АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыМатериалы БРЭСпецпроектыСтать автором
Настроить видСменить язык
О РУВИКИ
Ответ на вопрос
ТехнологииДанные, аналитика и ИИМашинное обучение и прикладной ИИHYPO CBR

HYPO CBR

Pause

Экспертиза РАН

Logo-ran-black.png
Проведена экспертиза
Российской академией наук
Подробнее
Aprove.svg

Экспертиза РАН

Arrow-Right.png
Logo-ran.png
Проведена экспертиза
Российской академией наук
Подробнее

HYPO CBR — это компьютерная программа и экспертная система, моделирующая рассуждение на основе прецедентов и гипотетических ситуаций в юридической области. Является первым в своём роде и наиболее совершённым примером case-based reasoning (CBR) для права, созданным Кевином Эшли в качестве темы своей докторской диссертации (1987 год, Массачусетский университет в Амхерсте) под руководством Эдвины Риссланд. Архитектура HYPO отражает гибридный метод обобщения и сравнительной оценки, применимый для областей со слабо выраженной аналитической теорией и подходящий для задач, не предполагающих единственного правильного ответа[1]. Область применения — американское право о коммерческой тайне, которое во многом основано на прецедентном праве. В англо-американском праве анализ споров ведётся именно на основе предшествующих случаев (doctrine of precedent)[2]. HYPO не предназначен для анализа юридических статутов на основе формальных правил (как в обычных программах на Prolog). Риссланд и Эшли рассматривали HYPO как инструмент, реализующий ключевые приёмы работы адвокатов с анализом юридических прецедентов при поиске аргументов для обвинения и защиты.

HYPO стал удачным примером широкого класса юридических экспертных систем (Legal Expert System, LES). Применяет методы искусственного интеллекта для поддержки рассуждений в патентном и коммерческом праве, реализуя рассуждение на основе прецедентов (CBR) — в отличие от чисто правил-ориентированных систем (например, MYCIN) или смешанных подходов, соединяющих CBR с моделями правил (пример — IKBALS II). Кейс-бейзд рассуждение заключается в сравнении текущего случая с ранее рассмотренными делами из базы и сопоставлении их обстоятельств[3]. По мнению Эшли и Риссланд, CBR позволяет кодировать экспертные знания в областях, где правила не всегда формализуемы, противоречивы или неполны[4].

Проект HYPO направлен на моделирование построения гипотетических ситуаций в праве, когда нет подходящего прецедента. Гипотетические случаи служат, чтобы: переосмысливать старые ситуации с учётом новых аспектов (dimensions), создавать новые типовые казусы, исследовать пределы юридических понятий, уточнять суть дел, и группировать или выделять связанные дела[5]. HYPO генерирует и анализирует аргументы с противоположных позиций (кто должен выиграть спор), используя эвристики формирования сильных/слабых/крайних/пограничных примеров — на базе механизма dimensions[6]. Каждое измерение (dimension) имеет диапазон значений, смещающих аргумент в пользу одной из сторон[7]. HYPO способен не только находить наиболее близкие случаи, но и возвращать «почти совпадающие» (near-best-fit) ответы.

Общие сведения
HYPO CBR
Тип юридическая экспертная система
Авторы Кевин Д. Эшли, Эдвина Риссланд
Написана на Prolog
Языки интерфейса английский
Первый выпуск 1987
Состояние прекращено

Компоненты

Юридические знания в HYPO представлены: (1) базой знаний случаев (CKB), (2) библиотекой dimensions (измерений). CKB включает структурированную базу известных дел — объектов и под-объектов, как реальных, так и гипотетических, относящихся к коммерческой тайне. Каждое дело кодируется как иерархическая совокупность фреймов (основные аспекты: истец, ответчик, секретная информация, данные о работодателе и работнике)[6]:62. HYPO использует собственную базу примерно из 30 дел, индексируемых по 13 dimensions. Ключевым механизмом является dimension — структура для поиска и представления дел:

  • Предпосылки — набор фактических условий для применения измерения,
  • Фокусные слоты — параметры, определяющие силу позиции по этому измерению,
  • Информация о диапазоне — правила, как изменения фокусных слотов влияют на силу дела по dimension[3]:34–35.

Измерения концентрируют внимание на существенных особенностях дела. Например, dimension «добровольно раскрытые секреты» ослабляет позицию истца: чем больше открытий, тем менее убедителен его иск[8].

Как и другие системы CBR, HYPO включает:

  • Метрики схожести/релевантности — стандарты оценки близости дел, релевантности к текущей ситуации, выбора «наиболее подходящих» прецедентов;
  • Полу-упорядоченное представление области — иерархии и классификации правовых знаний;
  • Способности к аргументации на основе прецедентов — генерация и оценка правовых аргументов;
  • Средства генерации гипотетических кейсов — для проверки интерпретаций, моделирования тестовых случаев, восполнения пробелов базы[2]:49–50.

Возможности

Метод HYPO по созданию и обоснованию юридической позиции состоит из нескольких этапов. Анализ начинается с описания фактической ситуации (cfs), которую пользователь вводит в специальную структуру HYPO. После ввода данных программа выполняет анализ для выделения релевантных факторов, выбирает аналогичные дела, формирует case-analysis record (аналитический отчёт), где фиксируются применимые и «почти применимые» dimensions («near misses»). Итоговый список dimensions формирует D-list. Модуль запроса фактов (fact gathered module) может предложить пользователю уточнить детали для полноценного юридического вывода. Далее, модуль positioner выстраивает claim lattice (структуру аргументов), позволяющую упорядочить подходящие прецеденты — от наиболее к наименее релевантным[6]:62. Аргументация в HYPO строится трёхуровнево: формулируется аргумент за одну сторону с аналогией между проблемой и прецедентом; затем — контраргумент за оппонента с попыткой дифференцировать случаи; после чего формируется опровержение, уточняющее различия. Claim lattice также используется модулем генерации гипотетических ситуаций (HYPO-generator). Система применяет эвристику поиска по пространству кейсов, а модуль Explanation дополняет «скелет» аргумента, предоставляя расширенную мотивацию и пояснения[6]:62.

Интеллектуальный юридический учебный комплекс

Юридические экспертные системы создаются и для задач обучения определённой отрасли права. Работа Эшли также была направлена на разработку инструментов для обучения студентов навыкам юридического рассуждения[9]. Основой подобных систем служит метод кейсов, активно применяемый в американских профессиональных школах (впервые предложен деканом Гарвардской школы права Кристофером Колумбом Лэнгделлом в 1870 году). Студенты анализируют судебные решения и правовые принципы, участвуют в сократическом диалоге и активно используют гипотетические ситуации («hypos»)[3]:40–41. Пример — проект CATO (Aleven 1997)[10] — интерактивная учебная программа по аргументации на основе кейсов, реализующая наработки HYPO[11]. В системе Ashley—Aleven был реализован метод обучения, позволяющий сопоставлять рассуждения пользователя с типологией известных кейсов и давать структурированную обратную связь. Студент получает задачи с описанием фактов, набором онлайн-кейсов и инструкций для построения или опровержения юридического аргумента по проблеме. Система сопоставляет ответы студента с базой прецедентов, реагирует на ввод примерами-контраргументами и даёт пояснения или подсказки, оценивая способность студента строить юридическую аргументацию на основе модели case-based[12].

Наследие и влияние

Высокое качество результатов HYPO отражается в том, что целый ряд систем для юридического рассуждения построены напрямую на его механизмах или старших идеях. Это, например, система Kowalski (1991)[13], TAX-HYPO для налогового права[2], смешанная система прецедентов и правил CABARET (Skalak, Rissland 1992), CATO и IBP для аргументации и прогнозов (Brüninghaus, Ashley 2003), а также системы, чьи создатели прямо ссылаются на HYPO (например, Henderson & Bench-Capon 2001[14]).

Примечания

  1. ↑ Ashley, K. D. (1991). “Reasoning with cases and hypotheticals in HYPO”. International Journal of Man-Machine Studies [англ.]. 34 (6): 753—796.
  2. ↑ 1 2 3 Rissland, E. L.; Skalak, D. B. (1989). “Case-Based Reasoning in a Rule-Governed Domain”. Proceedings of the Fifth IEEE Conference on Artificial Intelligence Applications 1989 [англ.]. Institute of Electrical and Electronics Engineers.
  3. ↑ 1 2 3 Vossos, G.; Zeleznikow, J.; Dillon, T.; Vossos, V. (1991). “An example of Integrating Legal Case Based Reasoning with Object-Oriented Rule-Based Systems: IKBALS II”. Proceedings of the Third International Conference on Artificial Intelligence and Law [англ.]. Оксфорд, Англия: ACM. pp. 31—41.
  4. ↑ Kolodner, J. L. (1992). “An Introduction to Case-Based Reasoning”. Artificial Intelligence Review [англ.]. 6: 3—34.; O’Leary, D. E. (1993). “Verification and Validation of Case-Based Systems”. Expert Systems with Applications [англ.]. 6: 57—66.
  5. ↑ Ashley, K. D.; Rissland, E. L. (1988). “A case-based approach to modeling legal expertise”. IEEE Expert [англ.]. 3: 70—77.
  6. ↑ 1 2 3 4 Rissland, E. L.; Ashley, K. D. (1987). “A case-based system for trade secrets law”. Proceedings 1987 ACM International Conference on Artificial Intelligence and Law [англ.].
  7. ↑ Zeng, Y.; Wang, R.; Zeleznikow, J.; Kemp, E. (2007). “A Knowledge Representation model for the intelligent retrieval of legal cases”. International Journal of Law and Information Technology [англ.]. 15 (3): 299—319.
  8. ↑ Rissland, E. L. (2006). “A.I. and Similarity”. IEEE Intelligent Systems [англ.]. 21 (3): 39—49.
  9. ↑ Zeleznikow, J.; Hunter, D. (1992). “Rationales for the Continued Development of Legal Expert Systems”. Journal of Law & Information Science [англ.]. 3: 94.
  10. ↑ Aleven, V.; Ashley, K. D. (1997). “Evaluating a Learning Environment for Case Based Argumentation Skills”. Proceedings of the Sixth International Conference on Artificial Intelligence and Law [англ.]. Мельбурн, Нью-Йорк: ACM Press. pp. 170—179.
  11. ↑ Ashley, K. D.; Aleven, V. (1991). “Toward an Intelligent Tutoring System for Teaching Law Students to argue with cases”. Proceedings of the Third International Conference on Artificial Intelligence and Law [англ.]. Оксфорд, Англия. pp. 42—52.
  12. ↑ Ashley, K. D. (1992). “Case-Based Reasoning and its Implications for Legal Expert Systems”. Artificial Intelligence and Law [англ.]. 1: 113—208.
  13. ↑ Kowalski, A. (1991). “Case-based reasoning and the deep structure approach to knowledge representation”. Proceedings of the 3rd international conference on Artificial intelligence and law [англ.]. pp. 21—30.
  14. ↑ Henderson, J.; Bench-Capon, T. (2001). “Dynamic arguments in a case law domain”. Proceedings of the 8th international conference on Artificial intelligence and law [англ.]. pp. 60—69.

Литература

  • Edelson, D.C., Learning from cases and questions: The Socratic case-based teaching architecture, (1996), J. Learning Science 5(4), 357–410
  • Gray, P.N., Artificial Legal Intelligence, Dartmouth Publishing Company Ltd., Aldershot, England 1998
  • Popple, J. A Pragmatic Legal Expert System : [англ.]. — Dartmouth (Ashgate), 1996. — ISBN 1-85521-739-2.
  • Popple, J. (1993). Shyster: A Pragmatic Legal Expert System (PDF) (PhD thesis) [англ.]. Australian National University. ISBN 0-7315-1827-6. Архивировано из оригинала (PDF) 23 августа 2006. Дата обращения 7 августа 2014. Используется устаревший параметр |url-status= (справка)
  • Rissland and Ashley, “A note on Dimensions and Factors”, (2002), Artificial Intelligence and Law 10, 65–77
  • Rissland and Skalak, CABARET: Rule Interpretation in a hybrid architecture, (1991), Intern. J. Man-Machine Stud. 34(6), 839–887
  • Rissland, E.L. and Skalak, D.B., Combining Case-Based and Rule-Based Reasoning: A Heuristic approach (1989) In Proceedings IJCAI-89 Detroit: International Joint Conference on Artificial Intelligence
  • Smith, J.C., Gelbart, D. and Graham, D., Building Expert System in Case-Based Law, (1992). Expert Systems with Applications 4, 335–342
  • Susskind, R.E., Expert Systems in Law: a Jurisprudential Inquiry, (OUP, Oxford,1987)

Ссылки

Категории

Pause