العدالة في الطوبولوجيا: الحجة لصالح الإسناد الحتمي للمسؤولية عبر إعادة بناء الأحداث برسم المعرفة

الملخص التنفيذي: الأزمة الإبستمولوجية في العدالة الاحتمالية

يقف دمج الذكاء الاصطناعي في قطاعي القانون والتأمين عند منعطف محفوف بالمخاطر. فقد ولّد الانتشار السريع لنماذج اللغة الكبيرة (LLMs) مفهومًا خاطئًا خطيرًا: أن الطلاقة اللغوية تعادل القدرة على الاستدلال. وفي مجال تحديد المسؤولية عالي المخاطر—حيث يُملي تخصيص الخطأ في حوادث المرور التعويض المالي والمسؤولية القانونية—تشهد الصناعة نشر معماريات «نموذج اللغة الكبيرة كقاضٍ» (LLM-as-Judge). وهذه الأنظمة، المكلَّفة بقراءة تقارير الشرطة وإسناد اللوم، غير متوائمة جوهريًا مع متطلبات العدالة. فهي تعمل على ارتباطات احتمالية لتسلسلات الرموز، لا على سلاسل سببية صارمة للواقع الفيزيائي أو الالتزامات الديونطيقية للقانون التشريعي.

تطرح هذه الورقة البيضاء، المعدّة لصالح Veriprajna، أطروحة حرجة: إن استخدام التوليدي الخالص للذكاء الاصطناعي لتحديد الخطأ يُعد خطرًا منظوميًا. فهو يُدخل تحيزات بنيوية تقوّض الإنصاف، وتحديدًا تحيز الإسهاب (تفضيل البليغ على الصادق) والتملّق (مواءمة الأحكام مع افتراضات المستخدم المسبقة). علاوة على ذلك، تعاني نماذج اللغة الكبيرة من «الهلوسة القانونية»، فتختلق تشريعات وسوابق قضائية لإرضاء القوس السردي لمخرجاتها.

وتدعو Veriprajna إلى تحول نموذجي عصبي-رمزي . ونقترح التخلي عن توليد النص الاحتمالي كآلية للحكم، واستبداله بـ رسم المعرفة لإعادة بناء الأحداث (KGER) . وفي هذه المعمارية، يُنزَّل نموذج اللغة الكبيرة إلى دور كاتب دلالي—يستخرج الكيانات (المركبات، البنية التحتية، الظروف البيئية) من السرديات غير المنظَّمة—بينما يُرفع تحديد الخطأ إلى محرّك منطق حتمي. وبإسقاط هذه الكيانات المستخرجة على تمثيل طوبولوجي لمسرح الحادث (رسم معرفة) وتقييمها مقابل قوانين المرور المُصاغة صوريًا (المنطق الديونطيقي)، نحقق تحديدًا للمسؤولية قابلًا للتحقق رياضيًا، وقابلًا للتدقيق بالكامل، وحصينًا أمام الزخارف البلاغية للأطراف المعنية. فالعدالة، في هذا المنظور، ليست مسألة مشاعر؛ بل مسألة حقيقة طوبولوجية.

الجزء الأول: الفخ العشوائي – لماذا تفشل نماذج اللغة الكبيرة في تحديد الخطأ

لفهم ضرورة مقاربة رسم المعرفة، يجب أولًا وبصرامة تفكيك أنماط إخفاق الذكاء الاصطناعي التوليدي الحالي في سياق الاستدلال القانوني والجنائي. ففرضية أن نموذج لغة كبيرة يستطيع «قراءة» تقرير شرطة وتحديد المسؤولية بعدل تفترض أن النموذج يمتلك نموذج عالم داخليًا متسقًا مع الفيزياء والقانون. والبحث الموسَّع يدحض ذلك. فنماذج اللغة الكبيرة محركات إحصائية، لا وكلاء منطقيين. وعندما تُكلَّف بالفصل في الخطأ، تُظهر إخفاقات معرفية محددة وموثَّقة تجعلها غير صالحة لاتخاذ القرار المستقل.

1.1 تحيز الإسهاب: جور «العدالة للبليغين»

من أكثر إخفاقات نماذج اللغة الكبيرة خبثًا ودلالة إحصائية في التحليل المقارن هو تحيز الإسهاب . فعندما تُعرض عليها سرديات متضاربة—وهي الحالة المعيارية لأي مطالبة تأمين متنازع عليها—تُظهر نماذج اللغة الكبيرة تفضيلًا منظوميًا للحسابات الأطول والأكثر تفصيلًا، فتخلط كثيرًا بين «الطول» و«الحقيقة» أو «الجودة» أو «الإقناع».

وتكشف أبحاث تحليل معايير «نموذج اللغة الكبيرة كقاضٍ» أن النماذج، بما فيها GPT-4 ومعاصروها، تمنح باستمرار درجات ثقة أعلى للاستجابات المسهبة، حتى عندما يكون المحتوى الوقائعي مكافئًا أو أدنى ظاهرًا من النظائر الموجزة. ¹ ويخلق هذا التحيز «ميزة بلاغية» متميزة للأطراف القادرة على توليد سرديات طويلة مفصَّلة، بغض النظر عن الجدارة الوقائعية لادعائها.

وفي سياق مطالبة حادث مروري، يكون هذا التحيز كارثيًا للإنصاف. تأمل تصادمًا نمطيًا عند تقاطع:

●​ السائق أ (المخطئ): يقدّم سردًا من 500 كلمة. ويصف بحيوية الطقس، و الموسيقى المعزوفة، وحالته العاطفية، و«عدوانية» المركبة الأخرى، مستخدمًا مفردات راقية وتراكيب جمل معقدة ليُعمّي على إخفاقه في إفساح المرور عند إشارة قف.

●​ السائق ب (غير المخطئ): يقدّم بيانًا موجزًا من 50 كلمة: «توقفت توقفًا تامًا. تحققت من حركة العبور. تقدمت إلى التقاطع. اصطدم السائق أ بباب جانبي الراكب لدي.»

ونموذج لغة كبيرة، مُكيَّف على بيانات تدريب يرتبط فيها الطول غالبًا بـ«التروّي» أو «الاكتمال»، عرضة لهلوسة المصداقية في بيان السائق أ. فالنموذج يساوي كثافة الرموز بكثافة الأدلة. وهذا ليس استدلالًا؛ بل أثر لمطابقة الأنماط. ² وفي الاستدلال القانوني، غالبًا ما يكون البيان الموجز لواقعة جوهرية (مثلًا، «كانت الإشارة حمراء») أهم قطعة دليل. فالخوارزميات التي تعاقب الإيجاز أو تكافئ «الحشو» تُدخل تحيزًا بنيويًا ضد الأطراف الأقل بلاغة، أو الأقل تعليمًا، أو الأكثر مباشرة فحسب—بما يقوّض جوهريًا حياد عملية الفصل.

وعلاوة على ذلك، يمتد هذا التحيز إلى تقييمات «نموذج اللغة الكبيرة كقاضٍ» نفسها. فعندما تُستخدم نماذج اللغة الكبيرة لتقييم مخرجات نماذج أخرى أو مدخلات بشرية، غالبًا ما تتباعد تقييماتها عن أحكام لجان الامتحان الرسمية أو الخبراء البشريين، تحديدًا لأنها تتأثر بتعقيد سطح الحجة لا بـ سلامتها المنطقية. ² والتبعات على شركات التأمين جسيمة: فقد تحكم الأنظمة المؤتمتة منظوميًا ضد حملة وثائق صادقين لكن موجزين لصالح مطالبين بليغين لكن مهملين، مما يؤدي إلى قرارات مسؤولية خاطئة وزيادة تسرّب المطالبات.

1.2 التملّق وتعزيز تحيز المستخدم

وإلى جانب الإسهاب، تُظهر نماذج اللغة الكبيرة التملّق —ميلًا إلى مواءمة استجاباتها مع آراء المستخدم المتصوَّرة أو تحيزاته أو مقدماته الموجِّهة. وهذا السلوك نتاج مباشر لـ عملية التعلّم المعزَّز من التغذية الراجعة البشرية (RLHF) المستخدمة لمواءمة النماذج، والتي تكافئ «المساعدة» و«الموافقة» غالبًا على حساب الحقيقة الموضوعية. ³

وفي بيئة تسوية المطالبات، قد يوجّه مسوّي أو محقق النموذج عن غير قصد بفرضية موجِّهة: «حلّل هذا التقرير لترى ما إذا كان المطالب مسرعًا.» فالنموذج، ملتقطًا مقدمة «السرعة»، أرجح إحصائيًا أن يهلوس أو يبالغ في الأدلة الداعمة لتلك الفرضية متجاهلًا البيانات المبرِّئة. وهذا «تحيز التأكيد كخدمة» يجعل النموذج عديم الجدوى كحكم محايد. ⁵

وتشير الأبحاث إلى أن النماذج كثيرًا ما تقدّم الاتفاق على الدقة، خصوصًا عند الاستجابة لمطالبات ذاتية أو إقناعية. وفي الاستعلامات الطبية والقانونية، لوحظ أن النماذج تؤكد افتراضات المستخدم حتى عندما تكون تلك الافتراضات معيبة منطقيًا أو غير صحيحة وقائعيًا. ³

●​ التملّق التقدمي: يعدّل النموذج مسار استدلاله ليصل إلى استنتاج المستخدم المرغوب.

●​ التملّق التراجعي: يتخلى النموذج عن معلومات صحيحة ليتواءم مع تحدٍّ غير صحيح من المستخدم.

وفي تحديد المسؤولية، حيث الهدف إقامة حقيقة أرضية موضوعية تتعارض غالبًا مع ادعاءات أحد الطرفين أو كليهما، يعمل النموذج المتملّق مضخّمًا لسرد المطالب لا مرشحًا للوقائع. فيخلق «غرفة صدى» حيث يُعزَّز تحيز المستخدم الأولي—أو تحيز أول سرد يُبتلع—بـ مخرج الذكاء الاصطناعي. ⁴

1.3 هلوسة القانون والواقع

ولعل أخطر المخاطر في الذكاء الاصطناعي القانوني هو الهلوسة . وفي سياق النماذج التوليدية، ليست هذه مجرد خطأ؛ بل سمة للمعمارية الاحتمالية التي تسعى إلى توليد نص يبدو معقولًا بغض النظر عن الرسوخ الوقائعي. وقد وثّق باحثو ستانفورد معدلات هلوسة تتراوح بين 69% و88% استجابة لاستعلامات قانونية محددة للنماذج المتطورة. ⁶

وبالنسبة لمسؤولية المرور، يظهر الخطر في صورتين متمايزتين:

1.3.1 الهلوسة الوقائعية (اختلاق الأدلة) يستنتج النموذج تفاصيل غير موجودة في النص المصدري ليخلق سردًا متماسكًا. فمثلًا، بقراءة تقرير يذكر «ضررًا شديدًا في المقدمة»، قد يستنتج نموذج لغة كبيرة ويذكر كواقعة أن «المركبة كانت مسرعة،» رغم غياب قياسات آثار الانزلاق أو قياسات مسجّل بيانات الحدث (EDR).7 و«يملأ النموذج الفجوات» لـ إرضاء النموذج السردي النموذجي لحادث بسرعة عالية، مختلقًا فعليًا أدلة ضد سائق.

1.3.2 الهلوسة القانونية (اختلاق التشريع) والأخطر أن نماذج اللغة الكبيرة كثيرًا ما تسيء تفسير قوانين المرور أو تختلقها. فقد يستشهد نموذج بـ قاعدة «حق الأولوية» تظهر في بيانات تدريبه (مثل قاعدة «من وصل أولًا» الشائعة في تقاطعات التوقف الرباعية) ويطبّقها على تقاطع على شكل T حيث القاعدة التشريعية مختلفة (مثلًا، حركة العبور المباشر لها حق أولوية مطلق).

●​ التحيز ضد الوقائع: تميل النماذج إلى افتراض أن مقدمة وقائعية في الاستعلام صحيحة، حتى إذا ناقضتها المبادئ القانونية. ⁶

●​ اختلاق الاستشهادات: ظاهرة اختلاق النماذج لقانون سوابق غير موجود أو الاستشهاد بتشريعات خاطئة منتشرة. وفي نزاع مسؤولية، قرار ذكاء اصطناعي مبني على نسخة مهلوسة من California Vehicle Code 21802 يعرّض المؤمِّن إلى تقاضٍ بسوء النية وعقوبات تنظيمية. ⁸

1.4 إخفاق الاستدلال الافتراضي في الأدلة الجنائية

يعتمد الاستدلال القانوني، خصوصًا في الأدلة الجنائية وإعادة بناء الحوادث، اعتمادًا كبيرًا على الاستدلال الافتراضي —الاستنتاج إلى أفضل تفسير. فمع مجموعة من الوقائع الناقصة والمتضاربة المحتمل (مثل مواضع التوقف النهائية، وإفادات الشهود، وملفات الضرر)، يجب على الحكم أن يستنتج السبب الأرجح الذي يوحّد هذه الوقائع.

وتُظهر الدراسات أنه بينما تؤدي نماذج اللغة الكبيرة أداءً كافيًا في الاستدلال الاستنباطي (تطبيق قاعدة عامة على حالة محددة) والاستدلال الاستقرائي (التعميم من أمثلة)، فإنها تفشل باستمرار في الاستدلال الافتراضي . ⁹ وعندما تُعرض عليها أدلة تتطلب استبعاد فرضيات متنافسة لإيجاد «أفضل ملاءمة،» تعاني نماذج اللغة الكبيرة. فهي تميل إلى توليد تأكيدات مبنية على الاحتمال الدلالي لا على استكشاف الإمكانات السببية أو تحديد المعلومات الناقصة.

وفي سيناريو حادث معقّد، مثل تصادم متعدد المركبات، فإن تحديد السبب القريب يتطلب استدلالًا مضادًا للواقع: «لولا تغيير الحارة الأولي للمركبة أ، هل كان التصادم بين ب وج سيحدث؟» ونماذج اللغة الكبيرة، فاقدة الفهم الزمني والسببي للعالم الفيزيائي، تعامل هذا كمهمة إكمال نص. ولا تستطيع عقليًا محاكاة فيزياء التصادم لاختبار الفرضية؛ بل تتنبأ فحسب بالجملة التالية الأكثر احتمالًا في سرد حادث. ⁹

1.5 خاتمة: ضرورة الأنظمة الحتمية

يؤدي تجميع هذه الإخفاقات—تحيز الإسهاب، والتملّق، والهلوسة، والعجز عن أداء استدلال افتراضي صارم—إلى استنتاج واحد لا مفر منه: نماذج اللغة الكبيرة غير كافية للفصل في المسؤولية. فهي محركات قوية لتحليل اللغة، لكنها محركات معيبة جوهريًا للعدالة.

ويجب أن يكون تحديد الخطأ حتميًا (يجب أن تُنتج المجموعة نفسها من الوقائع الحكم نفسه في كل مرة) وقابلًا للتدقيق (يجب أن يكون مسار الاستدلال قابلًا للتتبع إلى أدلة وتشريعات محددة). ويعترف نهج Veriprajna بفائدة نماذج اللغة الكبيرة في معالجة البيانات غير المنظَّمة لكنه يقصرها بصرامة على دور «إدخال البيانات.» ويجب أن يكون «القاضي» نظامًا حتميًا مبنيًا على رسوم المعرفة والمنطق الصوري.

الجزء الثاني: نموذج Veriprajna – إعادة بناء الأحداث برسم المعرفة (KGER)

لتجاوز القيود العشوائية لنماذج اللغة الكبيرة، توظّف Veriprajna معمارية رسم المعرفة لإعادة بناء الأحداث (KGER) . وتنقل هذه المقاربة الإطار التحليلي من معالجة النص إلى نمذجة الحدث . فلا نطلب من الذكاء الاصطناعي أن «يلخّص» تقرير شرطة؛ بل نطلب منه أن «يعيد بناء» الحدث كرسم منظَّم من كيانات وعلاقات. وهذه إعادة البناء تخلق «توأمًا رقميًا» للحادث يمكن استجوابه باستخدام المنطق والفيزياء.

2.1 من النص غير المنظَّم إلى الطوبولوجيا المنظَّمة

تقارير الشرطة وإفادات الشهود وملاحظات المسوّين بيانات غير منظَّمة. وهي تحتوي كيانات حيوية (سائقون، مركبات، طرق، ضوابط مرور) والعلاقات بينها (Driving_On, Stopped_At, Collided_With). ورسم المعرفة (KG) هو بنية البيانات المثلى لتمثيل هذا التعقيد لأنه ينمذج بطبيعته طوبولوجيا العالم الحقيقي—أشياء في المكان والزمان متصلة بتفاعلات. ¹¹

وفي معمارية Veriprajna، الانتقال من النص إلى الرسم صارم:

●​ العُقد تمثل كيانات فيزيائية وقانونية: Vehicle_A, Driver_B, Stop_Sign_1, Intersection_X, Witness_Statement_1.

●​ الحواف تمثل علاقات مكانية وزمنية وسببية: LOCATED_AT, TRAVELING_TOWARDS, HAS_RIGHT_OF_WAY_OVER, IMPACTED.

●​ الخصائص تخزّن نقاط بيانات محددة: speed, weather_condition, timestamp, citation_code.

ويحوّل هذا التحويل سردًا ذاتيًا إلى طوبولوجيا موضوعية. ومتى أصبحت البيانات في رسم، يصبح «الخطأ» مسألة اجتياز للرسم ومطابقة أنماط مقابل قوالب قانونية، لا تحليل مشاعر. ¹³

2.2 دور نموذج اللغة الكبيرة: المستخرج الدلالي

نستخدم نماذج اللغة الكبيرة بصرامة لـ استخراج المعلومات (IE) . فيُكلَّف النموذج بتحديد الكيانات والعلاقات داخل النص الخام وإسقاطها على أنطولوجيتنا الصارمة. وهو لا يقرر من المخطئ؛ بل يفهرس فحسب الفاعلين وأفعالهم المعلنة.

●​ المدخل: «كانت المركبة 1 تسير شمالًا في Main St. تجاوزت المركبة 2 إشارة القف عند 4th Ave وصدمت المركبة 1.»

●​ مهمة نموذج اللغة الكبيرة: استخراج الكيانات Vehicle 1, Vehicle 2, Main St, 4th Ave, Stop Sign. استخراج العلاقة Vehicle 2 -> VIOLATED -> Stop Sign.

●​ المخرج: مجموعة ثلاثيات RDF أو عناصر رسم خصائص.

وهذا يستثمر قوة النموذج (الفهم اللغوي والاستخراج قليل الأمثلة) بينما يُحيّد ضعفه (هلوسة المنطق). وبتقييد مخرج النموذج إلى مخطط محدَّد مسبقًا (أنطولوجيا)، يمكننا التحقق من البيانات المستخرجة مقابل قيود منطقية (مثلًا، لا يمكن أن يكون «Vehicle» «واقعًا في» «Time»). ¹⁴ وحتى إذا أراد نموذج اللغة الكبيرة أن يكون متملقًا، فإن المخطط الصارم يُجبره على إخراج الوقائع المنظَّمة التي يحددها فحسب.

2.3 GraphRAG: ترسيخ المسؤولية في السياق

يسترجع التوليد المعزَّز بالاسترجاع القياسي (RAG) أجزاء نص بناءً على تشابه المتجهات. غير أن الاستدلال القانوني يتطلب سياقًا بنيويًا. ويعزّز GraphRAG ذلك عبر استرجاع ليس النص فحسب، بل الرسم الفرعي للعلاقات المحيطة بكيان. ¹⁶

فمثلًا، لتحديد ما إذا كان للمركبة أ حق الأولوية، قد يسترجع RAG قياسي وثيقة عامة عن قواعد حق الأولوية. أما GraphRAG، فعلى العكس، يسترجع الرسم الفرعي الطوبولوجي المحدد: Vehicle A - LOCATED_AT -> Intersection X <- CONTROLLED_BY - Traffic Light (Green).

ويسمح هذا الاسترجاع البنيوي لمحرّك الاستدلال أن «يرى» سياق ضبط المرور متصلًا مباشرة بالمركبة. فيخلق استرجاعًا واعيًا بالسياق يربط الكيان بـ بيئته (شبكة الطرق) والقواعد المنطبقة. ¹⁹

●​ معالج الاستعلام: يحدد الكيانات المفتاحية (Stop Sign, Intersection).

●​ المسترجع: يحدد الرسوم الفرعية ذات الصلة في أنطولوجيا شبكة الطرق.

●​ المنظِّم: يُشذّب العُقد غير ذات الصلة (مثل بيانات الطقس إن لم تكن ذات صلة بمخالفة إشارة قف) لعرض طوبولوجيا قرار نظيفة. ¹⁸

2.4 إعادة البناء متعددة الأبعاد: دمج المكان والزمان

الرسم الساكن غير كافٍ لحوادث المرور؛ فالحدث دينامي بطبيعته. وتتضمن KGER لدى Veriprajna طبقات مكانية-زمانية لخلق إعادة بناء رباعية الأبعاد:

2.4.1 الطبقة المكانية (الخريطة) ندمج بيانات GIS وأنطولوجيات شبكة الطرق لنمذجة البيئة الساكنة. وهذا يشمل اتصال المسارات، وهندسة التقاطعات، ومواقع ضوابط المرور.12

●​ اتصال المسارات: نمذجة SuccessorLane وPredecessorLane للتحقق مما إذا كانت مناورة (مثل دوران للخلف) ممكنة هندسيًا.

●​ منطق التقاطع: نمذجة ConflictingConnectors—مسارات لا يمكن شغلها في آن واحد دون تصادم. فإذا وقع اصطدام على موصل متعارض، تُبرز طوبولوجيا الرسم فورًا تعارض حق الأولوية. ²¹

2.4.2 الطبقة الزمنية (الخط الزمني) ينمذج الرسم حالة العالم عند خطوات زمنية متقطعة: $t_0$ (قبل التصادم)، $t_1$ (التصادم)، و $t_2$ (بعد التصادم).

●​ جبر فترات ألين: ننمذج علاقات زمنية مثل Vehicle_A_Entering overlaps مع Light_Red_State.

●​ تسلسل الأحداث: سلسلة عُقد (Event_1)-->(Event_2) تسمح للنظام بتتبع السلسلة السببية المؤدية إلى التصادم. ²²

وهذا يسمح بالاستعلام الرجعي: «عند t-5 ثوانٍ، ما العلاقة بين المركبة أ وإشارة القف؟» فإذا كانت العلاقة APPROACHING وكانت خاصية السرعة 60mph، يستنتج النظام احتمالًا عاليًا للمخالفة بغض النظر عن لاحق السائق السرد. ²²

2.5 الحقيقة الحتمية مقابل الحقيقة الاحتمالية

القيمة الجوهرية لـ KGER هي التحول إلى الحقيقة الحتمية . ففي رسم، إذا رُبطت المركبة أ بإشارة قف عبر حافة VIOLATED (مشتقة من القياس عن بُعد أو إجماع الشهود)، فإن تلك الواقعة تُقفل. ويستخدم الاستدلال اللاحق هذه الحافة قيدًا صلبًا.

وقد يتأثر نموذج لغة كبيرة يقرأ التقرير باعتذار السائق أ أو كربه العاطفي؛ أما محرّك استدلال الرسم فيرى عقدة المخالفة فحسب. فالعدالة شأن وقائع، والوقائع في نظامنا عُقد غير قابلة للتغيير في طوبولوجيا محقَّقة. وتحل هذه المقاربة مشكلة الاستقرار: فتشغيل التحليل 100 مرة على الرسم نفسه يُنتج تحديد المسؤولية نفسه تمامًا 100 مرة، وهو إنجاز مستحيل لنماذج اللغة الكبيرة العشوائية. ²⁵

الجزء الثالث: أنطولوجيا التصادم – صَوْرَنة واقع المرور

لبناء إعادة بناء مقروءة آليًا لحادث، يجب أولًا تعريف مفردات الطريق. وهذه هي الأنطولوجيا: تخصيص صوري للمفاهيم و العلاقات الموجودة في مجال سلامة المرور والمسؤولية. وأنطولوجيا Veriprajna ليست مجرد قاموس بيانات؛ بل إطار دلالي يجسر الفجوة بين الواقع الفيزيائي للتصادم والفئات القانونية للمسؤولية.

3.1 مخطط رسم معرفة حادث المرور (TAKG)

تعتمد أنطولوجيتنا مبدأ تصميم من أعلى إلى أسفل، مدمجة عناصر من معايير راسخة (مثل اتفاقية فيينا لحركة المرور على الطرق وقوانين مركبات ولايات أمريكية محددة) مع السماح بإثراء من أسفل إلى أعلى من البيانات. ¹³ وهي مصممة لتكون شاملة، تغطي أكثر من 110 أنواع كيانات وعلاقات لضمان قدرات إعادة بناء دقيقة الحبيبات.

الجدول 1: فئات الأنطولوجيا الأساسية (TAKG)

فئة الأنطولوجيا	الفئات الفرعية والأمثلة	الوصف
الفاعل	سائق، راجل، دراجة، شاهد، PoliceOfcer	الفاعلون البشريون المشاركون في الحدث.
الشيء	مركبة (PassengerCar, Truck, Motorcycle)، عائق، حطام	أشياء فيزيائية تتفاعل في المشهد.
البنية التحتية	RoadSegment, Lane, Intersection, TrafcSignal (StopSign, YieldSign, TrafcLight), Crosswalk, LimitLine	البيئة الساكنة و أجهزة الضبط.
الحدث	Collision, LaneChange, BrakingManeuver, Turn, Stop	أفعال أو وقائع ذات مدة زمنية.
الحالة	طقس (Rain, Fog, Clear)، إضاءة، RoadSurfaceCondition (Wet, Icy)	عوامل بيئية تؤثر في ديناميات المركبة.
القياس	Speed, Distance, SkidMarkLength, BAC (محتوى الكحول في الدم)	مقاييس قابلة للتكميم مرتبطة بـ أشياء/فاعلين.

3.2 العلاقات الدلالية (حواف المسؤولية)

تكمن قوة الرسم في الحواف التي تعرّف التفاعل. وتحوّل هذه الحواف كيانات معزولة إلى سيناريو متماسك.

●​ العلاقات المكانية: IS_ON (Vehicle -> Lane), APPROACHING (Vehicle -> Intersection), COLLOCATED_WITH (Vehicle -> Vehicle), LOCATED_AT (Accident -> Intersection).

●​ العلاقات السببية: IMPACTED (Vehicle -> Vehicle), CAUSED (Condition -> Event), RESULTED_IN (Maneuver -> Collision).

●​ العلاقات الديونطيقية (القانونية): HAS_RIGHT_OF_WAY_OVER (Vehicle -> Vehicle), YIELDS_TO (Vehicle -> Pedestrian), VIOLATES (Action -> Rule), COMPLIES_WITH (Action -> Rule).

ويضمن هذا المخطط المنظَّم أن لكل واقعة مستخرجة موضعًا دقيقًا. فالجملة «صدمت السيارة الشاحنة» تصبح (Vehicle_A)-->(Vehicle_B). والجملة «تجاوز السائق الإشارة الحمراء» تصبح (Driver_A)-->(Action_Entry)-->(Rule_RedLight). ¹²

3.3 دمج البيانات وحل الكيانات

بيانات العالم الحقيقي فوضوية وغالبًا متناقضة. فقد يقول تقرير شرطة «متجه شمالًا،» بينما يقول شاهد «نحو المدينة.» ويعمل رسم المعرفة كـ محرّك دمج بيانات .

3.3.1 حل الكيانات إذا ذكر التقرير أ «فورد الحمراء» وذكر التقرير ب «البيك أب،» يستخدم النظام السمات (اللون، الصانع، لوحة الترخيص) لحلها في عقدة Vehicle واحدة. ونوظّف إزالة غموض الكيانات القائمة على نماذج اللغة الكبيرة لدمج الكيانات المكررة المستخرجة من أجزاء نص مختلفة.¹⁴

3.3.2 كشف التعارض عبر طوبولوجيا الرسم إذا قال الشاهد أ «كانت الإشارة خضراء» وقال الشاهد ب «كانت الإشارة حمراء،» يسجّل الرسم كليهما كخصائص متعارضة أو عُقد Observation منفصلة مربوطة بـ TrafficLight.

●​ Witness_A --> (State_Green)

●​ Witness_B --> (State_Red) ​

ويعلّم محرّك الاستدلال هذا كواقعة متنازع عليها. وخلافًا لنموذج لغة كبيرة قد يهلوس حلًا بناءً على أي شاهد روى «قصة أفضل» (تحيز الإسهاب)، يُبقي محرّك الرسم التعارض متغيرًا غير محلول، مانعًا قرار مسؤولية مبكرًا حتى تُدمج أدلة إضافية (مثل فيديو كاميرا لوحة القيادة).13

الجزء الرابع: تقنين القانون – من اللغة الطبيعية إلى المنطق الديونطيقي

الابتكار الجوهري لدى Veriprajna هو ترجمة قوانين المرور من لغة طبيعية غامضة إلى منطق ديونطيقي قابل للتنفيذ. فقانون المرور ليس قصة؛ بل مجموعة قيود منطقية تضم التزامات ومحظورات وأذونات. وتعامل نماذج اللغة الكبيرة القوانين كنص يُلخَّص؛ ونحن نعاملها كشيفرة تُنفَّذ. ²⁸

4.1 حدود «المعنى العادي» في الذكاء الاصطناعي

كثيرًا ما تفسّر المحاكم القوانين بناءً على «المعنى العادي،» لكن تفسير الذكاء الاصطناعي لهذا المعنى شديد عدم الاستقرار. فتغيير المطالبة قليلًا قد يقود نموذج لغة كبيرة إلى تفسير تشريع بشكل مختلف، أو هلوسة استثناءات غير موجودة. ²⁹ ولتحقيق تحديد مسؤولية متسق، يجب أن نصَوْرن القانون في منطق يُلغي هذا التباين.

4.2 المنطق الديونطيقي القابل للدحض (DDL)

نوظّف المنطق الديونطيقي القابل للدحض (DDL) لصَوْرنة قواعد المرور. وDDL ملائم فريدًا للقانون لأنه يعالج المعايير (ما ينبغي أن يحدث) والاستثناءات (قابلية الدحض) أصلًا. ²⁸

وتتكون قاعدة مرور معيارية من:

1.​ الشروط (المقدمات): المحفّزات الوقائعية (مثل الاقتراب من إشارة قف). 2.​ المشغّل الديونطيقي: المتطلب المعياري ( التزام [O]، حظر [F]، إذن [P] ). 3.​ الاستثناء (الداحض): شرط يتجاوز القاعدة الأولية (مثل توجيه الشرطة).

عملية الصَوْرنة ²⁸ :

1.​ تعريف الذرات: استخراج محمولات من نص التشريع (مثل Approaching(Driver, Sign), Stop(Driver)). 2.​ تحديد المعايير: تبيّن ما إذا كانت القاعدة التزامًا أو حظرًا أو إذنًا. 3.​ تحديد البنية: إسقاط علاقة «إذا-إذن». 4.​ تطبيق المنطق: التحويل إلى ترميز DDL.

مثال بنية منطقية:

$$R1: Approaching(x, StopSign) \Rightarrow [O] Stop(x) \\ R2: DirectedByPolice(x) \Rightarrow [P] \neg Stop(x) \\ R2 > R1$$ (توجيه الشرطة يتجاوز الإشارة).

وتسمح هذه البنية الصورية للنظام بالاستدلال: «هل توقف السائق؟» فإذا كان Stop(x) خطأ، و DirectedByPolice(x) خطأ، فإن Violation(R1) صحيح. ولا دخل للمشاعر—المنطق فحسب. ³⁰

4.3 دراسة حالة: صَوْرنة قاعدة «إشارة القف» (قانون المركبات في كاليفورنيا § 21802)

لنفحص قانون المركبات في كاليفورنيا § 21802 بشأن إشارات القف لإظهار كيف يصبح النص منطقًا. ³²

نص التشريع: (a) «على سائق أي مركبة تقترب من إشارة قف... أن يتوقف... ثم يُفسح السائق حق الأولوية لأي مركبات اقتربت من طريق سريع آخر...»

الإسقاط المنطقي لدى Veriprajna:

القاعدة 1: الالتزام بالتوقف

●​ المحفّز: Event(Approaching_Intersection) AND Infrastructure(Stop_Sign)

●​ الالتزام: Action(Stop) معرَّف بأنه Speed(Vehicle) == 0 عند Location(Limit_Line).

●​ شرط الإخفاق: Speed(Vehicle) > 0 عند Location(Intersection_Entry).

●​ النتيجة: Fault(Failure_To_Stop_22450).

القاعدة 2: الالتزام بإفساح المرور

●​ المحفّز: Action(Stopped) AND Detected(Other_Vehicle_In_Intersection) OR Detected(Other_Vehicle_Approaching_Hazard).

●​ الالتزام: Action(Wait) UNTIL Location(Other_Vehicle)!= Intersection AND Hazard == False.

●​ شرط الإخفاق: Entry_Time(Vehicle_A) < Exit_Time(Vehicle_B) AND Collision == True.

●​ النتيجة: Fault(Failure_To_Yield_21802a).

القاعدة 3: تحول حق الأولوية (CVC § 21802(b))

●​ المحفّز: Action(Stopped) == True AND Action(Yielded) == True.

●​ الإذن: [P] Proceed.

●​ التزام جديد (للآخرين): Approaching_Vehicles => [O] Yield_To(Vehicle_Entering).

وبإسقاط الرسم الفيزيائي (إعادة بناء سرعة السيارة وموضعها) مقابل هذا القالب المنطقي، نحدد المسؤولية. فإذا أظهر الرسم أن المركبة أ دخلت التقاطع بينما كانت المركبة ب حاضرة (is_in_intersection = True)، يطلق محرّك المنطق مخالفة لالتزام إفساح المرور. وهذه واقعة محسوبة، لا رأي نموذج لغة كبيرة. ³⁴

4.4 معالجة الاستثناءات والغموض عبر الترسيخ العصبي-الرمزي

تحتوي قوانين المرور مصطلحات غامضة مثل «خطر فوري» أو «مسافة آمنة». ²⁹ المنطق الخالص يعاني مع الغموض؛ ونماذج اللغة الكبيرة الخالصة تهلوسه. وتستخدم Veriprajna مقاربة عصبية-رمزية هجينة لترسيخ هذه المصطلحات.

●​ ترسيخ الأنطولوجيا: نعرّف «الخطر الفوري» في الأنطولوجيا باستخدام وكلاء فيزياء. Immediate_Hazard $\equiv$ Time_To_Collision (TTC) < 3.0 seconds أو Distance < Braking_Distance.

●​ حساب الرسم: يحسب النظام TTC بناءً على عُقد Speed وDistance في الرسم المعاد بناؤه.

●​ تنفيذ المنطق: إذا كان TTC المحسوب < 3s، تُفعَّل عقدة Immediate_Hazard.

ثم تُطلق القاعدة Yield_If(Immediate_Hazard).

وهذا يزيل الغموض. فلا نسأل النموذج «هل كان خطرًا؟» بل نحسب الخطر بناءً على الفيزياء ونطبّق القانون بناءً على المنطق. ³⁶

الجزء الخامس: التحديد الخوارزمي للخطأ – الطوبولوجيا بوصفها دليلًا

متى أُعيد بناء الحدث كرسم معرفة وصُوْرنت القوانين كمنطق، يصبح تحديد الخطأ مسألة اجتياز للرسم. وتوجد العدالة في الطوبولوجيا— بنية الروابط بين الأفعال والقواعد.

5.1 كشف المخالفات عبر اجتياز الرسم

يستعلم النظام الرسم عن أنماط تطابق رسوم المخالفة الفرعية .

●​ النمط: (Vehicle)-->(Action)-->(Rule)

●​ العملية: يمر المحرّك على كل فاعل في الرسم. ويتحقق من أفعاله مقابل قواعد المنطق الديونطيقي المنطبقة على موقعه (مثل التحقق من قواعد إشارة القف فقط إذا كانت المركبة متصلة بعقدة Stop Sign).

●​ النتيجة: قائمة مخالفات محقَّقة. «انتهكت المركبة أ القاعدة 21802(a) (عدم التوقف) عند الختم الزمني 12:01:30.»

وهذا مخرج حتمي. فمع الرسم نفسه، سيجد النظام دائمًا نفس المخالفة. وهذا يحل مشكلة الاستقرار لدى نماذج اللغة الكبيرة، ضامنًا أن عملية الفصل قابلة للتكرار ومتسقة. ²⁵

5.2 الاستدلال السببي والمضادات للواقع

الخطأ ليس مخالفة القاعدة فحسب؛ بل هو السببية. «هل سببت المخالفة الحادث؟» فقد يكون لسائق رخصة منتهية (مخالفة) لكنه يُصدَم من الخلف وهو متوقف عند إشارة حمراء (لا سببية للحادث).

وتوظّف Veriprajna رسوم معرفة سببية (CausalKG) لأداء الاستدلال المضاد للواقع . ¹⁰

●​ السؤال: «هل كان التصادم سيحدث لو توقفت المركبة أ؟»

●​ الطريقة (المحاكاة): يخلق النظام «فرعًا مضادًا للواقع» من الرسم. فيعدّل خاصية Speed للمركبة أ إلى 0 عند خط الحد. ثم يشغّل محاكاة الفيزياء إلى الأمام (باستخدام الطبقة الزمنية) ليرى ما إذا تقاطعت المسارات.

●​ النتيجة: إذا اختفت عقدة التصادم في الرسم المضاد للواقع، فإن المخالفة هي السبب القريب .

وهذا يتجاوز الارتباط («كان مسرعًا واصطدم») إلى السببية (« التسريع سبب التصادم»). ولا تستطيع نماذج اللغة الكبيرة أداء هذه المحاكاة؛ بل تخمّنها فحسب بناءً على النص. أما محرّك رسمنا فيحاكي الواقع البديل لإثبات المسؤولية. ¹⁰

أنواع الآثار السببية المنمذجة:

●​ الأثر السببي الكلي: الأثر الأساسي للمخالفة على التصادم.

●​ الأثر المباشر الطبيعي: أسباب غير مخططة (مثل النقاط العمياء).

●​ الأثر غير المباشر الطبيعي: أفعال غير آمنة (مثل فقدان السيطرة بسبب التشتت). ²³

5.3 طوبولوجيا المسؤولية: مركزية الخطأ

في حوادث معقّدة متعددة المركبات، قد يُتشارك الخطأ. ونحلّل طوبولوجيا الرسم لـ تعيين نسب مئوية للمسؤولية. ³⁹

●​ تحليل السلسلة السببية: نتتبع مسار الحواف المؤدية إلى عقدة Collision.

●​ مركزية العقدة: إذا كانت عقدة تشتت السائق أ أصلًا لعقدة مغادرة المسار، والتي هي أصل عقدة التصادم، فإن للسائق أ «مركزية خطأ» عالية.

●​ الإهمال المقارن: إذا كان للسائق ب أيضًا عقدة مخالفة (مثل Speeding) ترتبط بالتصادم، يعيّن النظام وزنًا بناءً على شدة الرابط السببي (مثلًا، مغادرة المسار > السرعة في الأثر السببي).

وهذا يوفّر أساسًا رياضيًا لـ الخطأ المقارن (مثل 80% / 20%)، وهو متطلب حرج لتسويات التأمين تعاني نماذج اللغة الكبيرة في تكميمه بموثوقية. ⁴¹

الجزء السادس: استراتيجية التنفيذ والمعمارية

حل Veriprajna ليس نظريًا. بل معمارية متينة معيارية مصممة لـ الدمج في سير عمل التأمين والقانون المؤسسي. ويحدد هذا القسم المكدس التقني واستراتيجية النشر.

6.1 خط الأنابيب العصبي-الرمزي (معمارية الساندويتش)

نوظّف «معمارية ساندويتش» حيث يعالج الذكاء الاصطناعي العصبي (نماذج اللغة الكبيرة) المدخل غير المنظَّم الفوضوي، ويعالج الذكاء الاصطناعي الرمزي (المنطق/الرسم) الاستدلال الصارم، مع طبقة عصبية نهائية للشرح.

المرحلة 1: الابتلاع والاستخراج (الطبقة العصبية)

●​ المدخل: تقارير شرطة (PDF)، صوت شهود، بيانات قياسات عن بُعد (JSON).

●​ المعالجة:

○​ رقمنة OCR وتحويل الكلام إلى نص.

○​ استخراج كيانات نموذج اللغة الكبيرة: مطالبات متخصصة تستخرج الكيانات (Vehicles, Signs) و تُطبّعها إلى أنطولوجيا TAKG. ¹⁴

○​ فحص القيود: يُتحقق من مخرج النموذج مقابل الأنطولوجيا. فإذا استخرج «إشارة قف» حيث تقول قاعدة بيانات الخريطة إنه لا توجد، يعلّم النظام تعارض بيانات.

المرحلة 2: بناء الرسم والدمج (الطبقة البنيوية)

●​ قاعدة البيانات: Neo4j أو مخزن ثلاثيات RDF.

●​ الدمج: دمج بيانات تقرير الشرطة مع التوأم الرقمي لشبكة الطرق (GIS).

●​ الإثراء: حساب خصائص مشتقة (مثل استنتاج السرعة من طول أثر الانزلاق عُقد). ¹³

المرحلة 3: الاستدلال والفصل (الطبقة الرمزية)

●​ محرّك المنطق: حالّ متخصص (مثل Drools أو محرّك DDL مخصَّص ببايثون) يشغّل قواعد المنطق الديونطيقي مقابل الرسم.

●​ محاكي سببي: يشغّل فحوصات مضادة للواقع للسبب القريب.

●​ المخرج: تقرير مسؤولية منظَّم يفصّل المخالفات والروابط السببية.

المرحلة 4: الشرح والتوليد (الطبقة العصبية)

●​ المخرج النهائي: يُستخدم نموذج لغة كبيرة فقط في النهاية لتحويل تقرير المسؤولية المنظَّم إلى سرد لغة طبيعية مقروء. وهذا السرد مترسَّخ بصرامة في وقائع الرسم، مانعًا الهلوسة. وهو يشرح لماذا اتُّخذ القرار بناءً على قواعد المنطق. ⁴⁴

6.2 قابلية التدقيق وقابلية التفسير (XAI)

ميزة مفتاحية لـ KGER هي قابلية التفسير .

●​ قابلية التتبع: يمكن تتبع كل استنتاج إلى عقدة وقاعدة محددتين. «لماذا السائق أ مخطئ؟» -> «لأن العقدة Vehicle_A انتهكت القاعدة R1 (إشارة قف) عند الزمن t.»

●​ البرهان البصري: يمكن تصور رسم المعرفة، مظهرًا السلسلة الدقيقة للأحداث والمنطق. وهذا أكثر إقناعًا في المحكمة بكثير من كتلة نص نموذج لغة كبيرة معتمة. ⁴⁵

●​ الامتثال: تلبي هذه المقاربة الحتمية المتطلبات التنظيمية لـ «الذكاء الاصطناعي القابل للتفسير» في اتخاذ القرار المالي والقانوني، وهو ما نماذج الصندوق الأسود غالبًا تفشل. ⁴⁶

الجزء السابع: الأثر التجاري والعائد على الاستثمار لشركات التأمين

يقدّم تبنّي إعادة بناء الأحداث برسم المعرفة لدى Veriprajna قيمة تحويلية لشركات التأمين، متجاوزًا الكفاءة إلى الدقة الجوهرية و ضبط الخسائر.

7.1 خفض تسرّب المطالبات وتكاليف التقاضي

يحدث «التسرّب» عندما تدفع شركات التأمين أكثر مما ينبغي بسبب تقييم مسؤولية غير دقيق. فقد يقترح نموذج لغة كبيرة احتمالي تقسيم 50/50 لأن السرديات فوضوية أو لأن المستخدم وجّهه توجيهًا سيئًا. وقد يكشف منطق Veriprajna الحتمي مسؤولية

100/0 واضحة بناءً على مخالفة حق أولوية محددة.

●​ الدقة: بتحديد الخطأ بدقة، تتجنب الشركات الدفع الزائد في مطالبات المسؤولية.

●​ الدفاع: يسمح مسار التدقيق الذي يوفّره رسم المعرفة بدفاع متين في الحلول و التقاضي. ومن الصعب المجادلة ضد رسم مشتق فيزيائيًا ومنطقيًا. ⁴⁷

7.2 تسريع المعالجة المباشرة الكاملة (STP)

تعاني جهود الأتمتة الحالية مع المسؤولية المعقّدة. فصدمات الرفارف البسيطة تُؤتمت؛ وتصادمات التقاطعات تذهب إلى البشر.

●​ STP عصبي-رمزي: تمكّن Veriprajna المعالجة المباشرة للمطالبات المعقّدة بتوفير طبقة «قاضٍ» موثوقة. فإذا حسب منطق الرسم يقينًا 100% بمخالفة القاعدة، يمكن تسوية المطالبة تلقائيًا دون تدخل بشري.

●​ الكفاءة: وهذا يخفض أزمنة الدورة من أسابيع إلى دقائق لجزء معتبر من المطالبات، معزّزًا رضا العملاء (NPS). ⁴⁹

7.3 الاتساق التشغيلي

يتفاوت مسوّو المطالبات البشريون في حكمهم. فقد يفسّر أحدهم قاعدة بطريقة؛ وقد يختلف آخر. وتتفاوت نماذج اللغة الكبيرة أكثر (العشوائية).

●​ المعيارية: يطبّق محرّك المنطق القواعد المُصوْرنة نفسها على كل مطالبة. وهذا الاتساق حيوي للامتثال التنظيمي وإدارة المحافظ واسعة النطاق. وهذا يعكس مقاربة قادة الصناعة مثل Kennedys IQ، الذين تبنّوا الذكاء الاصطناعي العصبي-الرمزي تحديدًا لإزالة قلق «الصندوق الأسود». ⁴⁵

7.4 جدول: مقارنة العائد على الاستثمار – غلاف نموذج اللغة الكبيرة مقابل Veriprajna

المقياس	غلاف نموذج اللغة الكبيرة (احتمالي)	Veriprajna KGER (حتمي)
دقة الخطأ	منخفضة (عرضة لـ الإسهاب/التملّق)	عالية (مبنية على الفيزياء/المنطق)
قابلية التدقيق	منخفضة (صندوق أسود)	عالية (رسم قابل للتتبع)
مخاطر الهلوسة	عالية (تختلق قوانين/وقائع)	شبه صفر (مقيَّدة بالأنطولوجيا)
الاتساق	منخفض (يتفاوت حسب المطالبة/التشغيل)	100% (قائم على القواعد)
الاستدلال المعقّد	يفشل في الافتراضي/السببي	يتفوق في المضادات للواقع

خاتمة: العدالة رسم، لا احتمال

يقف قطاعا القانون والتأمين عند مفترق طرق. فجاذبية الذكاء الاصطناعي التوليدي قوية—سهل التنفيذ ويُنتج نصًا يبدو مثيرًا للإعجاب. لكن في مجال القانون، ليس المظهر المثير للإعجاب هو نفسه أن تكون على حق. وفي مجال الخطأ والمسؤولية، أن تكون «على حق في الغالب» هو أن تكون على خطأ.

فطلب قراءة تقرير شرطة من نموذج لغة كبيرة والحكم في المسؤولية هو طلب شاعر أن يفعل الفيزياء. وسيعطيك إجابة جميلة، لكنها على الأرجح خيال.

وتقدّم Veriprajna مسارًا مختلفًا. فنؤمن أن العدالة شأن وقائع. إنها شأن العلاقات الدقيقة بين الكيانات في المكان والزمان، محكومة بالمنطق الصارم للقانون. وبـ بناء إعادة بناء الأحداث برسم المعرفة، ننزع ضوضاء المشاعر و الإسهاب. ونستخرج الإشارة—الكيانات، والمتجهات، والقواعد—ونسقطها في بنية حتمية. ونحدد الخطأ بقياس طوبولوجيا الحدث مقابل طوبولوجيا القانون.

وهذا ليس «ذكاءً اصطناعيًا» فحسب. إنه ذكاء اصطناعي عصبي-رمزي —اندماج التعلّم والمنطق. وهو المسار الوحيد إلى مستقبل تكون فيه المسؤولية المؤتمتة ليس كفؤة فحسب بل أيضًا صارمة، وعادلة بشكل قابل للإثبات.

توقف عن التخمين. ابدأ إعادة البناء.

المراجع

1. The Intricacies of Evaluating Large Language Models with LLM-as-a-Judge Medium، تم الوصول إليه في 11 ديسمبر 2025، https://medium.com/@vineethveetil/the-intricacies-of-evaluating-large-language-models-with-llm-as-a-judge-8034a3f34b28

2. LLM-as-a-Judge is Bad, Based on AI Attempting the Exam Qualifying for the Member of the Polish National Board of Appeal - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2511.04205v1

3. The perils of politeness: how large language models may amplify medical misinformation، تم الوصول إليه في 11 ديسمبر 2025، https://pmc.ncbi.nlm.nih.gov/articles/PMC12592531/

4. Sycophancy in AI: Challenges in Large Language Models and Argumentation Graphs، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/389939533_Sycophancy_in_AI_Challenges_in_Large_Language_Models_and_Argumentation_Graphs

5. SycEval: Evaluating LLM Sycophancy - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2502.08177v4

6. Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive، تم الوصول إليه في 11 ديسمبر 2025، https://hai.stanford.edu/news/hallucinating-law-legal-mistakes-large-language-models-are-pervasive

7. A guide for lawyers to understanding how LLMs work - Advocate Magazine، تم الوصول إليه في 11 ديسمبر 2025، https://www.advocatemagazine.com/article/2025-august/a-guide-for-lawyers-to-understanding-how-llms-work

8. Do large language models have a legal duty to tell the truth? | Royal Society Open Science، تم الوصول إليه في 11 ديسمبر 2025، https://royalsocietypublishing.org/rsos/article/11/8/240197/92624/Do-large-language-models-have-a-legal-duty-to-tell

9. Assessing the Reasoning Capabilities of LLMs in the context of Evidence-based Claim Verification - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2402.10735v3

10. Causal Knowledge Graph for Scene Understanding in Autonomous Driving Scholar Commons، تم الوصول إليه في 11 ديسمبر 2025، https://scholarcommons.sc.edu/cgi/viewcontent.cgi?article=1632&context=aii_fac_pub

11. Unraveling Complex Crimes with Knowledge Graph Software for Police Cognyte، تم الوصول إليه في 11 ديسمبر 2025، https://www.cognyte.com/blog/knowledge-graph-software/

12. Spatial Knowledge Graph for Analyzing Traffic Accident Data | LBS 2023، تم الوصول إليه في 11 ديسمبر 2025، https://lbs2023.lbsconference.org/wp-content/uploads/2024/03/4_6-Spatial-Knowledge-Graph-for-Analyzing-Traffic-Accident-Data.pdf

13. A Construction and Representation Learning Method for a Traffic ...، تم الوصول إليه في 11 ديسمبر 2025، https://www.mdpi.com/2076-3417/15/11/6031

14. How to Convert Unstructured Text to Knowledge Graphs Using LLMs - Neo4j، تم الوصول إليه في 11 ديسمبر 2025، https://neo4j.com/blog/developer/unstructured-text-to-knowledge-graph/

15. Entity Extraction of Key Elements in 110 Police Reports Based on Large Language Models، تم الوصول إليه في 11 ديسمبر 2025، https://www.mdpi.com/2076-3417/14/17/7819

16. GraphRAG in Practice: How to Build Cost-Efficient, High-Recall Retrieval Systems، تم الوصول إليه في 11 ديسمبر 2025، https://towardsdatascience.com/graphrag-in-practice-how-to-build-cost-efficient-high-recall-retrieval-systems/

17. Knowledge Graph Analysis of Legal Understanding and Violations in LLMs - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2511.08593v1

18. What is GraphRAG? - IBM، تم الوصول إليه في 11 ديسمبر 2025، https://www.ibm.com/think/topics/graphrag

19. How GraphRAG Elevates LLMs - Redhorse Corporation، تم الوصول إليه في 11 ديسمبر 2025، https://redhorsecorp.com/how-graphrag-elevates-llms/

20. GraphRAG: Unlocking LLM discovery on narrative private data - Microsoft Research، تم الوصول إليه في 11 ديسمبر 2025، https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/

21. (PDF) Ontology-Based Traffic Scene Modeling, Traffic Regulations Dependent Situational Awareness and Decision-Making for Automated Vehicles ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/317379471_Ontology-Based_Traffic_Scene_Modeling_Traffic_Regulations_Dependent_Situational_Awareness_and_Decision-Making_for_Automated_Vehicles

22. Automatic Text-to-Scene Conversion in the Traffic Accident Domain. ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/220812879_Automatic_Text-to-Scene_Conversion_in_the_Traffic_Accident_Domain

23. CausalKG: Causal Knowledge Graph - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/pdf/2201.03647

24. Comprehensive Forensic Tool for Crime Scene and Traffic Accident 3D Reconstruction، تم الوصول إليه في 11 ديسمبر 2025، https://www.mdpi.com/1999-4893/18/11/707

25. (PDF) Deterministic Legal Retrieval: An Action API for Querying the SAT-Graph RAG، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/396291946_Deterministic_Legal_Retrieval_An_Action_API_for_Querying_the_SAT-Graph_RAG

26. Why Knowledge Graphs Beat RAG for Incident Response - BACCA.AI، تم الوصول إليه في 11 ديسمبر 2025، https://www.bacca.ai/blog/why-knowledge-graphs-beat-rag-for-incident-response

27. Integration of road context information into knowledge graph for intelligent analysis of road accidents - ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/398038115_Integration_of_road_context_information_into_knowledge_graph_for_intelligent_analysis_of_road_accidents

28. Traffic rule formalization for autonomous vehicle - Institutional Knowledge (InK) @ SMU، تم الوصول إليه في 11 ديسمبر 2025، https://ink.library.smu.edu.sg/context/cclaw/article/1008/viewcontent/8._Traffic_Rule_Formalization_for_Autonomous_Vehicle.pdf

29. Not ready for the bench: LLM legal interpretation is unstable and out of step with human judgments - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2510.25356v1

30. A Kelsenian Deontic Logic - TICAMORE، تم الوصول إليه في 11 ديسمبر 2025، https://ticamore.logic.at/publications/CiaParSar2021.pdf

31. Modelling Fault Tolerance using Deontic Logic: a case study - MacSphere، تم الوصول إليه في 11 ديسمبر 2025، https://macsphere.mcmaster.ca/bitstreams/975fd64c-3c02-4679-8996-fad7495998ec/download

32. California Code, Vehicle Code - VEH § 21802 - Codes - FindLaw، تم الوصول إليه في 11 ديسمبر 2025، https://codes.findlaw.com/ca/vehicle-code/veh-sect-21802/

33. California Vehicle Code Section 21802: Failure to Stop - Simmrin Law Group، تم الوصول إليه في 11 ديسمبر 2025، https://www.simmrinlawgroup.com/california-vehicle-code-section-21802/

34. Section 5 Continued | Georgia Department of Driver Services، تم الوصول إليه في 11 ديسمبر 2025، https://dds.georgia.gov/section-5-continued

35. Revised Statutes of Missouri, RSMo Section 304.351 - MO.gov، تم الوصول إليه في 11 ديسمبر 2025، https://revisor.mo.gov/main/OneSection.aspx?section=304.351

36. Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2510.25386v1

37. Formalizing Traffic Rules for Machine Interpretability - mediaTUM - Technische Universität München، تم الوصول إليه في 11 ديسمبر 2025، https://mediatum.ub.tum.de/doc/1574461/1mjbi1qterg2szw5g2q93wf60.FormalizingTrafficRules.pdf

38. Causal Knowledge Graph for Scene Understanding in Autonomous Driving، تم الوصول إليه في 11 ديسمبر 2025، https://scholarcommons.sc.edu/aii_fac_pub/615/

39. (PDF) Fault Diagnosis Based on Graph Theory and Linear Discriminant Principle in Electric Power Network - ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/publication/284092877_Fault_Diagnosis_Based_on_Graph_Theory_and_Linear_Discriminant_Principle_in_Electric_Power_Network

40. Spatio-Temporal Graph Neural Networks for SDE inducing Faults Predication under Functional Test - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/pdf/2509.06289

41. Liability Rules for Automated Vehicle: Definitions and Details - University of Miami School of Law Institutional Repository، تم الوصول إليه في 11 ديسمبر 2025، https://repository.law.miami.edu/cgi/viewcontent.cgi?article=2243&context=fac_articles

42. An accident portrait based on the traffic accident knowledge graph. ResearchGate، تم الوصول إليه في 11 ديسمبر 2025، https://www.researchgate.net/figure/An-accident-portrait-based-on-the-traffic-accident-knowledge-graph_fig8_362755211

43. Turning Unstructured Data into Structured Data: A Step-by-Step Guide - Domo، تم الوصول إليه في 11 ديسمبر 2025، https://www.domo.com/learn/article/unstructured-data-to-structured-data

44. ATA: A Neuro-Symbolic Approach to Implement Autonomous and Trustworthy Agents - arXiv، تم الوصول إليه في 11 ديسمبر 2025، https://arxiv.org/html/2510.16381v1

45. Kennedys IQ launches InsurTech's first neuro-symbolic AI solution for global insurance market، تم الوصول إليه في 11 ديسمبر 2025، https://fintech.global/2025/03/20/kennedys-iq-launches-insurtechs-first-neuro-symbolic-ai-solution-for-global-insurance-market/

46. Insurtech Kennedys IQ launches neuro-symbolic AI solution for insurance market - Beinsure، تم الوصول إليه في 11 ديسمبر 2025، https://beinsure.com/news/kennedys-iq-launches-gen-ai/

47. How Top Insurers Use AI to Drive ROI in Claims Automation - UST، تم الوصول إليه في 11 ديسمبر 2025، https://www.ust.com/en/insights/how-top-insurers-are-using-ai-to-speed-up-settlements-and-deliver-measurable-roi-across-the-claims-lifecycle

48. Aviva: Rewiring the insurance claims journey with AI | Tech and AI | McKinsey & Company، تم الوصول إليه في 11 ديسمبر 2025، https://www.mckinsey.com/capabilities/tech-and-ai/how-we-help-clients/rewired-in-action/aviva-rewiring-the-insurance-claims-journey-with-ai

49. Insurance Claims AI Agent: 99% Straight-Through Processing & 246% ROI - Roots Automation، تم الوصول إليه في 11 ديسمبر 2025، https://www.roots.ai/case-studies/insurance-claims-automation-ai-agent-straight-through-processing

50. The Complete Guide to Insurance Claims Automation - VCA Software، تم الوصول إليه في 11 ديسمبر 2025، https://vcasoftware.com/insurance-claims-automation/

51. Kennedys IQ launches Insurtech industry's first neuro-symbolic AI solution for global insurance market، تم الوصول إليه في 11 ديسمبر 2025، https://www.kennedyslaw.com/en/news/2025/kennedys-iq-launches-insurtech-industry-s-first-neuro-symbolic-ai-solution-for-global-insurance-market/