Retrieval-Augmented Generation for Taxpayer Advisory in an LMIC Setting: A Proof-of-Concept Evaluation of Statutory Legal Retrieval
本研究对一种用于中低收入国家纳税人咨询的检索增强生成框架进行了概念验证评估，证明了对国家所得税立法的语义检索在识别法定条款以支持基于事实的语言模型提示方面可以达到高准确度，同时也强调了在部署前需对生成质量和法律合规性进行进一步验证的必要性。
原始论文采用 CC BY 4.0 许可（https://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
在世界许多地方，理解管理个人和企业纳税规则的方法是一项艰巨的任务。法律通常以晦涩、技术性的语言编写，而在复杂的规则中寻找适用于特定情况的具体规则，感觉就像在大海捞针。为了帮助人们应对这种复杂性，税务部门正越来越多地转向数字工具，包括旨在回答问题的人工智能系统。然而，一个主要挑战仍然存在：这些计算机程序是基于海量的通用数据进行训练的，这意味着它们有时在提供错误或虚构信息时表现得非常自信，这种问题被称为“幻觉”。为了解决这个问题，研究人员开发了一种称为“检索增强生成”的方法。这种方法的工作原理是，首先让计算机搜索一个受信任的官方文档库，以找到法律的准确文本，然后再要求计算机严格根据它所找到的内容来撰写答案。这确保了响应内容是基于现实而非凭空猜测。专家们面临的问题是，这种方法是否在资源较少、税收制度正在现代化但获取专业法律专家机会有限的国家中同样有效。
来自乌干达大学的研究小组着手测试这一想法，并专门针对《乌干达所得税法》进行了研究。他们的目标不是构建一个可以提供法律建议的完整成品，而是创建一个原型机，以观察核心技术是否能在被提问时准确找到正确的税法章节。他们首先提取了国家税法的全文，并将其分解为198个不同的、易于处理的信息片段。每个片段都标记了其在法律中的位置，例如具体的篇章和条款编号，然后将其转换为一种可以让计算机理解词义而非仅仅匹配关键词的数字格式。这个过程创建了一个可搜索的数字库，使计算机能够根据问题背后的概念进行搜索，而不仅仅是匹配精确的单词。
为了测试该系统的运行效果，研究人员生成了900个纳税人可能会提出的不同问题，例如关于扣除额或特定税率的查询。对于每个问题，他们都明确知道法律中的哪一章节包含正确答案。随后，他们要求计算机系统为每个问题找到三个最相关的法律章节。结果显示，该系统在其首要任务上表现得相当出色。当被要求寻找单一的最佳匹配项时，系统的成功率为72%。更重要的是，在查看它提供的排名前三的结果时，正确答案出现的概率为86.78%。这表明，虽然计算机并不总是将绝对最佳答案作为其第一个选择，但它几乎总能将正确信息放在其呈现的前几个选项之中。
研究人员指出，当系统未能获得头名时，通常是因为错误的答案与正确的答案在含义上非常相似，而不是完全无关。这表明系统很好地理解了概念，但有时在决定两个非常相似的法律条款中哪一个是更精确的匹配时会遇到困难。该研究成功证明，可以将一份复杂的法律文件转化为机器可读的格式，并利用它以高度准确度检索特定信息。然而，团队谨慎地澄清道，这仅是对搜索机制的一次测试。他们并未测试计算机生成的最终书面答案在法律上是否完美、是否安全可用，或者是否易于普通人理解。
这项工作之所以意义重大，是因为它为发展中国家的税务部门提供了一条潜在路径，使其无需为每一个查询都雇佣庞大的法律专家队伍，就能向公民提供更好、更易获取的信息。研究表明，一个规模相对较小且组织良好的法律集可以转化为寻找信息的强大工具。然而，作者强调这仅仅是一个开始。在这样的系统能够用于引导纳税人之前，它需要使用来自真实人类的实际问题进行测试，由法律专业人士进行核查以确保建议的正确性，并进行调整以处理多种语言和不同类型的税法。目前的结果显示，这项技术是可行的，但要将这种可行性转化为可靠的公共服务，还需要进一步的工作，以确保安全性、准确性和信任感。
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。