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

Resumo Técnico: Recuperação de Grafos com Múltiplos Âncoras Guiada por Ontologia para Determinação de Responsabilidade Civil em Trânsito

Declaração do Problema
A determinação de responsabilidade civil no trânsito é um processo jurídico complexo que exige a identificação simultânea de disposições estatutárias interdependentes através de múltiplas dimensões, tais como a cena do acidente, tipos de violação, partes responsáveis e regras de alocação de responsabilidade. As abordagens existentes de Geração Aumentada de Recuperação (RAG) enfrentam um "gargalo de recuperação multidimensional". A recuperação densa padrão comprime consultas jurídicas multifacetadas em um único vetor, fazendo com que a dimensão semântica dominante (por exemplo, a violação específica) sufoque outras dimensões juridicamente relevantes. Da mesma forma, sistemas baseados em grafos de conhecimento que realizam a travessia a partir de uma única entidade inicial frequentemente falham em recuperar disposições ancoradas em outras dimensões ontológicas se a extração inicial omitir uma chave de entidade. Consequentemente, as respostas geradas por essas arquiteturas de eixo único são frequentemente juridicamente incompletas, pois não conseguem capturar todo o espectro de estatutos co-aplicáveis necessários para uma determinação de responsabilidade válida.

Metodologia: OMAGR e TrafficOmni-RAG
Para resolver este gargalo, os autores propõem o OMAGR (Recuperação de Grafos com Múltiplos Âncoras Guiada por Ontologia), instanciado como o motor de recuperação central do TrafficOmni-RAG, um sistema de QA (Pergunta e Resposta) jurídico de ponta a ponta. A metodologia opera através das seguintes etapas:

1. Construção de Ontologia Jurídica e Grafo de Conhecimento:
   O sistema é construído sobre uma ontologia jurídica de seis dimensões ($O = \{D_1, ..., D_6\}$) derivada de seis fontes de leis de trânsito chinesas (incluindo a Lei de Segurança no Trânsito Rodoviário e interpretações judiciais). As dimensões são:

   • Âncoras de Recuperação: Cena do Acidente ($D_1$), Tipo de Violação ($D_2$), Parte Responsável ($D_3$) e Categoria de Responsabilidade ($D_4$).
   • Dimensões de Resultado: Consequência Jurídica ($D_5$) e Tipo de Dano ($D_6$).
     Um grafo de conhecimento Neo4j ($G$) é construído contendo 527 disposições. As disposições são nós conectados por arestas tipadas que representam associações ontológicas, referências cruzadas entre disposições e hierarquias estatutárias.

2. Recuperação Paralela de Múltiplos Âncoras:
   Ao contrário da travessia de caminho único, o OMAGR decompõe uma consulta do usuário em âncoras jurídicas estruturadas alinhadas com a ontologia. Ele executa recuperações de grafo paralelas simultaneamente através das quatro dimensões de âncora ($D_1$–$D_4$). Isso garante que cada dimensão juridicamente relevante receba um caminho de recuperação independente, impedindo que o sinal semântico dominante suprima outras dimensões críticas.

3. Mecanismos de Suporte:

   • Expansão de Consulta: Gera formulações parafraseadas para melhorar a recall lexical e tópica dentro do caminho de cada âncora.
   • Expansão Relacional de Dois Saltos (Two-Hop): Realiza a travessia de arestas de referência cruzada entre disposições a partir dos principais resultados de violação para recuperar estatutos co-aplicáveis (por exemplo, penalidades vinculadas a artigos procedimentais) que não são diretamente alcançáveis via arestas primárias da ontologia.
   • Recuperação Densa: Fornece um fallback semântico para disposições que carecem de forte conectividade de grafo.
   • Fusão e Refinamento: Todos os conjuntos recuperados são fundidos usando Reciprocal Rank Fusion (RRF). Um reclassificador (reranker) de codificador cruzado seleciona as 8 principais disposições, seguido de Maximal Marginal Relevance (MMR) para remover quase-duplicatas e poda de contexto hierárquico para otimizar a alocação de tokens.

4. Geração:
   O conjunto de disposições refinado serve como o contexto para um gerador LLM (GLM-4-Flash). O sistema emprega geração fundamentada em citações, instruindo o modelo a incorporar frases estatutárias literais como evidência e proibindo citações fora do conjunto recuperado para minimizar alucinações.

Principais Contribuições

1. Framework OMAGR: A proposta de uma arquitetura de recuperação de grafos com múltiplos âncoras paralelos projetada especificamente para resolver o gargalo de recuperação multidimensional em domínios jurídicos.
2. Benchmark TrafficLaw-QA: A introdução de um novo conjunto de dados de benchmark validado por especialistas contendo 200 perguntas e 527 disposições legais. O conjunto de dados é anotado sob um protocolo duplo-cego (Cohen's $\kappa = 0.82$) e visa especificamente cenários que exigem fundamentação de múltiplos estatutos através de dimensões interdependentes.
3. Validação Empírica: Demonstração através de experimentos e estudos de ablação de que o sistema proposto melhora substancialmente a Precisão de Contexto e a Fidelidade em comparação com as linhas de base.

Resultados Experimentais
Avaliado no dataset TrafficLaw-QA usando métricas RAGAS, o TrafficOmni-RAG superou três baselines: Naive RAG (apenas vetor denso), TrafficRAG (híbrido BM25-denso) e LlamaIndex KG (travessia de grafo de entidade única).

• Precisão de Contexto: O TrafficOmni-RAG alcançou a pontuação mais alta (0.915), superando significativamente o LlamaIndex KG (0.722). Os autores atribuem isso ao design de múltiplos âncoras que recupera disposições de todas as dimensões relevantes em vez de se agrupar em torno de uma única entidade.
• Fidelidade (Faithfulness): O sistema alcançou 0.787, superando o Naive RAG (0.625) e o LlamaIndex KG (0.751).
• Estudos de Ablação: A remoção do componente de múltiplos âncoras (retornando à recuperação de âncora única) causou a maior queda de desempenho (a Precisão de Contexto caiu de 0.915 para 0.862), confirmando que a estrutura de recuperação paralela é o principal motor do sucesso.
• Compromissos (Trade-offs): Embora o TrafficRAG tenha alcançado um Recall de Contexto ligeiramente superior (0.896 vs. 0.885) devido ao pareamento de palavras-chave BM25, o TrafficOmni-RAG priorizou a precisão, o que os autores argumentam ser funcionalmente superior para QA jurídico para reduzir riscos de alucinação por contexto irrelevante.

Significância e Alegações
O artigo alega que a recuperação paralela de múltiplos âncoras resolve efetivamente o gargalo de recuperação multidimensional inerente à determinação de responsabilidade civil no trânsito. Ao garantir que evidências independentes sejam coletadas para cada dimensão juridicamente relevante antes da fusão, o framework oferece uma direção promissora para a pesquisa jurídica onde arquiteturas de eixo único falham em capturar a natureza interdependente das disposições estatutárias. Os autores posicionam o TrafficOmni-RAG não apenas como uma melhoria nas métricas de recuperação, mas como uma mudança estrutural necessária para lidar com a complexidade do raciocínio jurídico, onde um único acidente ativa disposições em múltiplas categorias estatutárias simultaneamente.

Limitações
Os autores reconhecem diversas limitações: a qualidade da extração de âncoras depende da etapa de parsing do LLM (com um F1 observado de 64,3% em avaliação cega), o sistema utiliza um raio de expansão de dois saltos fixo que pode perder cadeias de dependência mais profundas, e a implementação atual é exclusiva para as leis de trânsito chinesas, exigindo mais avaliações para generalização transjurisdicional.