[論文レビュー] Using Argumentation Schemes to Model Legal Reasoning

Trevor Bench‐Capon, Katie Atkinson|arXiv (Cornell University)|Oct 1, 2022

Multi-Agent Systems and Negotiation被引用数 5

ひとこと要約

本稿は、米国の機密情報法を対象として、一般的な法制度における法的推論を、要因帰属、問題解決、結果決定の3段階に構造化することで、議論のスキームを導入する。これらのスキームが対照的説明を可能にし、主観的好みを必要としない前提に類似したケースを用いた推論に適応可能であることを示している。

ABSTRACT

We present argumentation schemes to model reasoning with legal cases. We provide schemes for each of the three stages that take place after the facts are established: factor ascription, issue resolution and outcome determination. The schemes are illustrated with examples from a specific legal domain, US Trade Secrets law, and the wider applicability of these schemes is discussed.

研究の動機と目的

• 共通法制度における法的推論を、明確に分類された推論段階に特化した議論のスキームを用いて形式化すること。
• 要因帰属、問題解決、結果決定を通じて、法的意思決定を体系的に説明する方法を提供すること。
• これらのスキームが法的分野を超えて、特に機械学習分類タスクにおいても適用可能であることを示すこと。
• 推論の仮定や先例に対する批判的質問を可能にすることで、対照的説明を支援すること。
• 要因の対立を扱う課題に対して、一貫性があり再利用可能なフレームワークを提供すること。

提案手法

• 本稿は、3段階の議論のスキームを定義する：要因帰属（事実を法的要因に関連付ける）、問題解決（賛成／反対要因の評価）、結果決定（解決済みの問題に規則を適用する）。
• 米国機密情報法の論理的モデルを用いて、問題とその構成要因をマッピングし、判例からの具体的な例を提示する。
• 要因帰属のスキームには、先例が現在の事例の分類と矛盾しないかを問う批判的質問が含まれる。
• 結果決定に関しては、線形モデル（例：CompetitiveAdvantageなどの要因の閾値を表す直線）を用い、反例や調整可能な閾値に関する批判的質問によって適合度を評価する。
• ユーザーが「なぜそれが成立しないか」を探索できる仕組みを提供することで、対照的説明を支援する。
• 既知のケースを先例として扱うことで、因果的適合が好みに基づく推論に代わる分類タスクに適した形で、非法的分野へもフレームワークを適応させる。

実験結果

リサーチクエスチョン

• RQ1 法的推論を、要因帰属、問題解決、結果決定という明確に分離された段階に体系的にモデル化する方法は何か？
• RQ2 対照的推論を支援する形で、法的意思決定を説明するために効果的な議論のスキームは何か？
• RQ3 これらのスキームは、機械学習分類のような非法的分野へどの程度移転可能か？
• RQ4 批判的質問は、法的分野および類似分野における推論の妥当性をどのように評価するのを支援するか？
• RQ5 分類タスクにおいて好みに基づく推論が欠如している場合、法的議論スキームの適用性がどのように向上するか？

主な発見

• 提案された議論スキームは、米国機密情報法における法的推論を、3つの明確に分離され、分析可能な段階に分解することで、成功裏にモデル化した。
• TCQ1（反例の存在）やTCQ2（閾値の調整）といった批判的質問は、要因帰属および結果決定の妥当性を強固に検証可能にする。
• CompetitiveAdvantageの帰属スキームは、初期に線形モデルで除外されたケース（Useless）に対してテストされたが、TCQ2による閾値（c）の調整により再分類が可能となった。
• ユーザーが「なぜそれが成立しないか」を探索できる仕組みを提供することで、対照的説明を支援する。
• 本手法は、顧客離脱予測やキノコ分類といった非法的分野へも移転可能であり、既知のケースが好みに基づく解決を必要としない先例として機能する。
• 移転を可能にする主な差異は、分類タスクが好みに基づく推論ではなく、データへの因果的適合に依存している点であり、これにより、実務的推論タスクよりも先例に基づく推論に適している。