Modeling the Diachronic Evolution of Legal Norms: An LRMoo-Based, Component-Level, Event-Centric Approach to Legal Knowledge Graphs
本文提出了一种基于 LRMoo 本体论的结构化、以事件为中心的建模模式，该模式通过区分与语言无关的时间版本与单语表达，实现了法律规范在任何时间点的精确、确定性重构，从而为值得信赖的法律人工智能提供可验证的语义基础。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图阅读一本历史书，但每当新章节被编写时，出版商并不只是增加一个新页面；他们秘密地抹去旧的一页，重写之前的页面，并将新的文本粘贴在旧的墨迹之上。如果你想知道 1995 年某句特定的句子究竟是怎么写的，你只能靠猜，因为你手里的这本书只显示 2024 年的版本。
这就是当前的法律体系以及试图理解这些法律的人工智能（AI）所面临的问题。法律在不断变化。宪法中的一个句子可能会被添加、删除或微调数百次。标准的 AI 模型就像是“猜测机器”——它们擅长根据概率预测句子中的下一个词，但它们极不擅长记忆过去某个特定日期法律的确切文本。由于它们没有完美的记忆，因此无法在涉及高风险的法律决策中被信任。
本文提出了一种通过一种非常严格、有组织系统来构建“法律时光机”的新方法。以下是其工作原理，分为几个简单的概念：
1. “食谱”与“翻译” （双层系统）
把法律想象成一份食谱。
- 概念（食谱构思）： 这是这道菜的抽象概念（例如，“巧克力蛋糕”）。即使你改变了配料，这个概念依然保持不变。
- 时序版本（特定的食谱卡片）： 这是在特定日期，制作该蛋糕时所使用的确切配料表和步骤。如果你把糖换成了蜂蜜，你不是仅仅修改旧的卡片，而是创建一个全新的、贴有“1992 年版本”标签的卡片。旧卡片被存档，而新卡片诞生了。
- 语言版本（翻译）： 如果你有一张 1992 年的食谱卡，它可以用英文、葡萄牙文或法文写成。这些只是记录同一份 1992 年食谱卡的各种不同方式。
作者的系统将特定时间下的法律构思（食谱卡）与书写该构思所使用的文字（翻译）分离开来。这确保了如果法律发生变化，我们能准确知道哪张“卡片”在什么时候有效。
2. 以“事件”为核心
在大多数计算机系统中，变化仅仅是一个表示“此处已更改”的注释。而在这种新系统中，变化本身就是一个故事中的角色。
想象一下，一项立法修正案（旨在修改旧法的法律）不仅仅是一个简单的编辑，而是一个带有剧本的戏剧性事件：
- 演员： 被通过的新法律。
- 动作： 它指向旧法的一个特定部分并说：“你现在可以退休了（生命终结）。”
- 结果： 它立即创造了一个全新的法律版本（作品创建）。
通过将“改变的行为”视为一个独立的事件，该系统创建了一个完美且不可破坏的链条。你可以追踪到底是谁通过新法杀死了旧版本，以及又是哪个新版本由它所孕育。这就像一棵家族树，每一场出生和死亡都被记录了时间戳和原因。
3. “乐高积木”法（组件级）
法律不仅仅是一大块文本；它们是由条款、段落和句子组成的。
- 旧方法： 如果你在 100 页的法律中更改了一个句子，整个 100 页的文档都会被视为“新”的。
- 本文的方法： 他们将每一个句子都视为一块乐高积木。如果你更换了一块积木（一个特定的段落），只有那块积木会获得一个新的版本号。其余的部分则保持原样。
这使得系统能够以手术般的精准度来重建法律。你可以询问：“2000 年 1 月 1 日，第 5 条第 2 款说了什么？”系统可以通过抓取在那天有效的正确“积木”来组装答案，同时忽略后来添加或删除的积木。
4. 为什么这很重要于 AI
目前的 AI（如我们今天使用的聊天机器人）是概率性的。它会说：“基于我读过的内容，法律可能说了 X。”
而这种新系统是确定性的。它会说：“这是在那个日期存在的、经过验证的确切文本。”
通过使用这种严格的“以事件为中心”的方法来构建“知识图谱”（一个巨大的、相互关联的法律地图），作者创建了一个基础，使 AI 可以被信任去提供真相，而不是一个猜测。它将混乱的法律历史转变为一个清晰、可审计的时间线，在这里，每一次变化都被记录在案，每一个版本都是独特的，并且过去的确切文本可以以 100% 的确定性被还原。
简而言之： 本文提出了一个法律数据库的蓝图，它不仅存储法律，还存储了每一句法律变化的历史，让我们能够回到过去，并准确地阅读任何特定日期的法律原文。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。