An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

Technische Samenvatting: Ontologie-gestuurde Multi-Anchor Graph Retrieval voor de Bepaling van Verkeersrechtelijke Aansprakelijkheid

Probleemstelling
De bepaling van verkeersrechtelijke aansprakelijkheid is een complex juridisch proces dat de gelijktijdige identificatie vereist van onderling afhankelijke wettelijke bepalingen over meerdere dimensies, zoals ongevalsscènes, overtredingstypes, verantwoordelijke partijen en regels voor aansprakelijkheidsverdeling. Bestaande Retrieval-Augmented Generation (RAG)-benaderingen kampen met een "multi-dimensionale retrieval-bottleneck". Standaard dense retrieval comprimeert veelzijdige juridische queries naar een enkele vector, waardoor de dominante semantische dimensie (bijv. de specifieke overtreding) andere juridisch relevante dimensies verdringt. Evenzo falen kennisgrafen-gebaseerde systemen die vanuit één enkel start-entiteit navigeren vaak in het ophalen van bepalingen die verankerd zijn in andere ontologische dimensies, indien de initiële extractie een cruciale entiteit mist. Gevolgelijk zijn de gegenereerde antwoorden door deze single-axis architecturen vaak juridisch incompleet, omdat ze er niet in slagen het volledige spectrum van co-applicabele statuten te vatten die vereist zijn voor een geldige aansprakelijkheidsbepaling.

Methodologie: OMAGR en TrafficOmni-RAG
Om deze bottleneck aan te pakken, stellen de auteurs OMAGR (Ontology-Guided Multi-Anchor Graph Retrieval) voor, geïnstantieerd als de kern van de retrieval-engine van TrafficOmni-RAG, een end-to-end juridisch QA-systeem. De methodologie werkt via de volgende fasen:

1. Constructie van Juridische Ontologie en Kennisgraaf:
   Het systeem is gebouwd op een zesdimensionale juridische ontologie ($O = \{D_1, ..., D_6\}$) afgeleid van zes Chinese verkeerswetgevende bronnen (waaronder de Road Traffic Safety Law en rechterlijke interpretaties). De dimensies zijn:

   • Retrieval Anchors: Ongevalsscène ($D_1$), Overtredingstype ($D_2$), Verantwoordelijke Partij ($D_3$) en Aansprakelijkheidscategorie ($D_4$).
   • Resultaatdimensies: Juridisch Gevolg ($D_5$) en Schadetype ($D_6$).
     Een Neo4j kennisgraaf ($G$) is geconstrueerd met 527 bepalingen. Bepalingen zijn knopen die verbonden zijn door getypeerde randen die ontologische associaties, inter-provisional cross-references en statutaire hiërarchieën representeren.

2. Parallel Multi-Anchor Retrieval:
   In tegenstelling tot single-path traversals, deelt OMAGR een gebruikersquery op in gestructureerde juridische anchors die zijn uitgelijnd met de ontologie. Het voert parallelle graph retrievals uit over de vier anchor-dimensies ($D_1$–$D_4$) tegelijkertijd. Dit garandeert dat elke juridisch relevante dimensie een onafhankelijk retrieval-pad krijgt, waardoor wordt voorkomen dat het dominante semantische signaal andere kritieke dimensies onderdrukt.

3. Ondersteunende Mechanismen:

   • Query Expansie: Genereert geparafraseerde formuleringen om de lexicale en topische recall binnen het pad van elke anchor te verbeteren.
   • Two-Hop Relational Expansion: Traverseert inter-provisional cross-reference randen vanaf de top overtredingsresultaten om co-applicabele statuten te herstellen (bijv. sancties gekoppeld aan procedurele artikelen) die niet direct bereikbaar zijn via primaire ontologische randen.
   • Dense Retrieval: Biedt een semantische fallback voor bepalingen die een zwakke grafische connectiviteit hebben.
   • Fusie en Verfijning: Alle opgehaalde sets worden samengevoegd met behulp van Reciprocal Rank Fusion (RFF). Een cross-encoder reranker selecteert de top 8 bepalingen, gevolgd door Maximal Marginal Relevance (MMR) om bijna-duplicaten te verwijderen en contextuele pruning van de hiërarchie om de token-allocatie te optimaliseren.

4. Generatie:
   De verfijnde set bepalingen dient als context voor een generator LLM (GLM-4-Flash). Het systeem maakt gebruik van citation-grounded generatie, waarbij het model wordt geïnstrueerd om letterlijke statutaire zinsdelen als bewijs in te bedden en citaties buiten de opgehaalde set te verbieden om hallucinaties te minimaliseren.

Belangrijkste Bijdragen

1. OMAGR Framework: De voorstel van een parallel multi-anchor graph retrieval architectuur die specifiek is ontworpen om de multi-dimensionale retrieval-bottleneck in juridische domeinen op te lossen.
2. TrafficLaw-QA Benchmark: De introductie van een nieuwe, door experts gevalideerde benchmark-dataset met 200 vragen en 527 juridische bepalingen. De dataset is geannoteerd onder een double-blind protocol (Cohen's $\kappa = 0.82$) en richt zich specifiek op scenario's die multi-statute grounding over onderling afhankelijke dimensies vereisen.
3. Empirische Validatie: Demonstratie door middel van experimenten en ablatie-studies dat het voorgestelde systeem de Context Precision en Faithfulness substantieel verbetert ten opzichte van baselines.

Experimentele Resultaten
Geëvalueerd op de TrafficLaw-QA dataset met behulp van RAGAS-metrieken, presteerde TrafficOmni-RAG beter dan drie baselines: Naive RAG (alleen dense vector), TrafficRAG (hybride BM25-dense), en LlamaIndex KG (single-entity graph traversie).

• Context Precision: TrafficOmni-RAG behaalde de hoogste score (0.915), wat aanzienlijk beter is dan LlamaIndex KG (0.722). De auteurs schrijven dit toe aan het multi-anchor ontwerp dat bepalingen uit alle relevante dimensies ophaalt in plaats van te clusteren rond een enkele entiteit.
• Faithfulness: Het systeem behaalde 0.787, waarmee het Naive RAG (0.625) en LlamaIndex KG (0.751) overtrof.
• Ablatie-studies: Het verwijderen van de multi-anchor component (terugkeren naar single-anchor retrieval) veroorzaakte de grootste daling in prestaties (Context Precision daalde van 0.915 naar 0.862), wat bevestigt dat de parallelle retrieval-structuur de primaire drijfveer van succes is.
• Trade-offs: Hoewel TrafficRAG een iets hogere Context Recall behaalde (0.896 vs. 0.885) door BM25 keyword matching, gaf TrafficOmni-RAG prioriteit aan precisie, wat de auteurs functioneel superieur achten voor juridische QA om de risico's op hallucinaties door irrelevante context te verminderen.

Significantie en Claims
Het artikel claimt dat parallel multi-anchor retrieval effectief de inherente multi-dimensionale retrieval-bottleneck bij de bepaling van verkeersrechtelijke aansprakelijkheid oplost. Door te garanderen dat onafhankelijke bewijsvoering wordt verzameld voor elke juridisch relevante dimensie vóór fusie, biedt het framework een veelbelovende richting voor juridisch onderzoek waar single-axis architecturen falen om de onderling afhankelijke aard van statutaire bepalingen te vatten. De auteurs positioneren TrafficOmni-RAG niet louter als een verbetering van retrieval-metrieken, maar als een noodzakelijke structurele verschuiving om de complexiteit van juridische redenering aan te pakken, waarbij een enkel ongeval gelijktijdig bepalingen in meerdere statutaire categorieën activeert.

Beperkingen
De auteurs erkennen verschillende beperkingen: de kwaliteit van de anchor-extractie is afhankelijk van de LLM-parsing stap (met een geobserveerde F1 van 64,3% in blind evaluatie), het systeem gebruikt een vaste twee-hop expansieradius die diepere afhankelijkheidsketens kan missen, en de huidige implementatie is exclusief voor de Chinese verkeerswetgeving, wat verdere evaluatie vereist voor grensoverschrijdende generaliseerbaarheid.