Tổng quan luận án

Sự gia tăng nhanh chóng của quá trình số hóa và chuyển đổi số trong lĩnh vực tư pháp tạo điều kiện cho các chuyên gia pháp lý như thẩm phán, luật sư và nhà nghiên cứu tiếp cận khối lượng lớn tài liệu trực tuyến. Tuy nhiên, việc tra cứu thủ công trong các kho dữ liệu pháp lý quy mô lớn gặp nhiều rào cản do các đặc thù mang tính bản chất của văn bản pháp luật:

  • Văn bản pháp luật (luật thành văn, án lệ, hợp đồng) có độ dài lớn (trung bình khoảng 3.000 từ mỗi văn bản, câu văn có thể dài từ 60 đến 70 từ so với 15–20 từ trong văn bản tiếng Anh thông thường) và cấu trúc phân cấp phức tạp gồm nhiều phần, chương, mục, điều khoản.
  • Ngôn ngữ pháp lý mang tính logic cao, sử dụng nhiều thuật ngữ chuyên ngành, từ mượn tiếng Pháp và tiếng Latinh, hoặc các từ ngữ thông dụng nhưng mang nghĩa pháp lý đặc thù (ví dụ: action chỉ vụ kiện, sentence chỉ hình phạt).
  • Khái niệm về tính liên quan (relevancy) trong truy xuất thông tin pháp lý vượt ra ngoài phạm vi so khớp từ khóa (lexical matching) hay sự tương đồng về chủ đề (topical matching), đòi hỏi khả năng hiểu lập luận pháp lý và suy luận logic.
  • Dữ liệu gán nhãn trong lĩnh vực pháp lý bị hạn chế do đòi hỏi chuyên môn cao, chi phí và thời gian gắn nhãn lớn, cùng các rào cản về bản quyền và bảo mật dữ liệu.
  • Tính cục bộ (locality) của ngôn ngữ và hệ thống tài phán giữa các quốc gia làm hạn chế khả năng chuyển giao mô hình trực tiếp.

Luận án tiến sĩ chuyên ngành Hệ thống thông tin (Mã số: 9480104) của tác giả Vương Thị Hải Yến với tiêu đề "Modeling and Learning Textual and Structural Relations for Deep Legal Information Retrieval" (Mô hình hóa và học quan hệ văn bản và cấu trúc trong truy xuất thông tin pháp lý chuyên sâu), được thực hiện tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội dưới sự hướng dẫn của PGS. Phan Xuân Hiếu và GS. Nguyễn Lê Minh (bảo vệ năm 2024), tập trung giải quyết các bài toán trên.

Mục tiêu nghiên cứu

Luận án xác định ba mục tiêu cụ thể:

  • O1: Đề xuất các phương pháp tiếp cận và mô hình mới nhằm nâng cao hiệu quả và độ chính xác của các bài toán truy xuất thông tin và trả lời câu hỏi pháp lý.
  • O2: Khai thác tối đa bản chất và đặc trưng dữ liệu pháp lý (bao gồm cả quan hệ văn bản và quan hệ cấu trúc đồ thị) để cải thiện hiệu năng cho ba bài toán: truy xuất án lệ (case law retrieval), truy xuất luật thành văn cho vụ án (statutory – case law retrieval), và trả lời câu hỏi pháp lý dựa trên truy xuất (IR–based legal question answering).
  • O3: Đề xuất các kiến trúc học sâu phù hợp nhằm tích hợp các đặc trưng văn bản và cấu trúc với các mô hình ngôn ngữ tiền huấn luyện (pre-trained language models).

Câu hỏi nghiên cứu

Luận án đặt ra bốn câu hỏi nghiên cứu:

  • Q1: Xử lý và biểu diễn văn bản pháp lý dài, phức tạp như thế nào? Cách thức hình thành và học các quan hệ văn bản pháp lý cùng độ tương đồng ở các mức độ hạt mịn khác nhau (vụ án, đoạn văn, phán quyết) để tăng cường tính liên quan cho bài toán IR và QA?
  • Q2: Khắc phục sự hạn chế về dữ liệu pháp lý gán nhãn trong các bài toán IR và QA như thế nào để tạo thêm dữ liệu gán nhãn phục vụ cải thiện hiệu năng truy xuất?
  • Q3: Biểu diễn và học các quan hệ cấu trúc đồ thị (như tham chiếu liên điều luật cục bộ, tham chiếu tầm xa, và mối liên kết giữa các thực thể tòa án, vụ án, văn bản luật, lĩnh vực pháp lý) như thế nào nhằm nâng cao hiệu năng IR và QA?
  • Q4: Tích hợp và khai thác đặc trưng văn bản và cấu trúc với các mô hình học sâu và mô hình ngôn ngữ tiền huấn luyện như thế nào để cải thiện hiệu năng của các bài toán IR và QA?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các phương pháp mô hình hóa, biểu diễn và học quan hệ ngữ nghĩa văn bản và quan hệ cấu trúc đồ thị phục vụ bài toán truy xuất thông tin pháp lý chuyên sâu.
  • Phạm vi dữ liệu: Luận án giới hạn phạm vi vào hai nhóm văn bản pháp lý chính gồm luật thành văn (statutory law) và án lệ/vụ án (case law/legal case). Dữ liệu thực nghiệm bao gồm tập dữ liệu án lệ Tòa án Liên bang Canada thuộc cuộc thi COLIEE (2019, 2020, 2021, 2022); dữ liệu luật thành văn Nhật Bản (COLIEE tiếng Nhật và bản dịch tiếng Anh); dữ liệu pháp luật Việt Nam từ cuộc thi ALQAC (2021–2023), tập dữ liệu 5.000 mẫu hỏi đáp Luật Dân sự Việt Nam, cùng tập dữ liệu gồm 9.000 vụ án, 255 văn bản luật, 693 tòa án và 185 lĩnh vực pháp lý tại Việt Nam.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Theo phân loại của Katz và cộng sự, các bài toán trong xử lý ngôn ngữ tự nhiên pháp lý (Legal NLP) được chia thành bảy nhóm chính: tài nguyên (resources), tiền xử lý (pre-processing), truy xuất thông tin (information retrieval), phân loại (classification), trích xuất thông tin (information extraction), tóm tắt văn bản (summarization), và sinh văn bản (text generation). Zhong và cộng sự phân chia các phương pháp AI pháp lý thành phương pháp dựa trên biểu tượng (symbol-based methods) và phương pháp dựa trên nhúng (embedding-based methods).

Nhóm phương pháp / Bài toán Các công trình và kỹ thuật tiêu biểu được tác giả điểm lại
Hệ thống dựa trên luật (Rule-based) Hệ thống chuyên gia và so khớp từ vựng, hệ thống suy luận logic PROLEG (Satoh và cộng sự; Sergot và cộng sự).
Mô hình truy xuất truyền thống BM25 (Robertson và cộng sự), Mô hình không gian vector - VSM (Salton và cộng sự), Mô hình ngôn ngữ trong IR (Ponte & Croft; Zhai & Lafferty), Mô hình dịch thuật (Berger và cộng sự).
Học xếp hạng (Learning to Rank - L2R) RankNet (Burges và cộng sự), LambdaRank, LambdaMART (Wu và cộng sự), kỹ thuật công nghệ đặc trưng thủ công (Liu và cộng sự).
Mô hình nơ-ron và Neural IR Semantic Hashing (Salakhutdinov & Hinton), DSSM (Huang và cộng sự), CNN (Shen và cộng sự), LSTM/RNN (Palangi và cộng sự), Tree-LSTM (Tai và cộng sự), mô hình so khớp tương tác (Pang và cộng sự; Wan và cộng sự; McDonald và cộng sự).
Mô hình ngôn ngữ tiền huấn luyện Transformer (Vaswani và cộng sự), BERT (Devlin và cộng sự), RoBERTa, mono-T5, Large Language Models (LLMs) như GPT-4.
Truy xuất và suy luận án lệ Phân tích logic và thống kê (Bench-Capon và cộng sự), cơ sở tri thức miền (Zeng và cộng sự), từ điển đồng nghĩa và ontology (Saravanan và cộng sự), kết hợp phân tích cấu trúc và VSM (Mandal và cộng sự), BERT-PLI (Shao và cộng sự), mô hình Transformer cho entailment (Rabelo và cộng sự), trích xuất tóm tắt và cho điểm cụm từ (Tran và cộng sự).
Đồ thị tri thức pháp lý Biểu diễn chuẩn mực pháp lý và quyết định tòa án Áo (Filtz), SALKG (Tang và cộng sự), tích hợp Open IE và mẫu thiết kế ontology (Sovrano và cộng sự), dự đoán nút tương đồng trong đồ thị án lệ (Dhani và cộng sự), dự đoán điều luật áp dụng dựa trên hoàn thiện đồ thị tri thức (Li và cộng sự).
Các luận án tiến sĩ liên quan Cơ chế chú ý trong mạng nơ-ron sâu cho văn bản luật (Nguyen), mô hình lai trích xuất luật từ văn bản lập luận (Liga), mạng nơ-ron sâu khám phá thông tin văn bản luật (Chalkidis), khung khái niệm miền tri thức luật và công nghệ (Horton), nhận diện và biểu diễn sự kiện/thời gian trong văn bản luật (Navas Loro).

Khoảng trống nghiên cứu được luận án giải quyết

Từ việc phân tích tổng quan các công trình, tác giả xác định các khoảng trống kỹ thuật chính:

  1. Trong bài toán truy xuất án lệ và xác định hệ luận án lệ, phần lớn các mô hình học sâu hiện có biểu diễn và học ở cấp độ toàn bộ văn bản án lệ dài, dẫn đến việc mất mát thông tin ngữ cảnh cục bộ và khó khăn trong việc mô hình hóa lập luận logic. Luận án đề xuất tiếp cận ở các mức hạt mịn (đoạn văn – đoạn văn, phán quyết – đoạn văn) trong một mô hình hỗ trợ (supporting model) thống nhất.
  2. Thiếu các phương pháp giải quyết tình trạng khan hiếm dữ liệu gán nhãn trong lĩnh vực pháp lý mà không tốn kém tài nguyên chuyên gia. Luận án đề xuất cơ chế tự động sinh dữ liệu gán nhãn yếu (weakly labeled data) dựa trên giả định quan hệ hỗ trợ.
  3. Chưa có nghiên cứu xây dựng đồ thị tri thức không đồng nhất (heterogeneous knowledge graph) kết nối đa thực thể (tòa án, vụ án, văn bản luật, lĩnh vực) phục vụ bài toán truy xuất luật thành văn cho vụ án.
  4. Các nghiên cứu về hỏi đáp pháp lý dựa trên truy xuất chủ yếu tập trung vào so khớp từ vựng và ngữ nghĩa bề mặt, chưa khai thác mạng lưới quan hệ tham chiếu liên điều luật (cả tham chiếu nội bộ và tham chiếu tầm xa) kết hợp với các mô hình ngôn ngữ tiền huấn luyện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm sử dụng

  • Luật thành văn (Statutory law/Statute law): Hệ thống các văn bản quy phạm pháp luật do cơ quan lập pháp ban hành, được hệ thống hóa thành các bộ luật, đạo luật, nghị định, phân cấp thành phần, chương, mục, điều khoản.
  • Án lệ (Case law): Tập hợp các phán quyết, giải thích pháp lý của tòa án đối với các vụ án cụ thể, đóng vai trò làm tiền lệ cho các phán quyết tiếp theo.
  • Quan hệ hỗ trợ (Supporting relation): Mối quan hệ giữa một vụ án truy vấn $c_q$ và các án lệ liên quan $C^r = {c^r_1, c^r_2, \dots, c^r_k}$ trong cơ sở dữ liệu án lệ $C$, trong đó các án lệ được chọn là các án lệ được chú ý (noticed cases) hỗ trợ cho việc đưa ra quyết định của $c_q$.
  • Quan hệ hệ luận pháp lý (Legal entailment): Mối quan hệ giữa phán quyết $d_q$ của vụ án truy vấn $c_q$ và tập hợp các đoạn văn $P^e = {p^e_1, p^e_2, \dots, p^e_l}$ trích từ án lệ liên quan $c^r \in C^r$, trong đó đoạn văn $p^e$ chứa lập luận pháp lý suy diễn hoặc làm tiền đề cho phán quyết $d_q$ (tương đồng với khái niệm Textual Entailment / Natural Language Inference trong NLP).
  • Đồ thị tri thức không đồng nhất (Heterogeneous Knowledge Graph): Cấu trúc đồ thị $G = (V, E, T_v, T_e)$ trong đó tập đỉnh $V$ và tập cạnh $E$ đại diện cho nhiều loại thực thể pháp lý và quan hệ khác nhau.
  • Mạng tham chiếu điều luật (Article Reference Network): Cấu trúc đồ thị mô tả các mối liên kết dẫn chiếu nội bộ (trong cùng một văn bản luật) và dẫn chiếu bên ngoài (giữa các văn bản luật khác nhau).

Phương pháp nghiên cứu thực tế

Luận án kết hợp ba nhóm phương pháp:

  • Phương pháp nghiên cứu định tính: Phân tích cấu trúc ngữ nghĩa văn bản luật, đặc trưng ngôn ngữ học pháp lý, khảo sát các mối quan hệ dẫn chiếu chéo, định nghĩa các kiểu thực thể và lược đồ đồ thị tri thức pháp lý.
  • Phương pháp nghiên cứu định lượng: Phân tích phân bố độ dài văn bản, độ dài truy vấn, mật độ liên kết tham chiếu; tính toán các độ đo thống kê và đánh giá hiệu năng các mô hình truy xuất bằng các chỉ số định lượng.
  • Phương pháp nghiên cứu thực nghiệm: Thiết kế các đường ống (pipelines) xử lý và huấn luyện mô hình; xây dựng mô hình gán nhãn yếu; triển khai các kiến trúc học sâu kết hợp mô hình ngôn ngữ tiền huấn luyện (BERT, Multilingual-BERT, mono-T5); thực nghiệm so sánh với các đường cơ sở và bảng xếp hạng trên các tập dữ liệu chuẩn.

Nguồn dữ liệu sử dụng trong luận án

Tập dữ liệu Ngôn ngữ Quy mô / Đặc điểm dữ liệu Nhiệm vụ sử dụng
COLIEE 2019, 2020 Tiếng Anh Án lệ từ Tòa án Liên bang Canada (do Compass Law cung cấp) Đánh giá Task 1 (Case Law Retrieval) và Task 2 (Case Law Entailment)
COLIEE 2021, 2022 Tiếng Nhật, Tiếng Anh Bộ luật Dân sự Nhật Bản và các truy vấn luật thành văn Đánh giá Task 3 (Statute Law Retrieval)
Đồ thị tri thức Pháp luật Việt Nam Tiếng Việt 9.000 vụ án, 255 văn bản luật, 693 tòa án, 185 lĩnh vực pháp lý Xây dựng đồ thị tri thức và đánh giá truy xuất luật thành văn cho vụ án
ALQAC 2021, 2022, 2023 Tiếng Việt Dữ liệu câu hỏi và văn bản luật quy chuẩn Việt Nam Đánh giá bài toán trả lời câu hỏi pháp lý dựa trên truy xuất điều luật
Bộ dữ liệu Luật Dân sự Việt Nam Tiếng Việt 5.000 mẫu hỏi đáp được gán nhãn Huấn luyện và đánh giá mô hình hỏi đáp pháp lý tiếng Việt

Nội dung chính theo từng chương

Chương 1: Giới thiệu (Introduction)

Chương 1 thiết lập bối cảnh nghiên cứu về sự cần thiết của việc tự động hóa quá trình truy xuất thông tin pháp lý trong kỷ nguyên số. Tác giả trình bày chi tiết năm thách thức cốt lõi:

  1. Bản chất phức tạp của các bài toán IR pháp lý đòi hỏi khả năng suy luận logic vượt trên mức so khớp từ khóa hay chủ đề.
  2. Đặc trưng ngôn ngữ pháp lý mang tính nghi thức, dung lượng văn bản dài, cấu trúc phân cấp phức tạp và phụ thuộc nhiều vào thuật ngữ miền.
  3. Cấu trúc liên kết ẩn phức tạp giữa các thực thể pháp lý (dẫn chiếu, trích dẫn, quan hệ giữa tòa án, vụ án, điều luật).
  4. Sự khan hiếm của dữ liệu gán nhãn chất lượng cao do chi phí chuyên gia và rào cản pháp lý.
  5. Tính cục bộ của hệ thống pháp luật và ngôn ngữ tại từng quốc gia.

Chương này xác định phạm vi nghiên cứu (luật thành văn và án lệ), phát biểu hình thức ba bài toán nghiên cứu chính (Truy xuất án lệ theo Công thức 1.1 và 1.2; Truy xuất luật thành văn cho vụ án theo Công thức 1.3; Trả lời câu hỏi pháp lý dựa trên truy xuất theo Công thức 1.4), đồng thời công bố bốn câu hỏi nghiên cứu, ba mục tiêu chính và tóm tắt cấu trúc năm chương của luận án.

Chương 2: Tổng quan tài liệu về các bài toán và phương pháp (Literature Review of Problems and Methods)

Chương 2 cung cấp bức tranh toàn diện về các hướng tiếp cận trong Legal NLP và IR:

  • Phân loại bài toán Legal NLP: Khảo cứu bảy nhóm bài toán theo phân loại kỹ thuật của Katz và cộng sự, nhấn mạnh vai trò của truy xuất văn bản và hỏi đáp pháp lý.
  • Các phương pháp biểu diễn dữ liệu: Phân tích biểu diễn văn bản (từ túi từ, VSM, nhúng từ GloVe/Word2Vec đến các mô hình ngôn ngữ dựa trên Transformer như BERT, RoBERTa, T5) và biểu diễn cấu trúc (TextRank, mạng nơ-ron đồ thị GCN/GNN, đồ thị tri thức).
  • Mô hình truy xuất thông tin: Điểm lại các mô hình truyền thống (BM25, Language Model IR, Translation Model), các thuật toán học xếp hạng (RankNet, LambdaMART), và các kiến trúc nơ-ron cho IR (DSSM, CNN, LSTM, Tree-LSTM, các mô hình tương tác cục bộ).
  • Tổng quan các bài toán cụ thể: Phân tích các nghiên cứu tiền nhiệm trên tập dữ liệu COLIEE, AILA, Legal TREC, CAIL, CJRC, LMTC, JEC-QA; chỉ ra ưu và nhược điểm của các phương pháp hiện hành trong việc xử lý văn bản pháp lý dài và quan hệ thực thể.

Chương 3: Mô hình quan hệ hỗ trợ trong truy xuất án lệ (Supporting Relation Model for Case Law Retrieval)

Chương 3 tập trung giải quyết bài toán truy xuất án lệ và xác định hệ luận án lệ (tương ứng Task 1 và Task 2 trong cuộc thi COLIEE):

  • Khái niệm quan hệ hỗ trợ (Supporting Relation): Tác giả lập luận rằng mối quan hệ hỗ trợ giữa hai vụ án thực chất bắt nguồn từ các mối quan hệ hỗ trợ ở cấp độ đoạn văn (paragraph-level) và phán quyết (decision-level). Một án lệ ứng viên chỉ hỗ trợ cho vụ án truy vấn khi có các đoạn văn cụ thể hỗ trợ hoặc dẫn xuất đến phán quyết của vụ án truy vấn.
  • Chiến lược tạo dữ liệu gán nhãn yếu (Weak-labeling Supporting Dataset): Để giải quyết sự thiếu hụt dữ liệu huấn luyện, luận án đề xuất phương pháp trích xuất tự động các cặp văn bản mang quan hệ hỗ trợ từ các án lệ có sẵn mà không cần gán nhãn thủ công từ đầu.
  • Kiến trúc mô hình hỗ trợ (Supporting Model): Xây dựng mạng nơ-ron dựa trên BERT để mô hình hóa và tính điểm tương đồng hỗ trợ giữa các cặp văn bản ở mức đoạn văn.
  • Kết hợp mô hình từ vựng và mô hình hỗ trợ: Tích hợp điểm số từ mô hình từ vựng truyền thống (BM25/TF-IDF) với điểm số ngữ nghĩa từ mô hình hỗ trợ thông qua phương pháp chấm điểm (Scoring Method) để xếp hạng các án lệ ứng viên.
  • Kết quả thực nghiệm: Đánh giá trên tập dữ liệu COLIEE 2019 và COLIEE 2020 cho cả hai bài toán:
    • Bài toán truy xuất án lệ (Task 1): Đạt kết quả cạnh tranh so với các đội trên bảng xếp hạng chính thức COLIEE 2019 và COLIEE 2020.
    • Bài toán hệ luận án lệ (Task 2): Mô hình hỗ trợ xác định chính xác các đoạn văn mang tính hệ luận đối với phán quyết mục tiêu, vượt qua các mô hình đường cơ sở dựa trên so khớp văn bản toàn bộ.

Chương 4: Đồ thị tri thức cho truy xuất luật thành văn và án lệ (Knowledge Graph for Statutory – Case Law Retrieval)

Chương 4 trình bày giải pháp cho bài toán tìm kiếm các văn bản luật thành văn liên quan đến một vụ án cụ thể thông qua đồ thị tri thức:

  • Định nghĩa Đồ thị tri thức án lệ Việt Nam (Vietnamese Legal Case Knowledge Graph): Đồ thị không đồng nhất bao gồm bốn loại thực thể chính: Tòa án (Court), Vụ án/Bản án (Case), Lĩnh vực pháp lý (Domain), và Văn bản quy phạm pháp luật (Statutory Law).
  • Quy trình xây dựng đồ thị (Knowledge Graph Construction):
    • Thu thập dữ liệu: Xử lý 9.000 bản án, 255 văn bản luật, thông tin 693 tòa án và 185 lĩnh vực pháp lý tại Việt Nam.
    • Trích xuất thực thể và liên kết: Sử dụng các kỹ thuật NLP để trích xuất các thực thể luật được viện dẫn trong nội dung bản án, chuẩn hóa tên gọi điều luật và thiết lập các cạnh nối giữa Vụ án – Tòa án, Vụ án – Lĩnh vực, và Vụ án – Văn bản luật.
  • Triển khai mô hình truy xuất dựa trên đồ thị: Kết hợp phương pháp so khớp nội dung vụ án (Case-Law Matching) với việc khai thác cấu trúc liên kết đồ thị (Domain Case-Case Matching and KG Method) để xếp hạng các văn bản luật liên quan nhất cho một vụ án đầu vào.
  • Kết quả thực nghiệm: Các thực nghiệm (từ Run 1 đến Run 11) chứng minh rằng việc bổ sung thông tin cấu trúc từ đồ thị tri thức giúp tăng cường đáng kể độ chính xác truy xuất so với các phương pháp chỉ sử dụng văn bản thuần túy.

Chương 5: Mạng tham chiếu điều luật cho bài toán trả lời câu hỏi pháp lý dựa trên truy xuất (Article Reference Network for IR–Based Legal Question Answering)

Chương 5 phát triển phương pháp mạng tham chiếu điều luật nhằm giải quyết bài toán tìm kiếm các điều luật chứa câu trả lời cho một câu hỏi pháp lý:

  • Mạng quan hệ tham chiếu điều luật (Article Reference Relation Network): Phân tích các liên kết tham chiếu nội bộ (internal references - tham chiếu giữa các điều khoản trong cùng một bộ luật) và tham chiếu bên ngoài (external references - tham chiếu giữa các bộ luật/văn bản khác nhau), biểu diễn cấu trúc luật thành văn dưới dạng mạng lưới liên kết.
  • Kiến trúc mô hình mạng tham chiếu (Reference Network Model): Tích hợp cấu trúc tham chiếu vào các mô hình ngôn ngữ tiền huấn luyện (BERT, mono-T5) để mã hóa sự phụ thuộc cục bộ và phụ thuộc tầm xa giữa các điều luật.
  • Thuật toán xếp hạng ngưỡng đường dẫn (Trail-threshold Ranking): Đề xuất cơ chế lọc và xếp hạng điều luật dựa trên trọng số đường dẫn tham chiếu và ngưỡng tương đồng ngữ nghĩa.
  • Thực nghiệm trên dữ liệu quốc tế (COLIEE): Đánh giá trên tập dữ liệu COLIEE 2021 và COLIEE 2022 Task 3 (tiếng Anh và tiếng Nhật). Kết quả thực nghiệm cho thấy mô hình mạng tham chiếu vượt qua các phương pháp truyền thống (như BM25) và đạt thứ hạng cao khi so sánh với các đội tham gia cuộc thi COLIEE 2021, COLIEE 2022.
  • Thực nghiệm trên dữ liệu tiếng Việt:
    • Áp dụng trên tập dữ liệu ALQAC (2021–2023) và bộ dữ liệu 5.000 mẫu Luật Dân sự Việt Nam.
    • Kết hợp mạng tham chiếu và phương pháp sinh dữ liệu làm giàu tự động (Supporting Relation for Automatic Data Enrichment), kết hợp mô hình kết hợp (Ensemble model) đạt kết quả vượt trội so với các hệ thống cơ sở (như Paraformer và các nhóm nghiên cứu khác).

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và khoa học

  1. Khung mô hình hóa quan hệ hỗ trợ đa mức hạt: Luận án đề xuất quan điểm tiếp cận mới trong truy xuất án lệ, chuyển từ việc mô hình hóa văn bản toàn bộ sang mô hình hóa quan hệ hỗ trợ ở cấp độ hạt mịn (đoạn văn – đoạn văn, phán quyết – đoạn văn), cho phép giải quyết đồng thời cả hai bài toán truy xuất án lệ (retrieval) và xác định hệ luận án lệ (entailment) trong một kiến trúc thống nhất.
  2. Phương pháp tự động sinh dữ liệu gán nhãn yếu: Đề xuất cơ chế tạo lập dữ liệu gán nhãn yếu tự động dựa trên cấu trúc hỗ trợ nội tại của văn bản pháp lý, cung cấp giải pháp giảm phụ thuộc vào tài nguyên gán nhãn chuyên gia đắt đỏ trong Legal NLP.
  3. Mô hình hóa cấu trúc không đồng nhất và mạng tham chiếu điều luật: Định nghĩa và hiện thực hóa thành công việc tích hợp cấu trúc liên kết đồ thị (đồ thị tri thức thực thể pháp lý đa kiểu và mạng lưới tham chiếu liên điều luật tầm xa) vào các mô hình học sâu và mô hình ngôn ngữ tiền huấn luyện (BERT, mono-T5).

Đóng góp về mặt thực tiễn và ứng dụng

  1. Xây dựng tài nguyên tri thức pháp luật Việt Nam: Xây dựng đồ thị tri thức pháp lý tiếng Việt quy mô gồm 9.000 vụ án, 255 văn bản luật, 693 tòa án và 185 lĩnh vực; cung cấp cơ sở dữ liệu có cấu trúc phục vụ nghiên cứu và ứng dụng khai phá dữ liệu pháp luật trong nước.
  2. Đề xuất giải pháp kỹ thuật có hiệu năng cao: Các mô hình đề xuất đã được kiểm chứng thông qua các kỳ thi chuẩn quốc tế (đạt thứ hạng cao tại COLIEE 2019, 2020, 2021, 2022) và trong nước (cuộc thi ALQAC 2021, 2022, 2023).

Danh mục các công trình công bố của tác giả liên quan trực tiếp đến luận án

  • [VTHY1] Công bố trên tạp chí Artificial Intelligence and Law (SCIE, Q1), năm 2022 (về mô hình hỗ trợ cho truy xuất án lệ và tạo dữ liệu gán nhãn yếu).
  • [VTHY2] Công bố trên tạp chí Review of Socionetwork Strategies (ESCI, WoS), năm 2024 (về phương pháp đa nhiệm và mô hình kết hợp trong xử lý thông tin pháp lý).
  • [VTHY3] Công bố tại Kỷ yếu Hội nghị quốc tế 15th International Conference on Knowledge and Systems Engineering (KSE), năm 2023, Scopus (về xây dựng đồ thị tri thức không đồng nhất cho truy xuất luật thành văn và án lệ).
  • [VTHY4] Công bố tại JSAI-isAI 2022, Lecture Notes in Computer Science (LNCS), Springer (về mạng tham chiếu điều luật cho hỏi đáp pháp lý).
  • [VTHY5] Công bố tại Hội nghị quốc tế KSE 2022, Scopus (về giải pháp cho cuộc thi ALQAC).
  • [VTHY6] Công bố tại Hội nghị quốc tế KSE 2023, Scopus (về mở rộng mô hình truy xuất và hỏi đáp pháp lý tiếng Việt).

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được chỉ ra từ nghiên cứu

  • Phạm vi loại tài liệu: Luận án tập trung chuyên sâu vào hai loại hình văn bản chính là luật thành văn (statutory law) và án lệ (case law), chưa mở rộng sang các dạng tài liệu pháp lý khác như hiến pháp, hợp đồng thương mại, đơn từ tố tụng, bằng sáng chế hoặc nhãn hiệu.
  • Rào cản giới hạn độ dài của mô hình ngôn ngữ: Các mô hình ngôn ngữ tiền huấn luyện nền tảng có giới hạn chiều dài token đầu vào (ví dụ: BERT tối đa 512 token, GPT-4 tối đa 32.768 token), gây khó khăn nhất định khi xử lý trực tiếp toàn văn các văn bản luật hoặc bản án có dung lượng rất lớn mà không thông qua bước phân đoạn.
  • Yêu cầu tài nguyên tính toán: Việc huấn luyện và suy luận các mô hình học sâu kết hợp đồ thị và mô hình ngôn ngữ lớn đòi hỏi năng lực tính toán phần cứng đáng kể.
  • Tính phụ thuộc tài phán: Việc chuyển đổi các mô hình sang các hệ thống pháp luật khác nhau đòi hỏi phải xây dựng lại cấu trúc trích xuất thực thể và mạng lưới tham chiếu phù hợp với đặc thù lập pháp của từng quốc gia.

Hướng nghiên cứu tiếp theo

  • Mở rộng các kiến trúc mô hình hóa sang các thể loại tài liệu pháp lý phức tạp khác như hợp đồng và tài liệu tố tụng.
  • Nghiên cứu cơ chế ứng dụng các mô hình ngôn ngữ lớn (LLMs) trong giai đoạn nhúng văn bản ngữ cảnh và tái xếp hạng (re-ranking) tối ưu cho văn bản pháp lý dài.
  • Tiếp tục phát triển và hoàn thiện các tài nguyên ngữ liệu pháp lý, chuẩn hóa công cụ trích xuất thực thể tự động cho ngôn ngữ tài nguyên thấp như tiếng Việt.

Giá trị tham khảo

Luận án mang lại giá trị tham khảo khoa học và thực tiễn cho nhiều nhóm đối tượng:

  • Nghiên cứu sinh và học viên cao học: Cung cấp tài liệu tham khảo chi tiết về phương pháp kết hợp giữa biểu diễn đồ thị (Knowledge Graph, Reference Network) với các mô hình ngôn ngữ tiền huấn luyện (BERT, mono-T5) trong lĩnh vực xử lý ngôn ngữ tự nhiên chuyên ngành.
  • Giảng viên và nhà nghiên cứu Công nghệ thông tin / Khoa học dữ liệu: Cung cấp tài liệu tổng quan hệ thống về các bài toán Legal NLP, các tập dữ liệu benchmark quốc tế (COLIEE) và trong nước (ALQAC), cùng phương pháp luận thực nghiệm xử lý văn bản có cấu trúc phân cấp dài.
  • Kỹ sư phát triển hệ thống và chuyên gia công nghệ pháp lý (LegalTech): Cung cấp các thiết kế kiến trúc đường ống (pipeline) hoàn chỉnh cho bài toán tìm kiếm án lệ tương đồng, tự động tra cứu điều luật áp dụng cho hồ sơ vụ án, và xây dựng hệ thống hỏi đáp tự động hỗ trợ hoạt động tư vấn, xét xử.

Câu hỏi thường gặp

1. Ba bài toán truy xuất thông tin pháp lý chuyên sâu được luận án tập trung giải quyết là gì?

Luận án tập trung vào ba bài toán: (i) Truy xuất án lệ (Case law retrieval), gồm hai giai đoạn là tìm kiếm án lệ hỗ trợ và xác định đoạn văn mang tính hệ luận với phán quyết; (ii) Truy xuất luật thành văn cho vụ án (Statutory – case law retrieval), tìm các văn bản luật liên quan đến một vụ án đầu vào; và (iii) Trả lời câu hỏi pháp lý dựa trên truy xuất (IR–based legal question answering), tìm các điều luật cụ thể chứa câu trả lời cho câu hỏi pháp lý.

2. Luận án giải quyết vấn đề khan hiếm dữ liệu gán nhãn trong bài toán truy xuất án lệ bằng phương pháp nào?

Tác giả đề xuất phương pháp tự động trích xuất các thành phần hỗ trợ để xây dựng tập dữ liệu gán nhãn yếu (weak-labeling supporting dataset) từ các án lệ có sẵn mà không cần dữ liệu gán nhãn thủ công ban đầu, sau đó sử dụng tập dữ liệu này để huấn luyện mô hình hỗ trợ dựa trên BERT.

3. Đồ thị tri thức pháp lý trong Chương 4 bao gồm các loại thực thể nào và được xây dựng trên nguồn dữ liệu nào?

Đồ thị tri thức không đồng nhất được xây dựng gồm bốn loại thực thể: Tòa án (Court), Vụ án/Bản án (Case), Lĩnh vực pháp lý (Domain), và Văn bản quy phạm pháp luật (Statutory Law). Đồ thị được xây dựng từ tập dữ liệu thực tế tại Việt Nam gồm 9.000 vụ án, 255 văn bản luật, 693 tòa án và 185 lĩnh vực pháp lý.

4. Mạng tham chiếu điều luật trong Chương 5 khai thác những loại quan hệ nào?

Mô hình khai thác cả quan hệ tham chiếu nội bộ (internal references giữa các điều khoản trong cùng một văn bản luật) và quan hệ tham chiếu bên ngoài (external references giữa các văn bản luật khác nhau), nhằm nắm bắt các mối phụ thuộc ngữ nghĩa cục bộ lẫn tầm xa giữa các điều luật.

5. Các mô hình trong luận án được kiểm chứng trên những bộ dữ liệu chuẩn nào?

Các mô hình được đánh giá trên các bộ dữ liệu chuẩn quốc tế của cuộc thi COLIEE (các năm 2019, 2020, 2021, 2022 với dữ liệu tiếng Anh từ Tòa án Liên bang Canada và dữ liệu luật thành văn Nhật Bản), các bộ dữ liệu cuộc thi ALQAC (2021–2023), và bộ dữ liệu hỏi đáp Luật Dân sự Việt Nam gồm 5.000 mẫu.


Kết luận

Luận án tiến sĩ của tác giả Vương Thị Hải Yến đã giải quyết các thách thức cốt lõi trong truy xuất thông tin pháp lý chuyên sâu thông qua việc kết hợp mô hình hóa quan hệ văn bản ở mức hạt mịn và biểu diễn cấu trúc đồ thị (đồ thị tri thức không đồng nhất và mạng tham chiếu điều luật). Các phương pháp đề xuất như mô hình hỗ trợ, chiến lược sinh dữ liệu gán nhãn yếu và cơ chế xếp hạng dựa trên mạng tham chiếu đã được kiểm chứng thực nghiệm chặt chẽ, đạt hiệu năng vượt trội trên các tập dữ liệu chuẩn quốc tế và Việt Nam. Công trình đóng góp cả về mặt phương pháp luận xử lý ngôn ngữ tự nhiên pháp lý lẫn giá trị thực tiễn trong việc xây dựng các công cụ hỗ trợ nghiên cứu và thực hành tư pháp số.