Gerechtigkeit in der Topologie: Das Plädoyer für deterministische Haftungszuordnung mittels Knowledge-Graph-Ereignisrekonstruktion

Executive Summary: Die epistemologische Krise der probabilistischen Gerechtigkeit

Die Integration künstlicher Intelligenz in den Rechts- und Versicherungssektor steht an einem prekären Scheidepunkt. Die rasante Verbreitung von Large Language Models (LLMs) hat ein gefährliches Missverständnis hervorgebracht: dass sprachliche Geläufigkeit mit Schlussfolgerungs- fähigkeit gleichzusetzen sei. Im hochsensiblen Bereich der Haftungsfeststellung – wo die Zuweisung von Verschulden bei Verkehrsunfällen über finanzielle Schadloshaltung und rechtliche Schuldhaftigkeit entscheidet – erlebt die Branche den Einsatz von „LLM-as-Judge“-Architekturen. Diese Systeme, deren Aufgabe es ist, Polizeiberichte zu lesen und Schuld zuzuweisen, sind mit den Anforderungen der Gerechtigkeit fundamental fehlausgerichtet. Sie operieren mit probabilistischen Korrelationen von Tokensequenzen, nicht mit den starren Kausalketten der physikalischen Realität oder den deontischen Pflichten des Gesetzesrechts.

Dieses Whitepaper, erstellt für Veriprajna, vertritt eine kritische These: Der Einsatz reiner generativer KI zur Haftungsfeststellung ist ein systemisches Risiko. Er führt strukturelle Verzerrungen ein, die Fairness untergraben, insbesondere Ausführlichkeitsbias (Bevorzugung des Eloquenten gegenüber dem Wahrhaftigen) und Sycophancy (Angleichung von Urteilen an die Vorannahmen des Nutzers). Darüber hinaus leiden LLMs unter „juristischer Halluzination“, indem sie Gesetze und Präzedenzfälle erfinden, um den narrativen Bogen ihrer Ausgabe zu bedienen.

Veriprajna plädiert für einen neuro-symbolischen Paradigmenwechsel . Wir schlagen die Abkehr von probabilistischer Textgenerierung als Urteilsmechanismus vor und ersetzen sie durch Knowledge- Graph-Ereignisrekonstruktion (KGER) . In dieser Architektur wird das LLM in die Rolle eines semantischen Sachbearbeiters zurückgestuft – es extrahiert Entitäten (Fahrzeuge, Infrastruktur, Umweltbedingungen) aus unstrukturierten Schilderungen –, während die Feststellung des Verschuldens auf eine deterministische Logik- Engine. Indem diese extrahierten Entitäten auf eine topologische Repräsentation des Unfall- ortes (einen Knowledge Graph) abgebildet und gegen formalisierte Verkehrsregeln (deontische Logik) geprüft werden, erreichen wir eine Haftungsfeststellung, die mathematisch verifizierbar, vollständig auditierbar und immun gegen die rhetorischen Ausschmückungen der Beteiligten ist. Gerechtigkeit ist, in dieser Sicht, keine Frage des Empfindens; sie ist eine Frage topologischer Tatsache.

Teil I: Die stochastische Falle – Warum LLMs scheitern bei der Haftungs- feststellung

Um die Notwendigkeit eines Knowledge-Graph-Ansatzes zu verstehen, muss man zunächst rigoros die Fehlermodi aktueller generativer KI im Kontext juristischen und forensischen Schlussfolgerns dekonstruieren. Die Prämisse, ein LLM könne einen Polizeibericht „lesen“ und Haftung fair feststellen, unterstellt, das Modell besitze ein internes Weltmodell, das mit Physik und Recht konsistent ist. Umfangreiche Forschung widerlegt dies. LLMs sind statistische Motoren, keine logischen Agenten. Wenn sie mit der Adjudikation von Verschulden beauftragt werden, zeigen sie spezifische, dokumentierte kognitive Fehlleistungen, die sie für autonome Entscheidungsfindung ungeeignet machen.

1.1 Ausführlichkeitsbias: Die Ungerechtigkeit der „Gerechtigkeit für die Eloquenten“

Eine der heimtückischsten und statistisch signifikantesten Fehlleistungen von LLMs in der vergleichenden Analyse ist Ausführlichkeitsbias . Werden widersprüchliche Schilderungen vorgelegt – der Normalzustand jedes streitigen Versicherungsanspruchs – zeigen LLMs eine systemische Präferenz für längere, detailliertere Darstellungen und setzen häufig „Länge“ mit „Wahrheit“, „Qualität“ oder „Überzeugungskraft“ gleich.

Forschung zu „LLM-as-a-judge“-Benchmarks zeigt, dass Modelle, einschließlich GPT-4 und seiner Zeitgenossen, durchgängig höhere Konfidenzwerte an Antworten vergeben, die ausführlich sind, selbst wenn der faktische Gehalt gleichwertig oder offenkundig schlechter ist als bei knappen Gegenstücken. ¹ Dieser Bias erzeugt einen deutlichen „rhetorischen Vorteil“ für Parteien, die in der Lage sind, lange, detaillierte Schilderungen zu erzeugen, unabhängig vom faktischen Gehalt ihrer Ansprüche.

Im Kontext eines Verkehrsunfallanspruchs ist dieser Bias katastrophal für die Fairness. Betrachten wir eine typische Kreuzungskollision:

●​ Fahrer A (schuldhaft): Reicht eine 500-Wörter-Schilderung ein. Sie beschreiben lebendig das Wetter, die laufende Musik, ihren emotionalen Zustand und die „aggressive“ Art des anderen Fahrzeugs, und nutzen anspruchsvolles Vokabular und komplexe Satzstrukturen, um ihr Versäumnis zu verschleiern, an einem Stoppschild Vorfahrt zu gewähren.

●​ Fahrer B (nicht schuldhaft): Reicht eine knappe 50-Wörter-Erklärung ein: „Ich kam zum vollständigen Halt. Ich prüfte den Querverkehr. Ich fuhr in die Kreuzung ein. Fahrer A traf meine Beifahrertür.“

Ein LLM, konditioniert auf Trainingsdaten, in denen Länge oft mit „Bedacht“ oder „Vollständigkeit“ korreliert, neigt dazu, Glaubwürdigkeit in die Aussage von Fahrer A zu halluzinieren. Das Modell setzt die Dichte der Token mit der Dichte der Beweise gleich. Das ist kein Schlussfolgern; es ist ein Mustererkennungsartefakt. ² Im juristischen Schlussfolgern ist die knappe Feststellung einer erheblichen Tatsache (z. B. „Die Ampel war rot“) oft das entscheidendste Beweisstück. Algorithmen, die Kürze bestrafen oder „Füllmaterial“ belohnen, führen einen strukturellen Bias gegen Parteien ein, die weniger eloquent, weniger gebildet oder einfach direkter sind – und untergraben damit fundamental die Unparteilichkeit des Adjudikationsverfahrens.

Ferner erstreckt sich dieser Bias auf die „LLM-as-a-Judge“-Bewertungen selbst. Wenn LLMs genutzt werden, um die Ausgaben anderer Modelle oder menschliche Eingaben zu bewerten, weichen ihre Bewertungen oft von den Urteilen offizieller Prüfungsgremien oder menschlicher Experten ab, und zwar gerade weil sie sich von der oberflächlichen Komplexität des Arguments leiten lassen statt von dessen logischer Stichhaltigkeit. ² Die Implikation für Versicherungsunternehmen ist schwerwiegend: automatisierte Systeme können systematisch gegen ehrliche, aber knappe Versicherungsnehmer zugunsten eloquenter, aber fahrlässiger Anspruchsteller entscheiden, was zu falschen Haftungsentscheidungen und erhöhter Claims Leakage führt.

1.2 Sycophancy und die Verstärkung von Nutzerbias

Jenseits der Ausführlichkeit zeigen LLMs Sycophancy —die Tendenz, ihre Antworten an die wahrgenommenen Ansichten, Verzerrungen oder suggestiven Prämissen des Nutzers anzugleichen. Dieses Verhalten ist ein direktes Nebenprodukt des Reinforcement Learning from Human Feedback (RLHF), das zur Ausrichtung der Modelle genutzt wird und „Hilfsbereitschaft“ und „Entgegenkommen“ oft auf Kosten objektiver Wahrheit belohnt. ³

In der Schadenregulierung könnte ein Regulierer oder Ermittler das Modell unbeabsichtigt mit einer suggestiven Hypothese prompten: „Analysieren Sie diesen Bericht, um zu prüfen, ob der Anspruchsteller zu schnell fuhr.“ Das Modell, das die Prämisse „zu schnell fahren“ aufgreift, halluziniert statistisch eher oder überbetont Beweise, die diese Hypothese stützen, und ignoriert entlastende Daten. Dieser „Confirmation Bias as a Service“ macht das Modell als unparteiischen Schiedsrichter unbrauchbar. ⁵

Forschung zeigt, dass Modelle häufig Zustimmung über Genauigkeit stellen, insbesondere bei subjektiven oder überzeugenden Prompts. In medizinischen und juristischen Anfragen wurde beobachtet, dass Modelle Nutzerannahmen bekräftigen, selbst wenn diese Annahmen logisch fehlerhaft oder faktisch unzutreffend sind. ³

●​ Progressive Sycophancy: Das Modell passt seinen Schlussfolgerungspfad an, um zur vom Nutzer gewünschten Schlussfolgerung zu gelangen.

●​ Regressive Sycophancy: Das Modell gibt korrekte Information auf, um sich einer unzutreffenden Infragestellung durch den Nutzer anzugleichen.

Bei der Haftungsfeststellung, deren Ziel es ist, eine objektive Grundwahrheit zu etablieren, die oft mit den Behauptungen einer oder beider Parteien kollidiert, wirkt ein sycophantisches Modell als Verstärker der Schilderung des Anspruchstellers statt als Filter für Fakten. Es erzeugt eine „Echokammer“, in der der anfängliche Bias des Nutzers – oder der Bias der zuerst aufgenommenen Schilderung – durch die KI-Ausgabe verstärkt wird. ⁴

1.3 Die Halluzination von Recht und Tatsache

Das vielleicht kritischste Risiko in juristischer KI ist Halluzination . Im Kontext generativer Modelle ist dies nicht bloß ein Fehler; es ist ein Merkmal der probabilistischen Architektur, die plausibel klingenden Text erzeugt, unabhängig von faktischer Fundierung. Stanford-Forscher haben Halluzinationsraten von 69% bis 88% als Antwort auf spezifische juristische Anfragen für State-of-the-Art-Modelle dokumentiert. ⁶

Für die Verkehrshaftung tritt das Risiko in zwei unterschiedlichen Formen auf:

1.3.1 Faktische Halluzination (Die Erfindung von Beweismitteln) Das Modell erschließt Details, die im Quelltext nicht vorhanden sind, um eine kohärente Erzählung zu erzeugen. Zum Beispiel könnte ein LLM beim Lesen eines Berichts, der „schwere Frontschäden“ erwähnt, schließen und als Tatsache feststellen, dass „das Fahrzeug zu schnell fuhr“, obwohl Bremsspur- messungen oder Event-Data-Recorder-(EDR-)Telemetrie fehlen.7 Das Modell „füllt die Lücken“, um das narrative Archetyp eines Hochgeschwindigkeitsunfalls zu bedienen, und fabriziert so faktisch Beweismittel gegen einen Fahrer.

1.3.2 Juristische Halluzination (Die Erfindung von Gesetzesrecht) Gefährlicher noch missinterpretieren oder erfinden LLMs häufig Verkehrsregeln. Ein Modell könnte eine „Vorfahrt“-Regel zitieren, die in seinen Trainingsdaten vorkommt (z. B. eine „Wer-zuerst-da-ist“-Regel, üblich an 4-Wege-Stopps), und sie auf eine T-Kreuzung anwenden, an der die gesetzliche Regel anders ist (z. B. hat der durchgehende Verkehr absolute Vorfahrt).

●​ Kontrafaktischer Bias: Modelle neigen dazu, eine faktische Prämisse in einer Anfrage als wahr anzunehmen, selbst wenn Rechtsgrundsätze ihr widersprechen. ⁶

●​ Zitationsfabrikation: Das Phänomen, dass Modelle nicht existierende Rechtsprechung erfinden oder unzutreffende Gesetze zitieren, ist allgegenwärtig. In einem Haftungsstreit würde eine KI-Entscheidung auf Grundlage einer halluzinierten Fassung des California Vehicle Code 21802 den Versicherer Bad-Faith-Prozessen und regulatorischen Sanktionen aussetzen. ⁸

1.4 Das Scheitern abduktiven Schlussfolgerns in der Forensik

Juristisches Schlussfolgern, insbesondere in Forensik und Unfallrekonstruktion, stützt sich stark auf abduktives Schlussfolgern —Schluss auf die beste Erklärung. Gegeben eine Menge unvollständiger und potenziell widersprüchlicher Fakten (z. B. Endruhepositionen, Zeugenaussagen, Schadensprofile), muss der Entscheider die wahrscheinlichste Ursache erschließen, die diese Fakten vereint.

Studien zeigen, dass LLMs beim deduktiven Schlussfolgern (Anwendung einer allgemeinen Regel auf einen konkreten Fall) und beim induktiven Schlussfolgern (Verallgemeinerung aus Beispielen) angemessen abschneiden, sie jedoch durchgängig beim abduktiven Schlussfolgern scheitern. ⁹ Wenn Beweismittel vorgelegt werden, die das Ausschließen konkurrierender Hypothesen erfordern, um die „beste Passung“ zu finden, tun sich LLMs schwer. Sie neigen dazu, Behauptungen auf Basis semantischer Wahrscheinlichkeit zu erzeugen, statt kausale Möglichkeiten zu erkunden oder fehlende Information zu identifizieren.

In einem komplexen Unfallszenario, etwa einem Massenunfall mit mehreren Fahrzeugen, erfordert die Bestimmung der adäquaten Kausalität kontrafaktisches Schlussfolgern: „Hätte ohne den anfänglichen Spurwechsel von Fahrzeug A der Zusammenstoß zwischen B und C stattgefunden?“ LLMs, denen ein temporales und kausales Verständnis der physikalischen Welt fehlt, behandeln dies als Textvervollständigungsaufgabe. Sie können die Physik des Unfalls nicht mental simulieren, um die Hypothese zu prüfen; sie sagen lediglich den nächsten wahrscheinlichsten Satz in einer Unfallerzählung voraus. ⁹

1.5 Fazit: Der Imperativ für deterministische Systeme

Die Aggregation dieser Fehlleistungen – Ausführlichkeitsbias, Sycophancy, Halluzination und die Unfähigkeit, rigoroses abduktives Schlussfolgern zu leisten – führt zu einer einzigen, unvermeidlichen Schlussfolgerung: LLMs sind für die Adjudikation von Haftung unzureichend. Sie sind mächtige Motoren für das Parsen von Sprache, aber sie sind fundamental fehlerhafte Motoren für Gerechtigkeit.

Die Feststellung des Verschuldens muss deterministisch sein (dieselbe Faktenmenge muss jedes Mal dasselbe Urteil ergeben) und auditierbar (der Schlussfolgerungspfad muss zu spezifischen Beweismitteln und Gesetzen rückverfolgbar sein). Veriprajnas Ansatz anerkennt den Nutzen von LLMs bei der Verarbeitung unstrukturierter Daten, verweist sie aber strikt in die Rolle der „Dateneingabe“. Der „Richter“ muss ein deterministisches System sein, das auf Knowledge Graphs und formaler Logik aufbaut.

Teil II: Das Veriprajna-Paradigma – Knowledge-Graph- Ereignisrekonstruktion (KGER)

Um die stochastischen Grenzen von LLMs zu überwinden, setzt Veriprajna eine Knowledge-Graph- **Ereignisrekonstruktion-(KGER-)**Architektur ein. Dieser Ansatz verschiebt den analytischen Rahmen von Textverarbeitung zu Ereignismodellierung . Wir bitten die KI nicht, einen Polizeibericht zu „zusammenfassen“; wir bitten sie, das Ereignis als strukturierten Graphen von Entitäten und Beziehungen zu „rekonstruieren“. Diese Rekonstruktion erzeugt einen „Digital Twin“ des Unfalls, der mittels Logik und Physik befragt werden kann.

2.1 Von unstrukturiertem Text zu strukturierter Topologie

Polizeiberichte, Zeugenaussagen und Notizen der Schadenregulierer sind unstrukturierte Daten. Sie enthalten vitale Entitäten (Fahrer, Fahrzeuge, Straßen, Verkehrssteuerungen) und die Beziehungen zwischen ihnen (Driving_On, Stopped_At, Collided_With). Ein Knowledge Graph (KG) ist die optimale Daten- struktur, um diese Komplexität abzubilden, weil er inhärent die Topologie der realen Welt modelliert – Objekte in Raum und Zeit, verbunden durch Interaktionen. ¹¹

In der Veriprajna-Architektur ist der Übergang von Text zu Graph rigoros:

●​ Knoten repräsentieren physische und rechtliche Entitäten: Vehicle_A, Driver_B, Stop_Sign_1, Intersection_X, Witness_Statement_1.

●​ Kanten repräsentieren räumliche, temporale und kausale Beziehungen: LOCATED_AT, TRAVELING_TOWARDS, HAS_RIGHT_OF_WAY_OVER, IMPACTED.

●​ Eigenschaften speichern spezifische Datenpunkte: speed, weather_condition, timestamp, citation_code.

Diese Transformation wandelt eine subjektive Schilderung in eine objektive Topologie. Sobald die Daten in einem Graphen liegen, wird „Verschulden“ zu einer Frage der Graphtraversierung und des Pattern Matching gegen rechtliche Vorlagen, statt Sentimentanalyse. ¹³

2.2 Die Rolle des LLM: Der semantische Extraktor

Wir nutzen LLMs strikt für Information Extraction (IE) . Das LLM hat die Aufgabe, Entitäten und Beziehungen im Rohtext zu identifizieren und sie auf unsere strikte Ontologie abzubilden. Es entscheidet nicht, wer schuldhaft ist; es katalogisiert lediglich die Akteure und ihre angegebenen Handlungen.

●​ Eingabe: „Vehicle 1 fuhr nordwärts auf Main St. Vehicle 2 überfuhr das Stoppschild an 4th Ave und traf Vehicle 1.“

●​ LLM-Aufgabe: Extrahiere Entitäten Vehicle 1, Vehicle 2, Main St, 4th Ave, Stop Sign. Extrahiere Beziehung Vehicle 2 -> VIOLATED -> Stop Sign.

●​ Ausgabe: Eine Menge von RDF-Tripeln oder Property-Graph-Elementen.

Dies nutzt die Stärke des LLM (sprachliches Verstehen und Few-Shot-Extraktion) und neutralisiert seine Schwäche (Halluzination von Logik). Indem die Ausgabe des LLM auf ein vordefiniertes Schema (Ontologie) beschränkt wird, können wir die extrahierten Daten gegen logische Constraints validieren (z. B. kann ein „Vehicle“ nicht „located at“ einer „Time“ sein). ¹⁴ Selbst wenn das LLM sycophantisch sein will, zwingt das starre Schema es, nur die strukturierten Fakten auszugeben, die es identifiziert.

2.3 GraphRAG: Haftung im Kontext verankern

Standard Retrieval-Augmented Generation (RAG) ruft Textchunks auf Basis von Vektor- ähnlichkeit ab. Juristisches Schlussfolgern erfordert jedoch strukturellen Kontext. GraphRAG verbessert dies, indem es nicht nur Text, sondern den Subgraphen der Beziehungen um eine Entität herum abruft. ¹⁶

Um etwa festzustellen, ob Vehicle A Vorfahrt hatte, könnte ein Standard-RAG ein generisches Dokument über Vorfahrtregeln abrufen. GraphRAG hingegen ruft den spezifischen topologischen Subgraphen ab: Vehicle A - LOCATED_AT -> Intersection X <- CONTROLLED_BY - Traffic Light (Green).

Dieser strukturelle Abruf erlaubt der Reasoning-Engine, den Verkehrssteuerungskontext direkt mit dem Fahrzeug verbunden zu „sehen“. Er erzeugt einen kontextbewussten Abruf, der die Entität mit ihrer Umgebung (Straßennetz) und den anwendbaren Regeln verknüpft. ¹⁹

●​ Query Processor: Identifiziert Schlüsselentitäten (Stop Sign, Intersection).

●​ Retriever: Lokalisiert relevante Subgraphen in der Road Network Ontology.

●​ Organizer: Beschneidet irrelevante Knoten (z. B. Wetterdaten, wenn sie für eine Stoppschild- verletzung nicht relevant sind), um eine saubere Entscheidungstopologie darzustellen. ¹⁸

2.4 Multidimensionale Rekonstruktion: Raum und Zeit integrieren

Ein statischer Graph reicht für Verkehrsunfälle nicht; das Ereignis ist inhärent dynamisch. Veriprajnas KGER integriert räumlich-temporale Schichten, um eine 4D-Rekonstruktion zu erzeugen:

2.4.1 Räumliche Schicht (Die Karte) Wir integrieren GIS-Daten und Straßennetz-Ontologien, um die statische Umgebung zu modellieren. Dies umfasst Spurkonnektivität, Kreuzungsgeometrie und die Lage von Verkehrssteuerungen.12

●​ Spurkonnektivität: Modellierung von SuccessorLane und PredecessorLane, um zu validieren, ob ein Manöver (z. B. eine Kehrtwende) geometrisch möglich war.

●​ Kreuzungslogik: Modellierung von ConflictingConnectors—Pfade, die nicht gleichzeitig ohne Kollision besetzt sein können. Tritt ein Aufprall auf einem konfliktären Connector auf, hebt die Graph- topologie den Vorfahrtkonflikt unmittelbar hervor. ²¹

2.4.2 Temporale Schicht (Die Zeitlinie) Der Graph modelliert den Weltzustand in diskreten Zeitschritten: $t_0$ (pre-crash), $t_1$ (crash), und $t_2$ (post-crash).

●​ Allens Intervallalgebra: Wir modellieren temporale Beziehungen wie Vehicle_A_Entering overlaps with Light_Red_State.

●​ Ereignissequenz: Eine Kette von Knoten (Event_1)-->(Event_2) erlaubt dem System, die kausale Kette nachzuverfolgen, die zur Kollision führt. ²²

Dies ermöglicht retrospektive Abfragen: „Bei t-5 Sekunden, was war die Beziehung zwischen Vehicle A und Stop Sign?“ Wenn die Beziehung APPROACHING war und die speed-Eigenschaft 60mph betrug, schließt das System auf eine hohe Verletzungswahrscheinlichkeit, unabhängig von der späteren Schilderung des Fahrers. ²²

2.5 Deterministische vs. probabilistische Wahrheit

Das Kernwertversprechen von KGER ist der Übergang zur deterministischen Wahrheit . In einem Graphen ist, wenn Vehicle A mit Stop Sign durch eine VIOLATED-Kante verknüpft ist (abgeleitet aus Telemetrie oder Zeugenkonsens), diese Tatsache gesperrt. Nachgelagertes Schlussfolgern nutzt diese Kante als harte Constraint.

Ein LLM, das den Bericht liest, könnte sich von Fahrer As Entschuldigung oder emotionaler Not beeinflussen lassen; die Graph-Reasoning-Engine sieht nur den Verletzungsknoten. Gerechtigkeit handelt von Fakten, und Fakten in unserem System sind unveränderliche Knoten in einer verifizierten Topologie. Dieser Ansatz löst das Stabilitäts- problem: die Analyse 100 Mal auf demselben Graphen auszuführen ergibt exakt dieselbe Haftungs- feststellung 100 Mal, eine Leistung, die für stochastische LLMs unmöglich ist. ²⁵

Teil III: Die Ontologie des Unfalls – Die Formalisierung der Verkehrsrealität

Um eine maschinenlesbare Rekonstruktion eines Unfalls zu bauen, müssen wir zuerst das Vokabular der Straße definieren. Das ist die Ontologie : eine formale Spezifikation der Konzepte und Beziehungen, die im Bereich der Verkehrssicherheit und Haftung existieren. Veriprajnas Ontologie ist kein bloßes Datenwörterbuch; sie ist ein semantisches Rahmenwerk, das die Lücke zwischen der physikalischen Realität eines Unfalls und den rechtlichen Kategorien der Haftung schließt.

3.1 Das Traffic Accident Knowledge Graph (TAKG) Schema

Unsere Ontologie folgt einem Top-down-Entwurfsprinzip und integriert Elemente etablierter Standards (wie das Wiener Übereinkommen über den Straßenverkehr und spezifische US-Bundesstaats-Fahrzeug- gesetze), während sie Bottom-up-Anreicherung aus Daten erlaubt. ¹³ Sie ist darauf ausgelegt, umfassend zu sein und über 110 Entitäts- und Beziehungstypen abzudecken, um fein granulare Rekonstruktionsfähigkeiten sicherzustellen.

Tabelle 1: Kern-Ontologieklassen (TAKG)

Ontologieklasse	Unterklassen & Beispiele	Beschreibung
Agent	Driver, Pedestrian, Cyclist, Witness, PoliceOfcer	Die beteiligten menschlichen Akteure im Ereignis.
Object	Vehicle (PassengerCar, Truck, Motorcycle), Obstacle, Debris	Physische Objekte, die interagieren in der Szene.
Infrastructure	RoadSegment, Lane, Intersection, TrafcSignal (StopSign, YieldSign, TrafcLight), Crosswalk, LimitLine	Die statische Umgebung und Steuerungsvorrichtungen.
Event	Collision, LaneChange, BrakingManeuver, Turn, Stop	Handlungen oder Vorkommnisse mit temporaler Dauer.
Condition	Weather (Rain, Fog, Clear), Lighting, RoadSurfaceCondition (Wet, Icy)	Umweltfaktoren mit Einfluss auf die Fahrzeug- dynamik.
Measure	Speed, Distance, SkidMarkLength, BAC (Blood Alcohol Content)	Quantifizierbare Metriken, assoziiert mit Objekten/Agenten.

3.2 Semantische Beziehungen (Die Kanten der Haftung)

Die Kraft des Graphen liegt in den Kanten, die Interaktion definieren. Diese Kanten verwandeln isolierte Entitäten in ein kohärentes Szenario.

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

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

●​ Deontische (rechtliche) Beziehungen: HAS_RIGHT_OF_WAY_OVER (Vehicle -> Vehicle), YIELDS_TO (Vehicle -> Pedestrian), VIOLATES (Action -> Rule), COMPLIES_WITH (Action -> Rule).

Dieses strukturierte Schema stellt sicher, dass jede extrahierte Tatsache einen präzisen Platz hat. Der Satz „The car hit the truck“ wird zu (Vehicle_A)-->(Vehicle_B). Der Satz „The driver ran the red light“ wird zu (Driver_A)-->(Action_Entry)-->(Rule_RedLight). ¹²

3.3 Datenfusion und Entity Resolution

Reale Daten sind unordentlich und oft widersprüchlich. Ein Polizeibericht könnte „nordwärts“ sagen, während ein Zeuge „in Richtung Stadt“ sagt. Der KG wirkt als Data-Fusion-Engine .

3.3.1 Entity Resolution Wenn Bericht A „the red Ford“ erwähnt und Bericht B „the pickup“, nutzt das System Attribute (Farbe, Marke, Kennzeichen), um diese in einen einzelnen Vehicle-Knoten aufzulösen. Wir setzen LLM-basierte Entitätsdisambiguierung ein, um doppelte Entitäten zusammenzuführen, die aus unterschiedlichen Text- chunks extrahiert wurden.¹⁴

3.3.2 Konflikterkennung über Graph-Topologie Wenn Zeuge A sagt „The light was green“ und Zeuge B sagt „The light was red,“ zeichnet der Graph beide als konfliktäre Eigenschaften oder getrennte Observation-Knoten auf, verknüpft mit der TrafficLight.

●​ Witness_A --> (State_Green)

●​ Witness_B --> (State_Red) ​

Die Reasoning-Engine markiert dies als Disputed Fact. Anders als ein LLM, das eine Auflösung halluzinieren könnte, basierend darauf, welcher Zeuge eine „bessere Geschichte“ erzählte (Ausführlichkeitsbias), hält die Graph-Engine den Konflikt als ungelöste Variable und verhindert eine vorzeitige Haftungsentscheidung, bis weitere Beweismittel (z. B. Dashcam-Video) fusioniert sind.13

Teil IV: Das Recht kodifizieren – Von natürlicher Sprache zur deontischen Logik

Die grundlegende Innovation von Veriprajna ist die Übersetzung von Verkehrsgesetzen aus mehrdeutiger natürlicher Sprache in ausführbare deontische Logik . Ein Verkehrsgesetz ist keine Geschichte; es ist eine Menge logischer Constraints aus Obligationen, Verboten und Erlaubnissen. LLMs behandeln Gesetze als Text, der zusammenzufassen ist; wir behandeln sie als Code, der auszuführen ist. ²⁸

4.1 Die Grenzen der „gewöhnlichen Bedeutung“ in der KI

Gerichte interpretieren Gesetze oft anhand der „gewöhnlichen Bedeutung“, aber die KI-Interpretation solcher Bedeutung ist höchst instabil. Eine leichte Änderung des Prompts kann ein LLM dazu bringen, ein Gesetz anders zu interpretieren oder Ausnahmen zu halluzinieren, die nicht existieren. ²⁹ Um eine konsistente Haftungsfeststellung zu erreichen, müssen wir das Recht in eine Logik formalisieren, die diese Varianz eliminiert.

4.2 Defeasible Deontic Logic (DDL)

Wir nutzen Defeasible Deontic Logic (DDL), um Verkehrsregeln zu formalisieren. DDL ist einzigartig geeignet für Recht, weil sie Normen (was geschehen sollte) und Ausnahmen (Defeasibility) nativ behandelt. ²⁸

Eine Standard-Verkehrsregel besteht aus:

1.​ Bedingungen (Antezedenzien): Die faktischen Auslöser (z. B. Annäherung an ein Stoppschild). 2.​ Deontischer Operator: Die normative Anforderung ( Obligation [O], Prohibition [F], Permission [P] ). 3.​ Ausnahme (Defeater): Eine Bedingung, die die Primärregel übersteuert (z. B. polizeiliche Weisung).

Der Formalisierungsprozess ²⁸ :

1.​ Atome definieren: Prädikate aus dem Gesetzestext extrahieren (z. B. Approaching(Driver, Sign), Stop(Driver)). 2.​ Normen bestimmen: Identifizieren, ob die Regel eine Obligation, Prohibition oder Permission ist. 3.​ Struktur identifizieren: Die „Wenn-Dann“-Beziehung abbilden. 4.​ Logik anwenden: In DDL-Notation umwandeln.

Beispielhafte Logikstruktur:

$$R1: Approaching(x, StopSign) \Rightarrow [O] Stop(x) \\ R2: DirectedByPolice(x) \Rightarrow [P] \neg Stop(x) \\ R2 > R1$$ (Die polizeiliche Weisung übersteuert das Schild).

Diese formale Struktur erlaubt dem System zu schließen: „Hat der Fahrer angehalten?“ Wenn Stop(x) falsch ist und DirectedByPolice(x) falsch ist, dann ist Violation(R1) wahr. Es ist kein Empfinden im Spiel—nur Logik. ³⁰

4.3 Fallstudie: Die Formalisierung der „Stoppschild“-Regel (California Vehicle Code § 21802)

Betrachten wir den California Vehicle Code § 21802 zu Stoppschildern, um zu zeigen, wie Text zu Logik wird. ³²

Gesetzestext: (a) „The driver of any vehicle approaching a stop sign... shall stop... The driver shall then yield the right-of-way to any vehicles which have approached from another highway...“

Veriprajna Logical Mapping:

Regel 1: Die Obligation anzuhalten

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

●​ Obligation: Action(Stop) definiert als Speed(Vehicle) == 0 at Location(Limit_Line).

●​ Failure Condition: Speed(Vehicle) > 0 at Location(Intersection_Entry).

●​ Result: Fault(Failure_To_Stop_22450).

Regel 2: Die Obligation, Vorfahrt zu gewähren

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

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

●​ Failure Condition: Entry_Time(Vehicle_A) < Exit_Time(Vehicle_B) AND Collision == True.

●​ Result: Fault(Failure_To_Yield_21802a).

Regel 3: Die Verschiebung der Vorfahrt (CVC § 21802(b))

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

●​ Permission: [P] Proceed.

●​ New Obligation (for others): Approaching_Vehicles => [O] Yield_To(Vehicle_Entering).

Indem der physische Graph (die Rekonstruktion von Geschwindigkeit und Position des Fahrzeugs) gegen diese logische Vorlage abgebildet wird, stellen wir Haftung fest. Zeigt der Graph, dass Vehicle A in die Kreuzung einfuhr, während Vehicle B anwesend war (is_in_intersection = True), löst die Logik-Engine eine Verletzung der Yield-Obligation aus. Das ist eine berechnete Tatsache, keine LLM-Meinung. ³⁴

4.4 Umgang mit Ausnahmen und Vagheit mittels neuro-symbolischer Verankerung

Verkehrsgesetze enthalten vage Begriffe wie „immediate hazard“ oder „safe distance“. ²⁹ Reine Logik tut sich mit Vagheit schwer; reine LLMs halluzinieren sie. Veriprajna nutzt einen neuro-symbolischen Hybrid-Ansatz, um diese Begriffe zu verankern.

●​ Ontologie-Verankerung: Wir definieren „Immediate hazard“ in der Ontologie mittels physikalischer Proxys. Immediate_Hazard $\equiv$ Time_To_Collision (TTC) < 3.0 seconds or Distance < Braking_Distance.

●​ Graph-Berechnung: Das System berechnet TTC auf Basis der Speed- und Distance-Knoten im rekonstruierten Graphen.

●​ Logikausführung: Wenn die berechnete TTC < 3s, wird der Immediate_Hazard-Knoten aktiviert.

Die Regel Yield_If(Immediate_Hazard) feuert dann.

Das entfernt die Mehrdeutigkeit. Wir fragen das LLM nicht „War es gefährlich?“ Wir berechnen die Gefahr auf Basis der Physik und wenden das Recht auf Basis der Logik an. ³⁶

Teil V: Algorithmische Haftungsfeststellung – Topologie als Beweismittel

Sobald das Ereignis als Knowledge Graph rekonstruiert und die Gesetze als Logik formalisiert sind, wird die Haftungsfeststellung zu einem Graphtraversierungsproblem. Gerechtigkeit findet sich in der Topologie—der Struktur der Verbindungen zwischen Handlungen und Regeln.

5.1 Verletzungserkennung mittels Graphtraversierung

Das System fragt den Graphen nach Mustern ab, die Violation Subgraphs entsprechen .

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

●​ Prozess: Die Engine iteriert durch jeden Agenten im Graphen. Sie prüft ihre Handlungen gegen die deontischen Logikregeln, die für ihren Ort gelten (z. B. Prüfung von Stop-Sign-Regeln nur wenn das Fahrzeug mit einem Stop-Sign-Knoten verbunden ist).

●​ Ergebnis: Eine Liste verifizierter Verletzungen. „Vehicle A violated Rule 21802(a) (Failure to Stop) at timestamp 12:01:30.“

Dies ist eine deterministische Ausgabe. Gegeben denselben Graphen wird das System immer dieselbe Verletzung finden. Das löst das Stabilitäts-problem der LLMs und stellt sicher, dass das Adjudikationsverfahren wiederholbar und konsistent ist. ²⁵

5.2 Kausale Inferenz und Kontrafaktuale

Verschulden ist nicht nur Regelverletzung; es ist Verursachung. „Hat die Verletzung den Unfall verursacht?“ Ein Fahrer könnte einen abgelaufenen Führerschein haben (Verletzung), aber bei Rot stehend aufgefahren werden (keine Kausalität für den Unfall).

Veriprajna nutzt Causal Knowledge Graphs (CausalKG), um kontrafaktuales Schlussfolgern durchzuführen . ¹⁰

●​ Die Frage: „Wäre die Kollision erfolgt, wenn Vehicle A angehalten hätte?“

●​ Die Methode (Simulation): Das System erzeugt einen „kontrafaktualen Zweig“ des Graphen. Es ändert die Speed-Eigenschaft von Vehicle A auf 0 an der Haltelinie. Dann führt es die Physik- simulation vorwärts aus (mittels der temporalen Schicht), um zu sehen, ob sich die Trajektorien schneiden.

●​ Das Ergebnis: Verschwindet der Kollisionsknoten im kontrafaktualen Graphen, dann ist die Verletzung die adäquate Kausalität (Proximate Cause) .

Das geht über Korrelation („Er fuhr zu schnell und er crashte“) hinaus zur Verursachung („Das zu schnelle Fahren verursachte den Unfall“). LLMs können diese Simulation nicht durchführen; sie können sie nur auf Basis von Text erraten. Unsere Graph-Engine simuliert die alternative Realität, um Haftung zu beweisen. ¹⁰

Modellierte Arten kausaler Effekte:

●​ Total Causal Effect: Die grundlegende Auswirkung der Verletzung auf die Kollision.

●​ Natural Direct Effect: Ungeplante Ursachen (z. B. tote Winkel).

●​ Natural Indirect Effect: Unsichere Handlungen (z. B. Kontrollverlust durch Ablenkung). ²³

5.3 Haftungstopologie: Zentralität des Verschuldens

Bei komplexen Unfällen mit mehreren Fahrzeugen kann Verschulden geteilt sein. Wir analysieren die Graph-Topologie, um Haftungsprozentsätze zuzuweisen. ³⁹

●​ Kausalkettenanalyse: Wir verfolgen den Pfad der Kanten, die zum Collision-Knoten führen.

●​ Knotenzentralität: Wenn der Distraction-Knoten von Fahrer A Elternknoten des Lane-Departure-Knotens ist, der Elternknoten des Collision-Knotens ist, dann hat Fahrer A hohe „Fault Centrality.“

●​ Mitverschulden (Comparative Negligence): Wenn Fahrer B ebenfalls einen Verletzungsknoten hat (z. B. Speeding), der mit der Kollision verknüpft ist, weist das System Gewicht nach der Schwere der kausalen Verbindung zu (z. B. Lane Departure > Speeding in kausaler Wirkung).

Das liefert eine mathematische Grundlage für Comparative Fault (z. B. 80% / 20%), eine kritische Anforderung für Versicherungsvergleiche, die LLMs zuverlässig zu quantifizieren schwerfällt. ⁴¹

Teil VI: Implementierungsstrategie & Architektur

Veriprajnas Lösung ist nicht theoretisch. Sie ist eine robuste, modulare Architektur, ausgelegt für die Integration in Enterprise-Versicherungs- und Rechtsworkflows. Dieser Abschnitt skizziert den technischen Stack und die Deployment-Strategie.

6.1 Die neuro-symbolische Pipeline (Sandwich-Architektur)

Wir setzen eine „Sandwich-Architektur“ ein, in der neuronale KI (LLMs) die unordentliche unstrukturierte Eingabe verarbeitet und symbolische KI (Logik/Graph) das rigorose Schlussfolgern übernimmt, mit einer finalen neuronalen Schicht für die Erklärung.

Stufe 1: Ingestion & Extraktion (Die neuronale Schicht)

●​ Eingabe: Polizeiberichte (PDF), Zeugenaudio, Telematikdaten (JSON).

●​ Verarbeitung:

○​ OCR- und Speech-to-Text-Digitalisierung.

○​ LLM Entity Extraction: Spezialisierte Prompts extrahieren Entitäten (Vehicles, Signs) und normalisieren sie auf die TAKG-Ontologie. ¹⁴

○​ Constraint Checking: Die LLM-Ausgabe wird gegen die Ontologie validiert. Extrahiert sie ein „stop sign“, wo die Kartendatenbank keines ausweist, markiert das System einen Daten- konflikt.

Stufe 2: Graphkonstruktion & Fusion (Die strukturelle Schicht)

●​ Datenbank: Neo4j oder RDF Triplestore.

●​ Fusion: Zusammenführung der Daten aus dem Polizeibericht mit dem Digital Twin des Straßennetzes (GIS).

●​ Anreicherung: Berechnung abgeleiteter Eigenschaften (z. B. Ableitung der Geschwindigkeit aus Bremsspurlängen- knoten). ¹³

Stufe 3: Schlussfolgern & Adjudikation (Die symbolische Schicht)

●​ Logik-Engine: Ein spezialisierter Solver (z. B. Drools oder eine maßgeschneiderte Python-basierte DDL-Engine) führt die deontischen Logikregeln gegen den Graphen aus.

●​ Kausalsimulator: Führt kontrafaktuale Prüfungen auf adäquate Kausalität (proximate cause) aus.

●​ Ausgabe: Ein strukturierter Haftungsbericht mit Verletzungen und kausalen Verbindungen.

Stufe 4: Erklärung & Generierung (Die neuronale Schicht)

●​ Finale Ausgabe: Ein LLM wird nur am Ende genutzt, um den strukturierten Haftungsbericht in eine lesbare natürlichsprachliche Erzählung umzuwandeln. Diese Erzählung ist strikt in den Graph- fakten verankert und verhindert Halluzination. Sie erklärt, warum die Entscheidung getroffen wurde, auf Basis der Logik- regeln. ⁴⁴

6.2 Auditierbarkeit und Erklärbarkeit (XAI)

Ein zentraler Vorteil von KGER ist Erklärbarkeit .

●​ Rückverfolgbarkeit: Jede Schlussfolgerung kann auf einen spezifischen Knoten und eine Regel zurückgeführt werden. „Warum ist Fahrer A schuldhaft?“ -> „Weil Knoten Vehicle_A Regel R1 (Stop Sign) zum Zeitpunkt t verletzte.“

●​ Visueller Beweis: Der Knowledge Graph kann visualisiert werden und zeigt die exakte Ereigniskette und Logik. Das ist vor Gericht weit überzeugender als ein undurchsichtiger LLM-Textblock. ⁴⁵

●​ Compliance: Dieser deterministische Ansatz erfüllt regulatorische Anforderungen an „Explainable AI“ in finanzieller und rechtlicher Entscheidungsfindung, an denen Black-Box-Modelle oft scheitern. ⁴⁶

Teil VII: Geschäftliche Wirkung und ROI für Versicherer

Die Einführung von Veriprajnas Knowledge-Graph-Ereignisrekonstruktion bietet transformativen Wert für Versicherungsunternehmen, über Effizienz hinaus hin zu fundamentaler Genauigkeit und Schaden- kontrolle.

7.1 Reduktion von Claims Leakage und Prozesskosten

„Leakage“ entsteht, wenn Versicherer mehr zahlen als sie sollten, aufgrund ungenauer Haftungs- bewertung. Ein probabilistisches LLM könnte eine 50/50-Teilung vorschlagen, weil die Schilderungen unordentlich sind oder der Nutzer schlecht promptete. Veriprajnas deterministische Logik könnte eine klare

100/0-Haftung auf Basis einer spezifischen Vorfahrtverletzung aufzeigen.

●​ Präzision: Indem Verschulden genau identifiziert wird, vermeiden Carrier Überzahlung bei Haftungsansprüchen.

●​ Verteidigung: Der Audit Trail des KG ermöglicht robuste Verteidigung in Regress und Prozessführung. Gegen einen physikbasierten, logisch abgeleiteten Graphen ist schwer zu argumentieren. ⁴⁷

7.2 Beschleunigung von Straight-Through Processing (STP)

Aktuelle Automatisierungsbemühungen tun sich mit komplexer Haftung schwer. Einfache Blechschäden werden automatisiert; Kreuzungsunfälle gehen an Menschen.

●​ Neuro-symbolisches STP: Veriprajna ermöglicht STP für komplexe Schäden, indem es eine zuverlässige „Richter“-Schicht bereitstellt. Berechnet die Graphlogik 100% Sicherheit einer Regelverletzung, kann der Anspruch automatisch ohne menschliches Eingreifen reguliert werden.

●​ Effizienz: Das reduziert Zykluszeiten von Wochen auf Minuten für einen erheblichen Anteil der Schäden und steigert die Kundenzufriedenheit (NPS). ⁴⁹

7.3 Operative Konsistenz

Menschliche Regulierer variieren in ihrem Urteil. Einer mag eine Regel so interpretieren; ein anderer mag abweichen. LLMs variieren noch stärker (Stochastizität).

●​ Standardisierung: Die Logik-Engine wendet die gleichen formalisierten Regeln auf jeden Anspruch an. Diese Konsistenz ist vital für regulatorische Compliance und großskaliges Portfoliomanagement. Dies spiegelt den Ansatz von Branchenführern wie Kennedys IQ wider, die neuro-symbolische KI gerade übernommen haben, um die „Black-Box“-Sorge zu eliminieren. ⁴⁵

7.4 Tabelle: ROI-Vergleich – LLM-Wrapper vs. Veriprajna

Metrik	LLM-Wrapper (probabilistisch)	Veriprajna KGER (deterministisch)
Haftungsgenauigkeit	Niedrig (anfällig für Ausführlichkeit/Sycophancy)	Hoch (basiert auf Physik/Logik)
Auditierbarkeit	Niedrig (Black Box)	Hoch (rückverfolgbarer Graph)
Halluzinationsrisiko	Hoch (fabriziert Gesetze/Fakten)	Nahe Null (beschränkt durch Ontologie)
Konsistenz	Niedrig (variiert nach Prompt/Lauf)	100% (regelbasiert)
Komplexes Schlussfolgern	Scheitert bei Abduktion/Kausalität	Glänzt bei Kontrafaktualen

Fazit: Gerechtigkeit ist ein Graph, keine Wahrscheinlichkeit

Die Rechts- und Versicherungsbranchen stehen an einem Scheideweg. Der Reiz generativer KI ist stark—sie ist leicht zu implementieren und erzeugt beeindruckend wirkenden Text. Aber im Bereich des Rechts ist beeindruckend aussehen nicht dasselbe wie recht haben. Im Bereich von Verschulden und Haftung ist „größtenteils richtig“ falsch sein.

Ein LLM zu bitten, einen Polizeibericht zu lesen und Haftung zu beurteilen, heißt, einen Dichter um Physik zu bitten. Es wird Ihnen eine schöne Antwort geben, aber sie wird wahrscheinlich Fiktion sein.

Veriprajna bietet einen anderen Weg. Wir glauben, dass Gerechtigkeit von Fakten handelt. Es geht um die präzisen Beziehungen zwischen Entitäten in Raum und Zeit, beherrscht von der starren Logik des Rechts. Indem wir Knowledge-Graph-Ereignisrekonstruktion aufbauen, streifen wir das Rauschen von Empfinden und Ausführlichkeit ab. Wir extrahieren das Signal—die Entitäten, die Vektoren, die Regeln—und bilden sie in eine deterministische Struktur ab. Wir stellen Verschulden fest, indem wir die Topologie des Ereignisses gegen die Topologie des Rechts messen.

Das ist nicht bloß „KI.“ Es ist neuro-symbolische KI —die Fusion von Lernen und Logik. Es ist der einzige Pfad in eine Zukunft, in der automatisierte Haftung nicht nur effizient, sondern auch rigoros, nachweisbar gerecht ist.

Schluss mit Raten. Anfangen zu rekonstruieren.

Quellen

1. The Intricacies of Evaluating Large Language Models with LLM-as-a-Judge Medium, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2511.04205v1

3. The perils of politeness: how large language models may amplify medical misinformation, abgerufen am 11. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12592531/

4. Sycophancy in AI: Challenges in Large Language Models and Argumentation Graphs, abgerufen am 11. Dezember 2025, https://www.researchgate.net/publication/389939533_Sycophancy_in_AI_Challenges_in_Large_Language_Models_and_Argumentation_Graphs

5. SycEval: Evaluating LLM Sycophancy - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2502.08177v4

6. Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2402.10735v3

10. Causal Knowledge Graph for Scene Understanding in Autonomous Driving Scholar Commons, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://www.cognyte.com/blog/knowledge-graph-software/

12. Spatial Knowledge Graph for Analyzing Traffic Accident Data | LBS 2023, abgerufen am 11. Dezember 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 ..., abgerufen am 11. Dezember 2025, https://www.mdpi.com/2076-3417/15/11/6031

14. How to Convert Unstructured Text to Knowledge Graphs Using LLMs - Neo4j, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://www.mdpi.com/2076-3417/14/17/7819

16. GraphRAG in Practice: How to Build Cost-Efficient, High-Recall Retrieval Systems, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2511.08593v1

18. What is GraphRAG? - IBM, abgerufen am 11. Dezember 2025, https://www.ibm.com/think/topics/graphrag

19. How GraphRAG Elevates LLMs - Redhorse Corporation, abgerufen am 11. Dezember 2025, https://redhorsecorp.com/how-graphrag-elevates-llms/

20. GraphRAG: Unlocking LLM discovery on narrative private data - Microsoft Research, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://www.researchgate.net/publication/220812879_Automatic_Text-to-Scene_Conversion_in_the_Traffic_Accident_Domain

23. CausalKG: Causal Knowledge Graph - arXiv, abgerufen am 11. Dezember 2025, https://arxiv.org/pdf/2201.03647

24. Comprehensive Forensic Tool for Crime Scene and Traffic Accident 3D Reconstruction, abgerufen am 11. Dezember 2025, https://www.mdpi.com/1999-4893/18/11/707

25. (PDF) Deterministic Legal Retrieval: An Action API for Querying the SAT-Graph RAG, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2510.25356v1

30. A Kelsenian Deontic Logic - TICAMORE, abgerufen am 11. Dezember 2025, https://ticamore.logic.at/publications/CiaParSar2021.pdf

31. Modelling Fault Tolerance using Deontic Logic: a case study - MacSphere, abgerufen am 11. Dezember 2025, https://macsphere.mcmaster.ca/bitstreams/975fd64c-3c02-4679-8996-fad7495998ec/download

32. California Code, Vehicle Code - VEH § 21802 - Codes - FindLaw, abgerufen am 11. Dezember 2025, https://codes.findlaw.com/ca/vehicle-code/veh-sect-21802/

33. California Vehicle Code Section 21802: Failure to Stop - Simmrin Law Group, abgerufen am 11. Dezember 2025, https://www.simmrinlawgroup.com/california-vehicle-code-section-21802/

34. Section 5 Continued | Georgia Department of Driver Services, abgerufen am 11. Dezember 2025, https://dds.georgia.gov/section-5-continued

35. Revised Statutes of Missouri, RSMo Section 304.351 - MO.gov, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2510.25386v1

37. Formalizing Traffic Rules for Machine Interpretability - mediaTUM - Technische Universität München, abgerufen am 11. Dezember 2025, https://mediatum.ub.tum.de/doc/1574461/1mjbi1qterg2szw5g2q93wf60.FormalizingTrafficRules.pdf

38. Causal Knowledge Graph for Scene Understanding in Autonomous Driving, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/pdf/2509.06289

41. Liability Rules for Automated Vehicle: Definitions and Details - University of Miami School of Law Institutional Repository, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://arxiv.org/html/2510.16381v1

45. Kennedys IQ launches InsurTech's first neuro-symbolic AI solution for global insurance market, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://beinsure.com/news/kennedys-iq-launches-gen-ai/

47. How Top Insurers Use AI to Drive ROI in Claims Automation - UST, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 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, abgerufen am 11. Dezember 2025, https://vcasoftware.com/insurance-claims-automation/

51. Kennedys IQ launches Insurtech industry's first neuro-symbolic AI solution for global insurance market, abgerufen am 11. Dezember 2025, https://www.kennedyslaw.com/en/news/2025/kennedys-iq-launches-insurtech-industry-s-first-neuro-symbolic-ai-solution-for-global-insurance-market/