[논문 리뷰] Using Argumentation Schemes to Model Legal Reasoning

Trevor Bench‐Capon, Katie Atkinson|arXiv (Cornell University)|2022. 10. 01.

Multi-Agent Systems and Negotiation인용 수 5

한 줄 요약

이 논문은 미국의 상업기밀법을 중심으로 공법 체계에서의 법적 추론을 모델링하기 위해 추론을 세 단계로 구조화함: 요소 할당, 문제 해결, 결과 결정. 이 스킴들은 대조적 설명을 가능하게 하며, 주관적인 선호 없이 사례 기반 추론을 지원하는 기계학습 분류와 같은 비법적 분야로도 응용 가능하다.

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.

연구 동기 및 목표

• 공법 관할권에서 추론 단계에 맞춘 특화된 추론 스킴을 사용하여 법적 추론을 형식화하는 것.
• 요소 할당, 문제 해결, 결과 결정을 통해 법적 결정을 체계적으로 설명하는 방법을 제공하는 것.
• 이러한 스킴이 법적 분야를 초월해 기계학습 분류 작업과 같은 비법적 분야에 어떻게 적용 가능한지 보여주는 것.
• 비판적 질문을 통해 추론 가정과 선례를 검토함으로써 대조적 설명을 지원하는 것.
• 충돌하는 요소를 다루는 데 있어 원칙적이고 재사용 가능한 프레임워크를 통해 법적 사례에서의 추론 과제를 해결하는 것.

제안 방법

• 논문은 세 단계를 위한 추론 스킴을 정의한다: 요소 할당(사실을 법적 요소에 연결), 문제 해결(찬반 요소 평가), 결과 결정(해결된 문제에 규칙 적용).
• 미국 상업기밀법의 논리적 모델을 사용하여 문제와 그 구성 요소인 요소들을 매핑하며, 사례 법원 판례의 구체적 예시를 제시한다.
• 요소 할당을 위한 스킴에는 현재 사례의 분류와 배치된 선례가 상충하는지 여부와 같은 비판적 질문이 포함된다.
• 결과 결정을 위한 경우, 선형 모델(예: CompetitiveAdvantage와 같은 요소의 임계값을 나타내는 선)을 사용하고, 반례 및 조정 가능한 임계값에 대한 비판적 질문을 통해 적합도를 평가한다.
• 사용자가 요소나 결과가 성립하지 않는 이유를 탐색할 수 있도록 허용함으로써 대조적 설명을 지원한다.
• 기존 사례를 선례로 간주함으로써 비법적 분야에 프레임워크를 적응시키며, 선호 기반 추론이 아닌 데이터에 대한 인과적 적합도가 추론의 기반이 되는 분류 작업에 적합하다.

실험 결과

연구 질문

• RQ1 요소 할당, 문제 해결, 결과 결정이라는 구분된 단계에서 법적 추론을 체계적으로 모델링하는 방법은 무엇인가?
• RQ2 대조적 추론을 지원하는 방식으로 법적 결정을 설명하는 데 효과적인 추론 스킴은 무엇인가?
• RQ3 이러한 스킴이 기계학습 분류와 같은 비법적 분야로 얼마나 이식 가능한가?
• RQ4 비판적 질문은 법적 분야와 유사 분야에서 추론의 타당성을 평가하는 데 어떻게 기여하는가?
• RQ5 분류 작업에서 선호 기반 추론이 없을 경우, 법적 추론 스킴의 적용 가능성은 어떻게 향상되는가?

주요 결과

• 제안된 추론 스킴은 미국 상업기밀법의 법적 추론을 세 가지 명확하고 분석 가능한 단계로 분해함으로써 성공적으로 모델링하였다.
• TCQ1(반례 존재 여부) 및 TCQ2(임계값 조정)와 같은 비판적 질문은 요소 할당 및 결과 결정의 강력한 검증을 가능하게 하였다.
• CompetitiveAdvantage 요소 할당 스킴은 초기 선형 모델에서 제외된 사례(Useless)에 대해 테스트되었으며, TCQ2를 통해 임계값(c)을 조정함으로써 재분류가 가능해졌다.
• 사용자가 요소나 결과가 성립하지 않는 이유를 탐색할 수 있도록 허용함으로써, 이 프레임워크는 대조적 설명을 지원한다.
• 이 방법은 고객 이탈 및 버섯 분류와 같은 비법적 분야로도 이식 가능하며, 선호 기반 해결이 필요 없이 기존 사례를 선례로 간주함으로써 적용 가능하다.
• 이식 가능성을 가능하게 하는 핵심적 차이는 분류 작업이 주관적인 선호가 아니라 데이터에 대한 인과적 적합도에 기반한다는 점이며, 이는 실용적 추론 작업보다 선례 기반 추론에 더 적합하다.