Freeing the Law with LOCUS: A Local Ordinance Corpus for the United States
Dit artikel introduceert LOCUS, een uitgebreid, machineleesbaar corpus van vrijwel alle publiekelijk beschikbare Amerikaanse gemeentelijke en provinciale verordeningen, afgeleid via OCR uit gefragmenteerde bronnen, vergezeld van geharmoniseerde toegangslagen en gespecialiseerde AI-modellen om grootschalig juridisch onderzoek en analyse van lokale wetgeving mogelijk te maken.
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 de wet voor als een enorme, meerlagige bibliotheek. Jarenlang waren juridische AI's (computerprogramma's die de wet begrijpen) erg goed in het lezen van de "grote boeken" op de bovenste planken: federale wetten, staatsstatuten en rechtspraak. Dit zijn de regels die voor iedereen in het hele land of een hele staat gelden.
Maar er is een heel kelderniveau in de bibliotheek dat afgesloten is en vol stof ligt: lokale wetgeving. Dit zijn de regels die jouw stad of district maken over zaken als bestemmingsplannen (waar je een huis kunt bouren), geluidsniveaus, bedrijfsvergunningen en dierencontrole.
Het artikel introduceert LOCUS (Local Ordinance Corpus for the United States), wat in essentie een enorm project is om die kelder te ontsluiten, de boeken op te schonen en ze op een digitale plank te plaatsen waar computers ze eindelijk kunnen lezen.
Hier is een overzicht van wat ze hebben gedaan, met behulp van eenvoudige analogieën:
1. Het Probleen: Een bibliotheek zonder catalogus
Vóór LOCUS was het vinden van lokale wetten alsof je een specifiek recept probeerde te vinden in een bibliotheek waar elke stad zijn eigen kookboek had, maar:
- De boeken waren in verschillende talen (formaten).
- Sommige waren handgeschreven, sommige getypt, en sommige waren gewoon kopieën van kopieën (gescande PDF's).
- Er was geen meesterlijst die vertelde welke stad welk boek had.
- Je kon niet simpelweg een bibliothecaris (een zoekmachine) vragen naar "alle regels over parkeren in Amerika", omdat de boeken verspreid lagen over duizenden verschillende websites die ontworpen zijn voor mensen om doorheen te bladeren, niet voor computers om te scannen.
2. De Oplossing: Het "LOCUS"-project
De auteurs bouwden een enorme pijplijn om dit op te lossen. Denk aan een team van robots met superkrachtige ogen en hersenen:
- De Verzamelaars: Ze stuurden robots naar duizenden stads- en districtwebsites om de wetboeken te downloaden.
- De Vertalers (OCR): Omdat veel wetten slechts afbeeldingen van tekst waren (gescande PDF's), gebruikten ze een speciale AI (genaamd LightOnOCR) om de afbeeldingen te "lezen" en ze om te zetten in digitale tekst, zoals het omzetten van een handgeschreven brief in een Word-document.
- De Organiseerders: Ze maakten de tekst schoon, verwijderden paginanummers en koppen, en hakten de enorme boeken in afzonderlijke "wetten" (zoals het scheiden van een enkel recept uit een heel kookboek).
- De Labelaars: Ze gebruikten AI om elke wet te voorzien van labels zoals "Dit gaat over gebouwen", "Dit gaat over bedrijven" of "Dit gaat over geluid".
3. Het Resultaat: Een "County-Harmonized" Kaart
Het eindproduct is een dataset die 9.239 steden en districten beslaat. Echter, om het bruikbaar te maken voor onderzoek, hebben ze een vereenvoudigde versie gemaakt, de "County-Harmonized Access Layer."
De Analogie: Stel je voor dat je het weer in de hele VS wilt bestuderen. Je hebt niet een apart rapport nodig voor elke straathoek; je hebt één betrouwbaar rapport nodig voor elk district (county).
- Voor elk district in de VS kiest LOCUS het "grootste" lokale wetboek dat beschikbaar is (ofwel het eigen wetboek van het district, ofwel het boek van de grootste stad binnen dat district).
- Dit betekent niet dat het elke juridische vraag oplost (zo zoals "Mag ik een schuurtje bouwen in deze specifieke achtertuin?"), maar het geeft onderzoekers een solide, vergelijkbare basis om lokale wetten in het hele land te bestuderen.
4. De Wetten een "Persoonlijkheidsscore" geven
Een van de coolste onderdelen van het artikel is dat ze de wetten niet alleen hebben georganiseerd; ze hebben de wetten ook "scores" gegeven op vier specifieke persoonlijkheidskenmerken. Ze trainden AI om een wet te lezen en te raden hoe deze aanvoelt op een schaal:
- Opacity (Ondoorzichtigheid: Verwarrend vs. Helder): Is deze wet geschreven in begrijpelijk Engels, of is het een verwarrend doolhof van jargon?
- Paternalism (Paternalisme: Beschermend voor jou vs. Beschermend voor anderen): Probeert de wet jou te beschermen tegen jezelf (zoals een avondklok voor kinderen), of probeert het te voorkomen dat je anderen schade toebrengt (zoals een geluidsverordening)?
- Enforcement Discretion (Handhavingsvrijheid: Strikt vs. Flexibel): Geeft de wet politieagenten veel ruimte om te beslissen wat ze doen, of is het een strikte "ja/nee"-regel?
- Problem Salience (Probleemrelevantie: Urgent vs. Minder belangrijk): Behandelt de wet het onderwerp als een grote noodsituatie, of als een klein ongemak?
Voorbeeld: Een wet die zegt "Niemand onder de 16 mag een festival bezoeken zonder een volwassene" krijgt een hoge score op Paternalisme (het beschermt het kind) en een lage score op Opacity (het is heel duidelijk).
5. Waarom dit ertoe doet
De auteurs ontdekten dat lokale wetten niet zomaar een willekeurige bende zijn. Ze hebben een verborgen structuur.
- Steden richten zich meestal op "overlast" (geluid, huisdieren, openbare orde).
- Districten (Counties) richten zich meestal op "bestemmingsplannen" (landgebruik, bouwvergunningen).
- Verschillende delen van het land hebben verschillende "smaken" aan wetgeving (bijv. wetten in Florida neigen erg verwarrend/ondoorzichtig te zijn, terwijl andere staten duidelijker zijn).
De Kernboodschap
Het artikel beweert dat door deze lokale wetten te "bevrijden" uit hun stoffige, gefragmenteerde formaten en ze om te zetten in een schone, doorzoekbare dataset, zij de infrastructuur hebben gebouwd voor de volgende generatie juridische AI.
Ze beweren niet dat AI nu een rechter kan zijn of juridisch advies kan geven. In plaats daarvan zeggen ze: "We hebben eindelijk de kaart en de bibliotheek gebouwd. Nu kunnen onderzoekers beginnen met het stellen van grote vragen over hoe lokale wetten werken, hoe ze verschillen over het hele land, en hoe ze het dagelijks leven van mensen beïnvloeden."
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.