TIP
メニュー
EN
← Research

Research

米国雇用差別訴訟を法律知識グラフ化するパイプライン「ARGUS」、UMassとBloombergが共同開発

2026/09/28

米国雇用差別訴状を構造化する「ARGUS」とは

マサチューセッツ大学アマースト校とBloombergの研究者らは、米国の雇用差別訴状（employment-discrimination complaints）を対象に、ドキュメントレベルの**イベント知識グラフ（Event Knowledge Graph: EKG）**を自動構築するパイプライン「ARGUS」を発表した。論文はarXivに公開されている。

雇用差別事件の訴状は、誰がいつ何をしたかという複雑なイベント連鎖を含んでいる。しかし従来の語彙ベースや埋め込みベースの検索手法では、参加者の役割や時系列・因果関係を明示的に表現することが難しいと著者らは指摘する。ARGUSはこの課題に対し、法律ドメイン特化モデルとLLMを組み合わせた段階的な構築プロセスで取り組む。

4段階のパイプライン構成

ARGUSは以下の4段階でEKGを構築する。

  1. 文レベルの事実抽出：具体的な行動・通信・決定・結果を記述した「ファクト文」を、手続き的・修辞的テキストから分離して抽出する。ファインチューニングされたLEGAL-BERTまたはLexLMで各文をFact/Non-Factに分類し、信頼度が閾値を下回る文についてはLLMによる補完判定を行うハイブリッド方式を採用している。

  2. セマンティックチャンキング：抽出されたファクト文をLLMがテーマ・時間・アクターの変化を手がかりにグループ化し、意味的に整合したチャンクに分割する。

  3. 2段階ミニグラフ抽出：各チャンクをジャーナリズム分野でも用いられる5W1H（誰が・何を・いつ・どこで・なぜ・どのように）にインスパイアされたスキーマで構造化する。Stage 1でエンティティとイベントをグラウンディング付きで抽出し、Stage 2でソーステキストに支持された時系列・因果関係エッジを追加する。プロンプト設定の最適化にはGEPAというフレームワークを使用しており、品質・コストのパレートフロンティアを探索する。

  4. ドキュメントレベルのグラフ統合：まず決定論的マージングでチャンク間のエンティティ・イベントを名前正規化によって統合し、重複レコードを集約する。続いてLLMを用いたクロスチャンク解決で、異なるチャンクに分散した同一イベントを照合・統合し、支持される時系列・因果関係エッジを追加する。

評価：153件の実際の訴状データを使用

著者らは、法律文書検索サービスCourtListenerから収集した153件の雇用差別訴状を用いて評価を実施した。データは東ペンシルベニア地区・ケンタッキー東部地区・ニューヨーク南部地区・ペンシルベニア西部地区・ロードアイランド地区の5つの連邦地裁をカバーし、管轄ごとの文書スタイルの差異を考慮した設計になっている。

事実抽出の評価では、固定100文のゴールドサンプルで比較したところ、LEGAL-BERTがF1値0.7273・精度0.8889を達成し、GPT-5はリコール0.9231と高い一方でF1値0.6154にとどまった。この精度とリコールの補完性が、ハイブリッドフォールバック設計の動機となったと著者らは説明している。なおホールドアウトセットでは、ハイブリッドモードのF1値がLEGAL-BERTで約0.87、LexLMで約0.86に達した一方、LLMのみの抽出は約0.71〜0.72と低かったと報告されている。

ミニグラフ抽出の評価では、固定24チャンクセットを対象に自動評価・人手評価・複数モデル評価を組み合わせた手法を採用した。Claude Sonnet 4.5 + GEPAは品質スコア0.896、スキーマ妥当性とカバレッジで1.0を達成した。人手評価では4名のアノテーターが各ミニグラフに「Aligned / Partially Aligned / Misaligned」を付与し、FrameNet誘導型のQwen設定が85.2%の一致率を記録したと報告されている。

ダウンストリームタスク評価では、クレームタイプ分類とドキュメントスコープの法律QAを実施した。グラフ構造化分類器は、生テキストおよび線形化ベースラインをホールドアウトセットで上回り、EKGのみによる検索がドキュメントスコープのQAを改善したと著者らは報告している。ただし、オープン検索設定ではファーストステージの候補リコールが低く、有意な改善は得られなかった。

EKGの有効性と限界

論文の結論として著者らは、EKGは関連証拠が既に取得された後の整理・推論に最も有効であると述べている。関連文書が第1段階の候補セットに含まれない場合、グラフ構造の恩恵は限定的にとどまるとしており、検索段階のリコール向上が今後の課題として示唆されている。

なお、ARGUSが構築するグラフは訴状中の主張を反映したものであり、裁判所が認定した事実を表すものではないと著者らは明示している。

まとめ

ARGUSは、法律ドメインのモデルとLLMを組み合わせた段階的パイプラインにより、雇用差別訴状から役割・時系列・因果構造を持つイベント知識グラフを構築する取り組みである。クレーム分類やドキュメントスコープQAでの改善が報告されており、法律文書の構造化処理における知識グラフ活用の可能性を示す研究として注目される。

出典: ARGUS: Role-Aware Event Knowledge Graphs for U.S. Employment-Discrimination Complaints