💻 computer science

Neuro-Symbolic AI for Korean Criminal Law: Sentencing Prediction and Document Drafting

Dit artikel stelt een neuro-symbolisch AI-framework voor dat Large Language Models voor semantische extractie combineert met Satisfiability Modulo Theories-solvers voor deterministische wettelijke berekeningen om de nauwkeurigheid en betrouwbaarheid van strafmaatvoorspellingen en documentopmaak voor Koreaanse verkeersovertredingen te verbeteren, waardoor de hallucinatierisico's die inherent zijn aan puur neurale juridische systemen worden verminderd.

Oorspronkelijke auteurs: Yeonseok Lee

Gepubliceerd 2026-07-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yeonseok Lee

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 een wereld voor waarin computers lijken op ongelooflijk getalenteerde maar ietwat slordige chefs. Ze kunnen in een seconde duizend recepten lezen, de smaak van een gerecht begrijpen en zelfs een prachtig gedicht over een tomaat schrijven. Dit is het domein van Artificiële Intelligentie, specifiek een type genaamd Large Language Models (LLM's). Deze digitale chefs zijn geweldig in het begrijpen van taal, maar ze hebben een lastige gewoonte: soms, wanneer ze gevraagd wordt om precieze wiskunde te doen of strikte regels te volgen, "hallucineren" ze. Ze kunnen vol vertrouwen beweren dat een tomaat $500 kost omdat het een goed klinkend getal is, ook al zegt het recept dat hij $5 kost. In de echte wereld is dit prima voor het schrijven van verhalen, maar in een rechtszaal, waar een foutje kan betekenen dat iemand zijn vrijheid verliest of een verkeine boete betaalt, is "bijna juist" niet goed genoeg.

Dit is waar Neuro-Symbolische AI om de hoek komt kijken. Denk aan een samenwerking tussen die creatieve, slordige chef en een superstrikte, regelvolgende accountant. De chef leest de slordige aantekeningen en begrijpt het verhaal, terwijl de accountant de berekeningen uitvoert en de regels controleert om er zeker van te zijn dat alles perfect klopt. Dit artikel onderzoekt hoe we dit droomteam kunnen bouwen om aanklagers in Zuid-Korea te helpen bij het afhandelen van duizenden kleine verkeerszaken, zoals rijden onder invloed, zonder dat ze overweldigd raken of gevaarlijke fouten maken.

Het Probleem: Te veel boetes, te weinig mensen

In Zuid-Korea heeft het rechtssysteem een speciale snelle baan voor minder ernstige misdrijven genaamd summarische procedures (of guyaksik). Stel je een snelweg voor waar de politie honderden bestuurders aanhoudt voor kleine overtredingen, zoals rijden zonder rijbewijs, een klein aanrijdingsschade veroorzaken of een beetje te veel gedronken hebben. In plaats van voor elk geval een volledige rechtszaak te houden, beoordelen aanklagers simpelweg de papierwinkel en leggen een boete op. Het is efficiënt, maar het creëert een berg papierwerk. Aanklagers verdrinken in stapels politierapporten, alcoholmeters en getuigenverklaringen. Ze hebben een manier nodig om deze rommelige, handgeschreven of gescande documenten om te zetten in een heldere, wiskundig perfecte juridische beslissing.

De Valstrik: Waarom slimme computers vastlopen

Onlangs probeerden mensen die "slordige chef"-computers (LLM's) te gebruiken om dit op te lossen. De computers zijn goed in het lezen van een politierapport en zeggen: "Ah, deze man had een alcoholpercentage van 0,12% in zijn bloed en is tegen een barrière gebotst." Maar wanneer ze gevraagd wordt om de exacte boete te berekenen op basis van complexe wetten, begint de computer te gokken. De computer kan de getallen verkeerd optellen of een regel verzinnen die niet bestaat. In het strafrecht mag een computer niet gokken. Als de wiskunde niet klopt, stort het rechtssysteem in. Het artikel betoogt dat we niet op deze computers kunnen vertrouwen om de wiskunde zelf te doen; ze zijn te geneigd tot het verzinnen van feiten.

De Oplossing: Een team van Chef en Accountant

De auteurs stellen een Neuro-Symbolisch framework voor, wat een chique manier is om te zeggen dat ze de taak opsplitsten in twee duidelijke delen om het beste van beide werelden te krijgen.

Stap 1: De Chef (De LLM)
Eerst neemt het systeem de rommelige, ongestructureerde documenten — zoals een alcoholmeting of de aantekeningen van een politieagent — en voert deze aan de LLM. De enige taak van de LLM is om een "semantische extractor" te zijn. De LLM leest het verhaal en haalt de belangrijke feiten eruit: "Het alcoholpercentage van de bestuurder was 0,12", "Hij is tegen een middenberm gebotst" en "Hij heeft geen strafblad". De LLM plaatst deze feiten in een nette, gestructureerde lijst (zoals een JSON-bestand). Cruciaal is dat de LLM nog niet de boete mag berekenen. De taak is enkel om de ingrediënten te verzamelen.

Stap 2: De Menselijke Inspecteur (De Veiligheidscontrole)
Voordat de wiskunde begint, bekijkt een echte menselijke aanklager de lijst. Het systeem markeert precies waar in het originele document de computer elk feit heeft gevonden. De mens klikt op een knop om te zeggen: "Ja, dat klopt," of "Nee, dat is niet juist." Dit wordt Human-in-the-Loop (HITL) genoemd. Dit zorgt ervoor dat de computer geen feit verzint dat de mens niet heeft geverifieerd. Alleen de feiten die de mens goedkeurt, gaan door naar de volgende stap.

Stap 3: De Accountant (De Z3 Solver)
Nu gaan de geverifieerde feiten naar de "Accountant", een stuk software genaamd een Z3 Satisfiability Modulo Theories (SMT) solver. Dit is geen gokmachine; het is een wiskundige bewijsmachine. Het neemt de door de mens goedgekeurde feiten en haalt ze door de strikte regels van de 2026 Richtlijnen voor Strafmaat bij Verkeersovertredingen.

Als het alcoholpercentage tussen 0,08 en 0,20 ligt, moet de computer dit categoriseren als "Type 3".
Als de bestuurder tegen een barrière is gebotst, moet de computer een "verzwarende factor" toevoegen.
Vervolgens voert het de daadwerkelijke berekening uit om het boetebereik te bepalen.

Omdat dit deel pure logica en wiskunde is, kan het niet hallucineren. Als de regels zeggen dat de boete tussen 5.000.000 en 8.000.000 Koreaanse Won ligt, dan is dat exact wat het uitvoert. Als de wiskunde niet klopt (bijvoorbeeld als de mens per ongeluk twee feiten heeft goedgekeurd die elkaar tegenspreken), stopt de Accountant en zegt: "Fout! Er is iets mis," en stuurt de zaak terug naar de mens om het te herstellen.

Het Resultaat: Een Perfect Opgesteld Document

Zodra de Accountant het definitieve bedrag heeft bepaald, gaat het systeem nog één laatste keer terug naar de "Chef" (de LLM). Dit keer krijgt de LLM het exacte wiskundige resultaat en de opdracht om het definitieve juridische document te schrijven, zoals een Verzoek tot Samenvattende Vervolging. De LLM schrijft het document in het juiste juridische format, maar kopieert het boetebedrag rechtstreeks uit het resultaat van de Accountant. De LLM berekent niets; het schrijft alleen het verhaal.

Wat dit betekent voor de Toekomst

Het artikel laat zien dat deze methode in theorie werkt en een proces creëert dat zowel snel als veilig is. Het suggereert dat door de "creatieve" AI weg te houden van de "wiskunde" en een mens het werk te laten controleren, we de saaie onderdelen van het rechtssysteem kunnen automatiseren zonder fouten te riskeren.

De auteurs merken er voorzichtig bij op dat dit momenteel een framework is dat zij hebben ontworpen en logisch hebben getest. Ze hebben het nog niet uitgerold bij elk politiebureau in Korea. Ze zijn echter van plan de volledige software te bouwen en deze met echte gegevens te testen. Als dit succesvol is, zou dit systeem uiteindelijk niet alleen rijden onder invloed kunnen afhandelen, maar ook andere lichte misdrijven zoals eenvoudige mishandeling, kleine diefstal of online beledigingen, waardoor aanklagers hun bureau kunnen leegmaken terwijl ze ervoor zorgen dat elke boete met wiskundige precisie wordt berekend. Het is een manier om computers het zware werk te laten doen, terwijl de mens nog steeds aan het stuur zit.

Technische Samenvatting: Neuro-Symbolische AI voor het Koreaanse Strafrecht

1. Probleemstelling

Het Koreaanse strafrechtsysteem leunt zwaar op summarische procedures (guyaksik) om een hoog volume aan minder ernstige overtredingen, met name verkeersdelicten zoals eenvoudige rij onder invloed (DUI), rijden zonder rijbewijs en lichte verkeersongevallen, te versnellen. Hoewel dit mechanisme de juridische doorvoersnelheid verbetert, legt het een aanzienlijke administratieve last op aanklagers die ongestructureerde juridische documenten (bijv. logboeken van ademtesten, politierapporten, verhoorverslagen) handmatig moeten omzetten naar deterministische wettelijke uitkomsten.

Recente ontwikkelingen in Large Language Models (LLM's) hebben sterke capaciteiten aangetoond bij de semantische extractie uit dichte juridische teksten. Het inzetten van pure LLM's voor Legal Judgment Prediction (LJP) brengt echter fundamentele beperkingen met zich mee:

Probabilistisch karakter: LLM's genereren tekst op basis van waarschijnlijkheid, wat ongeschikt is voor de strikte rekenkundige en regelgebaseerde redenering die vereist is voor de berekening van wettelijke boetes.
Risico op hallucinaties: In juridische contexten, waar verantwoording volledige determinisme vereist, produceren LLM's regelmatig "hallucinaties" wanneer ze geconfronteerd worden met complexe wiskundige beperkingen of specifieke wettelijke drempelwaarden.
Gebrek aan formele verificatie: Pure neurale architecturen kunnen de geldigheid van een veroordeling niet wiskundig bewijzen, waardoor ze onvoldoende zijn voor directe juridische toepassing waar stochastische fouten onacceptabel zijn.

2. Methodologie

De auteurs stellen een neuro-symbolisch framework voor dat ongestructureerde juridische feiten overbrugt met formele verificatie. De architectuur verdeelt taken strikt tussen neurale semantische begrip en symbolische logische redenering, georganiseerd in een vijf-module pipeline:

Module 1: Inname van Ruwe Data

Het systeem neemt heterogene, lay-out-zware bewijsstukken op (verklaringen rond DUI, resultaten van ademtesten, verhoorverslagen en ongefortunisrapporten). Het maakt gebruik van een hybride lay-out-bewust innameprotocol met behulp van aangepaste regelgebaseerde Optical Character Recognition (OCR) en bidirectionele encoder tekstsegmentatie om narratieve secties te isoleren van tabelindexen en metadata, en deze om te zetten in schone tekststromen.

Module 2: LLM Extractie

Een LLM fungeert als een semantische parser om kernaspecten van de zaak (misdrijftypen, continue variabelen zoals het alcoholgehalte in het bloed (BAC), en discrete categorische variabelen) te extraheren.

Beperking: De LLM is structureel beperkt om elke geëxtraheerde factor direct te koppelen aan de exacte tekstuele bron ("Reference Text") om juridische syllogisme en gronding af te dwingen.
Output: Geëxtraheerde entiteiten worden ingevuld in een intermediair JSON-schema, dat dient als de brug tussen probabilistische extractie en deterministische logica.

Module 3: Human-in-the-Loop (HITL) Verificatie

Om juridische naleving en een eerlijk proces te garanderen, wordt een verplichte verificatiefase geïntroduceerd voordat er enige berekening plaatsvindt.

Interface: Een split-screen UI toont de gestructureerde JSON-output naast het originele document met gemarkeerde referentietekst.
Mechanisme: Alle geëxtraheerde variabelen staan standaard op is_valid_by_human = false. Een juridisch medewerker moet elke factor expliciet verifiëren om deze naar true te wijzigen.
Data Provenance: Alleen parameters die expliciet door een mens zijn gevalideerd, worden doorgegeven aan de solver, waardoor wordt gewaarborgd dat het systeem fungeert als een besluitondersteuningstool in plaats van een autonome beslisser.

Module 4: Logische Translatie en Z3 SMT Solver

Dit is de kern van de neuro-symbolische brug. gevalideerde JSON-velden worden gekoppeld aan formele statusvariabelen (Boolean flags en Integer constraints) binnen de Z3 Satisfiability Modulo Theories (SMT) solver.

Axioma Modellering: De Richtlijnen voor Straftoemeting voor Verkeersovertredingen 2026 worden geformaliseerd als wiskundige axioma's. Bijvoorbeeld, BAC-drempels worden gemodelleerd als conditionele beperkingen (bijv. $0.08 \le BAC < 0.20 \implies Crime\_Category = 3$ ).
Zone Afleiding: De solver evalueert Boolean arrays van verzachtende en verzwarende factoren en telt deze op om de strafzone te bepalen (Basis, Verzacht of Verzwaring).
Verplichte Gevangenisstraf Logica: De solver controleert samengestelde logische beperkingen (bijv. als het aantal eerdere veroordelingen $\ge 3$ is of als verzwarende factoren dominant zijn) om de berekening van boetes te overruien met aanbevelingen voor verplichte gevangenisstraf.
Satisfiability Check: Voordat een resultaat wordt uitgegeven, voert Z3 een SAT-check uit om te garanderen dat er geen logische tegenstrijdigheden bestaan (bijv. een zaak kan niet zowel "Verzacht" als "Verzwaring" zijn). Als een UNSAT-toestand wordt gedetecteerd, keert de pipeline terug naar de HITL-interface voor conflictresolutie.

Module 5: Visualisatie en Documentgeneratie

De deterministische outputs van de Z3-solver worden vertaald naar actiegerichte artefacten:

Visualisatie van de Strafboom: Het systeem rendert het logische beslissingspad (van BAC-categorisering tot de uiteindelijke boete) in een visuele boom, wat een interpreteerbaar auditspoor biedt.
Document Conceptie: Met behulp van strikt gestructureerde prompts genereert een LLM juridisch conforme documenten (Politieverhoorrapporten, Verzendopinies en Verzoeken tot summarische vervolging). Cruciaal is dat de boetebedragen letterlijk worden geïnjecteerd vanuit de Z3-solver output, om te voorkomen dat de LLM getallen herberekent of hallucineert.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

Neuro-Symbolische Pipeline Design: Een framework dat ongestructureerde politie- en aanklagersgegevens transformeert naar deterministische juridische uitkomsten, waarbij de LLM specifiek wordt geïsoleerd tot semantische extractie om de risico's op hallucinaties tijdens de boeteberekening te beperken.
Human-in-the-Loop (HITL) Verificatie: Een transparant schema dat geëxtraheerde juridische variabelen verankert aan bronreferentieteksten, waardoor menselijk toezicht en interpreteerbaarheid worden gewaarborgd terwijl de uiteindelijke juridische autoriteit bij de aanklager blijft.
Formeel Juridisch Logica Framework: De constructie van een logica-framework met behruik van de Z3 SMT-solver om precieze strafbereiken te berekenen die in lijn zijn met de Richtlijnen voor Straftoemeting 2026, waarbij probabilistische generatie wordt vervangen door wiskundig bewijs.

4. Resultaten en Claims

Het artikel presenteert geen empirische prestatiecijfers (bijv. nauwkeurigheidspercentages op een testset), aangezien de studie zich richt op de theoretische formulering en logische mapping van de architectuur. In plaats daarvan claimen de auteurs het volgende op basis van het ontwerp:

Determinisme: Door de wettelijke berekeningen uit te besteden aan een stellingbewijzer (theorem prover), garandeert het systeem dat de strafuitkomsten vrij zijn van de stochastische fouten die inherent zijn aan LLM's.
Robuustheid: Het SAT-checkmechanisme zorgt ervoor dat logische tegenstrijdigheden worden gedetecteerd en opgelost voordat een vonnis wordt gegenereerd, wat ongeldige juridische uitkomsten voorkomt.
Verantwoordelijkheid: De HITL-integratie zorgt ervoor dat het systeem een verifieerbare ondersteuningstool blijft, wat de zorgen over transparantie bij "black box" AI-modellen aanpakt.

5. Betekenis

De auteurs positioneren dit werk als een noodzakelijke evolutie in Legal Judgment Prediction voor omgevingen met hoge inzet. Door te erkennen dat LLM's onvoldoende zijn voor rekenkunde en strikte regelnaleving, stelt het paper een hybride aanpak voor die gebruikmaakt van de semantische sterktes van neurale netwerken, terwijl het vertrouwt op symbolische logica voor de "harde" beperkingen van het recht.

De betekenis ligt in het potentieel om de administratieve knelpunt van de caseloads van minder ernstige aanklagers in Korea te verlichten zonder de juridische integriteit in gevaar te brengen. Het framework biedt een pad om het opstellen van summarische aanklachten (yaksik-gongsojang) te automatiseren, terwijl wordt gewaarborgd dat elke wiskundige uitkomst is gegrond in formeel geverifieerde, door mensen gevalideerde feiten. De auteurs merken op dat hoewel de huidige focus op verkeersdelicten ligt, de architectuur schaalbaar is naar andere minder ernstige misdrijven (bijv. eenvoudige mishandeling, smaad, kleine diefstal) die eindigen met een summarische procedure.