL-cursors.
   • Doeltypen: Zes citatietypen worden geëxtraheerd: (1) Verwijzingen naar codexartikelen (bijv. "ст. 625 ЦК України"), (2) Verwijzingen naar benoemde wetten, (3) Verwijzingen naar de Grondwet, (4) Inter-case verwijzingen, (5) Verwijzingen naar wetten per nummer, en (6) Verwijzingen naar uitspraken van het Hooggerechtshof.
   • Prestaties: De pijplijn verwerkt ongeveer 200.000 rijen per seconde op een enkele 16-kernserver, waarbij de extractie van 502 miljoen citatielinks in ongeveer 5 uur wordt voltooid.
   • Validatie: Op een handmatig geannoteerde steekproef van 200 beslissingen (1.903 citaties) bereikte de pijplijn 100% precisie voor alle zes typen. Een recall-proxy van 0,86 werd waargenomen bij kruiscontrole met opgeslagen records, waarbij het gat van 14% wordt toegeschreven aan normalisatieverschillen (bijv. uitbreiding van artikelreeksen) in plaats van gemiste substantiële citaties.

2. Graph Constructie:

   • Bipartiete Graph ($G_B$): Knopen vertegenwoordigen beslissingen ($D$) en wetsartikelen ($L$). Randen verbinden een beslissing met de wetgeving die het citeert.
   • Co-citatie Projectie ($G_L$): Een unipartiete graph waarin wetsartikelen met elkaar verbonden zijn als ze samen in dezelfde beslissing worden geciteerd. Randgewichten weerspiegelen de frequentie van co-citatie en dienen als proxy voor semantische verwantschap.
   • Beslissingen-Verwantschap Graph ($G_D$): Een graph die beslissingen met elkaar verbindt die gemeenschappelijke wetgeving citeren (traag berekend).

3. Analyse en Ontologieconstructie:

   • Community Detectie: Het Louvain-algoritme wordt toegepast op de co-citatieprojectie om clusters van wetsartikelen te identificeren.
   • Ontologie Afleiding: Deze clusters vormen een automatisch geconstrueerde juridische ontologie waarbij klassen overeenkomen met juridische domeinen (bijv. Civiel, Strafrecht) en individuen de specifieke artikelen zijn. Deze aanpak vertrouwt op de distributieve hypothese ("je kent een wet aan de beslissingen die er naar verwijzen") zonder gelabelde data of embedding-modellen te vereisen.

Belangrijkste Resultaten

• Schaal en Efficiëntie: Het onderzoek heeft succesvol 502 miljoen citatie-randen geëxtraheerd die beslissingen verbinden met 18,4 miljoen unieke wetsartikelen. Deze dataset is drie tot vier ordes van grootte groter dan eerdere studies naar juridische citaties.
• Topologische Eigenschappen:
  • Krachtwetverdeling: De graadverdeling van wetsartikelen volgt een krachtwet met exponent $\alpha = 1,57 \pm 0,008$. Dit plaatst het Oekraïense netwerk tussen het Hof van Justitie van de EU ($\alpha \approx 1,7$) en het Hooggerechtshof van de VS ($\alpha \approx 2,1$), wat wijst op een zware staart waarbij een kleine set "hub"-artikelen (bijv. procesrechtcodes) door miljoenen beslissingen wordt geciteerd.
  • Centraaliteitsdivergentie: PageRank-centraaliteit divergeert aanzienlijk van ruwe citatieaantallen (Spearman $\rho = 0,70$). Zo staat Artikel 19 van de Grondwet op de 42e plaats qua ruw aantal, maar op de 3e plaats qua PageRank, wat zijn structurele rol als brug tussen juridische domeinen weerspiegelt.
• Ontologische Herstelling: Community-detectie op de co-citatiegraph herstelt succesvol gevestigde juridische domeinen (Civiel, Strafrecht, Bestuursrecht, Handelsrecht) met modulariteitsscores ($Q$) tussen 0,44 en 0,55. De structuur toont hoge temporele stabiliteit (Genormaliseerde Mutuele Informatie NMI = 0,83–0,86 over vierjarenperioden), wat de graph bevestigt als een duurzame representatie van de rechtsorde.
• Voorspellende Kracht: Een logistische regressiemodel dat citatiefuncties gebruikt (historische volume, groeiverhouding, etc.) voorspelt de 1.000 meest geciteerde artikelen in de toekomst met een AUC van 0,9984, wat aanzienlijk beter presteert dan een naïeve frequentie-basislijn.
• Temporele Dynamiek en Crisisdetectie:
  • Wetgevende Hervormingen: De graph vangt kwantitatieve faseverschuivingen op die overeenkomen met grote hervormingen, zoals de lancering van het Wetboek van Strafvordering in 2012 en de gerechtelijke hervorming in 2017.
  • Oorlogseffect: De Russische invasie in 2022 wordt gedetecteerd als een piek in citatie-entropie ($H: 11,02 \to 13,49$) en het ontstaan van nieuwe knopen gerelateerd aan oorlogswetgeving (bijv. Artikel 111-1 van het Wetboek van Strafrecht betreffende collaboratie).

Betekenis en Aanspraken
Het artikel claimt drie primaire bijdragen:

1. Schalbare Extractie: Het toont aan dat juridische NLP op industriële schaal kan worden bereikt op handelsware-hardware met behulp van eenvoudige regex-gebaseerde methoden, waarbij hoge precisie wordt bereikt zonder gespecialiseerde infrastructuur.
2. Datagedreven Ontologie: Het biedt de eerste machine-leesbare ontologie voor Oekraïense wettelijke relaties, volledig afgeleid uit juridische praktijk in plaats van door experts samengesteld. Dit adresseert een structurele kloof in door ontologie-gestuurde LLM-systemen, waarbij een domeinlaag wordt geboden die juridisch redeneren verankert in daadwerkelijke gebruikspatronen.
3. Kwantitatieve Rechtsgeschiedenis: De citatiegraph dient als een hoog-resolutie registratie van overgangen in wetgevende regimes, in staat om systemische veranderingen (hervormingen, invasies) te detecteren via verschuivingen in citatie-entropie en dichtheid.

De auteurs positioneren dit werk als een uitbreiding van de programma's voor kennisextractie en distributieve semantische modellering voorgesteld door Palagin et al., hier toegepast op een schaal en domein die eerder niet waren geprobeerd in Oekraïense NLP. De resulterende ontologie wordt operationeel gemaakt als de domeinlaag voor workflow-geheugensystemen in door LLM ondersteunde juridische analyse, waardoor geïnformeerde menselijke correcties van AI-outputs mogelijk worden. De extractiepijplijn, analysecode en geaggregeerde statistieken worden vrijgegeven als open data.