From Factors to Argument Networks: Issue-Level Legal Representation and Alignment with Written Judicial Reasons in Employment-Relationship Determination
Dit artikel stelt een juridisch representatiekader op issue-niveau voor met behulp van argumentatienetwerken om genuanceerde feitelijke toestanden, juridische regels en rechterlijke redeneringen in zaken betreffende arbeidsrelaties te vatten, waarbij wordt aangetoond dat dergelijke granulaire representaties traditionele binaire methoden aanzienlijk overtreffen in het voorspellen van uitkomsten en het identificeren van de specifieke gronden voor rechterlijke beslissingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In de wereld van kunstmatige intelligentie bestaat er een hardnekkige kloof tussen het laten raden van het juiste antwoord door een computer en het begrijpen van hoe een menselijke expert tot dat antwoord kwam. Decennialang hebben onderzoekers machines getraind om juridische uitkomsten te voorspellen, zoals of een rechtbank in het voordeel van een werknemer of een werkgever zal oordelen. Deze systemen werken vaak door duizenden eerdere gerechtelijke uitspraken te scannen, patronen in de tekst te zoeken en de meest waarschijnlijke uitslag te berekenen. Deze aanpak behandelt een juridische zaak echter als één enkel blok tekst, vergelijkbaar met het lezen van een roman en proberen het einde te raden zonder aandacht te besteden aan de specifieke hoofdstukken of karakterontwikkelingen. In complexe juridische geschillen, vooral die met betrekking tot arbeid, kan een enkel juridisch document verschillende verschillende verhalen bevatten: een werknemer kan meerdere bedrijven aanklagen, of de aard van hun relatie kan in de loop van de tijd zijn veranderd door pensionering of een wijziging in functietitel. Als een computer het hele document simpelweg als één eenheid leest, kan hij gemakkelijk in de war raken door feiten te mengen die bij verschillende personen of verschillende tijdperken horen. De uitdaging is dan niet alleen om een slimmere rekenmachine te bouwen, maar om de machine te leren de juridische wereld te zien met dezelfde granulariteit als een menselijke rechter, waarbij onderscheid wordt gemaakt tussen wat een partij beweert, wat een rechtbank daadwerkelijk bewijst en de specifieke regels die worden gebruikt om tot een beslissing te komen.
Een team van onderzoekers aan de Northwest Normal University in China zette zich scharpe om dit probleem op te lossen door de manier waarop zij informatie in hun computermodellen voedden te veranderen. In plaats van de AI volledige gerechtelijke vonnissen te geven, braken ze de zaken af in hun kleinste betekenisvolle eenheden. Ze definieerden een enkel "geschil" als een specifieke juridische vraag die betrekking heeft op één specifieke werknemer, één specifieke werkgever en één specifieke tijdperiode. Dit betekende dat als een enkel juridisch document de relatie van een werknemer met twee verschillende bedrijven over een periode van tien jaar besprak, de onderzoekers dat document zouden opdelen in meerdere afzonderlijke vermeldingen voor de computer om te analyseren. Vervolgens beoordeelden ze handmatig 300 gerechtelijke beslissingen om een dataset van 355 van deze specifieke geschillen te creëren. Voor elk geschil noteerden ze niet alleen of bepaalde feiten aanwezig waren, zoals of de werknemer een salaris ontving of een contract had. Ze gingen veel dieper en legden de status van elk feit vast. Ze maakten onderscheid tussen een feit dat slechts door een advocaat werd genoemd, een feit dat door de rechtbank op basis van bewijs werd vastgesteld, en een feit dat werd verworpen wegens gebrek aan bewijs. Ze brachten ook de specifieke juridische regels in kaart die de rechters gebruikten om deze feiten te verbinden met hun uiteindelijke conclusies.
De onderzoekers testten of deze gedetailleerde, gestructureerde aanpak de computer hielp de wet beter te begrijpen dan de oude, eenvoudigere methode. In hun eerste test vroegen ze de computer om de uitkomst van de arbeidsrelatie te voorspellen. Wanneer de computer alleen een eenvoudige lijst kreeg van welke feiten wel of niet aanwezig waren, had hij moeite en behaalde hij een matig nauwkeurigheidsniveau. Echter, toen de onderzoekers de details over de status van die feiten toevoegden — door de computer niet alleen te vertellen dat "lonen werden betaald", maar dat "lonen werden betaald en de rechtbank dit bevestigde" — verbeterde het vermogen van de computer om verschillende uitkomsten te onderscheiden aanzienlijk. De nauwkeurigheid sprong van een score van 0,542 naar 0,690. Dit toonde aan dat weten wat de kwaliteit en de bron van een feit is, even belangrijk is als weten wat het feit zelf is. Een bewering over lonen is heel anders dan een door de rechtbank bevestigde betaling, en de computer moest dat verschil zien om een betere gok te kunnen doen.
De studie bewoog zich vervolgens verder dan eenvoudige voorspelling om te zien of de computer de redenering achter de beslissingen kon begrijpen. Dit is waar de onderzoekers een tweede laag informatie introduceerden: de juridische regels. Ze ontdekten dat feiten alleen niet voldoende waren om uit te leggen hoe een rechter dacht. Bijvoorbeeld, het feit dat een werknemer de pensioenleeftijd heeft bereikt, betekent niet automatisch dat hij niet langer een werknemer is; het hangt ervan af of hij een pensioen ontvangt en welke specifieke juridische regel de rechter op die situatie toepast. Wanneer de onderzoekers deze expliciete juridische regels aan de input van de computer toevoegden, verbeterde het vermogen van de computer om het redeneerpatroon van de rechter te identificeren drastisch, van een score van 0,508 naar 0,772. Dit suggereert dat om een juridische beslissing te begrijpen, een computer de brug moet zien tussen de ruwe feiten en de uiteindelijke conclusie, en dat deze brug wordt gebouwd uit specifie�k juridische regels.
Ten slotte stelde het team een cruciale vraag: komt de manier waarop de computer zijn beslissing uitlegt overeen met hoe een menselijke rechter die uitlegt? In veel systemen van kunstmatige intelligentie identificeert de computer de belangrijkste factoren op basis van wiskundige gewichten, wat in essentie betekent: "Dit feit zorgde ervoor dat mijn voorspelling steeg." De onderzoekers vergeleken deze wiskundige aanpak met de werkelijke redenen die in de juridische documenten werden beschreven. Ze ontdekten dat de wiskundige gok van de computer vaak fout was over waar de rechter zich daadwerkelijk om gaf. De computer zou een feit kunnen highlighten dat statistisch belangrijk was voor zijn voorspelling, maar dat in de geschreven mening van de rechter slechts achtergrondruis was. In contrast hiermee was een methode die keek naar de structuur van het argument — het traceren van het pad van de feiten, via de regels, naar de conclusie — veel beter in staat om de redenen te identificeren waarop de rechter daadwerkelijk vertrouwde. Deze methode identificeerde de kernredenen van de rechter in ongeveer 78 procent van de gevallen, vergeleken met slechts 57 procent voor de standaard wiskundige aanpak.
De resultaten van dit onderzoek suggereren dat voor kunstmatige intelligentie om echt nuttig te zijn in de rechtszaal, het niet alleen een "black box" kan zijn die uitkomsten voorspelt. Het moet in staat zijn de juridische wereld te representeren op een manier die het menselijk redeneren weerspiegelt. Door zaken af te breken in specifieke kwesties, de status van feiten bij te houden en de gebruikte juridische regels expliciet in kaart te brengen, creëerden de onderzoekers een systeem dat niet alleen beter voorspelt, maar zichzelf ook uitlegt op een manier die aansluit bij het menselijk oordeel. Deze aanpak beweert niet alle juridische problemen te hebben opgelost of een machine te hebben gecreëerd die een rechter kan vervangen. In plaats daarvan biedt het een duidelijkere, transparantere manier voor computers om met juridische teksten te interageren, wat ervoor zorgt dat wanneer een machine een zaak analyseert, deze kijkt naar de juiste feiten, voor de juiste persoon, op het juiste moment, en de regels begrijpt die hen verbinden. Dit niveau van detail is essentieel als we juridische instrumenten willen bouwen die niet alleen accuraat zijn, maar ook betrouwbaar en begrijpelijk voor de mensen die op hen vertrouwen.
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.