تعتبر آلية معالجة البيانات القانونية التلقائية تحديًا يتطلب مواجهة بدائل غير كاملة، حيث تقدم الأنظمة الرمزية (Symbolic Systems) شفافية عالية، لكنها تعاني من عدم القدرة على معالجة الغموض، بينما توفر الأنظمة العصبية (Neural Systems) مرونة في التعامل مع اللغة الطبيعية لكن تفتقر إلى القابلية للتحقق (Verifiability).

في بحثنا هذا، نستكشف إذا ما كان يمكن للأساليب الهجينة، التي تجمع بين الأنظمة العصبية والرمزية، أن تعالج هذه الإشكاليات بشكل فعال.

تُعد إدارة المحتوى عبر الإنترنت مجالًا مثيرًا لاختبار هذه الفرضية، حيث يُعتبر بمثابة تمثيل لمحاكمة قانونية ذات حجم واسع مثل الإجراءات الإدارية الجماعية. في هذا السياق، يواجه المشغلون تحديًا يوميًا، حيث يتعين عليهم تقييم آلاف الحالات وفقًا لمعايير قانونية صارمة.

تكمن الإشكالية الرئيسة في كيفية تقليل ما يُعرف بـ "انجراف النطاق" (Scope Drift)، والذي يحدث عندما تقوم نماذج اللغة الكبيرة (Large Language Models) بمزج بين الإساءات الأخلاقية وعدم الشرعية القانونية، مما قد يؤثر سلبًا على عملية اتخاذ القرار.

قمنا بتقييم النسخة العصبية-رمزية لمفهوم “تنسيق القوانين” (Rulemapping)، والذي يستخدم شجرة منطقية بصرية لتمثيل القياسات القانونية الكلاسيكية على تصنيف خطاب الكراهية عبر الإنترنت، بموجب القانون الجنائي الألماني.

أظهر استخدام تنسيق القوانين عبر نماذج لغوية متباينة (LLMs) القدرة على الحفاظ على دقة استرجاع عالية (0.82-0.89) مع تحقيق دقة تصل إلى (0.80-0.86)، مقارنةً بالمقدار الذي تحققه الطرق غير المقيدة (0.34-0.49).

هذا التوجه الجديد يعمل على تمكين الأتمتة القانونية القوية، بما يتماشى مع متطلبات التدقيق واتخاذ القرار القابل للتحقق، مما يفتح آفاقاً جديدة لتحسين المعايير القانونية في بيئة الإنترنت المتنوعة.