Derin öğrenme ile aihm dava dosyalarının yapılandırılarak referans önerici sistem geliştirilmesi

Abstract

Hukuk dosyaları, günümüz hukuk sistemleri için önemli bir zorluk teşkil etmektedir. Özellikle her yıl artan dava dosyası sayısı, değişen kanunlar, emsal kararlar ve yorumlar, bu dosyaların takibini ve sınıflandırılmasını zorlaştırmaktadır. Bu durum avukatlar için büyük zorluklar yaratmakta ve dava dosyalarını incelemek için ek çaba sarf etmelerini gerektirmektedir. Özellikle hukuk disiplininde, yönergelere, yönetmeliklere, kanunlara ve diğer davalara verilen atıfların analizi büyük önem taşımaktadır. Avukatlar bir dosyayı incelerken genellikle davanın kapsamını ve davanın seyrinin nasıl değişebileceğini, önceki davalarda verilen kararları, savunmaları ve argümanları analiz ederek değerlendirirler. Bu noktada, birçok emsal karar, karar, atıf ve diğer hukuki süreçler hakkında bilgi sahibi olmaları gerekmektedir. Bu çalışmada, derin öğrenme yöntemleri kullanılarak dava dosyalarından nasıl nitelikli ve doğru referans çıkarımı yapılabileceği ve dava metinleri için referans hukuk makaleleri önerebilen bir sistemin nasıl oluşturulabileceği araştırılmıştır. Böylece hukuk profesyonellerinin işini kolaylaştırmak hedeflenmiştir. Bu amaçla farklı deneyler yapılmış ve elde edilen sonuçlar karşılaştırmalı olarak sunulmuştur. Grafik tabanlı modelleme yoluyla temsil edilen dava ve hukuk maddelerinin referans önerme süreci için daha iyi sonuçlar verdiği gözlemlenmiştir. Bu çalışmada, davaların Avrupa İnsan Hakları Sözleşmesi'nin hangi maddelerine atıfta bulunduğunu belirlemek için derin öğrenme mimarileri oluşturulmuştur. Bunun için Avrupa İnsan Hakları Mahkemesi dosyaları analiz edilmiştir. Avrupa İnsan Hakları Mahkemesi'nin web kaynakları kullanılarak Türk davalarını içeren bir veri seti oluşturulmuştur. Her dava, ilgili sözleşme maddesiyle eşleştirilerek iki parçalı bir çizge oluşturulmuş ve kapsamlı bir dava vektörü elde edilmiştir. Çizgedeki düğüm vektörleri node2vec tekniği kullanılarak türetilmiştir. Eş zamanlı olarak, her örnek için içerik vektörünü türetmek için Doc2Vec algoritması kullanılmıştır. Her iki temsil vektörü için de LSTM, CNN ve bunların hibrit mimarileri kullanılarak sonuçlar değerlendirilmiştir. Ayrıca, hem birleştirilmiş hem de ayrı olarak, elde edilen vektörler ilgili sözleşme maddesini tahmin etmek için bu modeller üzerinde denenmiş ve sonuçlar karşılaştırılarak sunulmuştur.Legal files pose a significant challenge for today's legal systems. The increasing number of case files, along with changing laws, precedents, and interpretations, makes it difficult to track and categorize them. This creates significant challenges for lawyers and requires them to expend additional effort in reviewing case files. In the legal discipline, analyzing citations to directives, regulations, laws, and other cases is crucial. When reviewing a case, lawyers often assess the scope of the case and how its course might change by analyzing previous decisions, pleadings, and arguments. This requires them to be knowledgeable about numerous precedents, decisions, citations, and other legal processes. This study explores how to extract high-quality and accurate references from case files using deep learning methods and how to create a system that can recommend reference legal articles for case texts. This aims to simplify the work of legal professionals. Various experiments were conducted for this purpose, and the results obtained are presented comparatively. It was observed that cases and legal articles represented through graph-based modeling yielded better results in the reference suggestion process. In this study, deep learning architectures were developed to determine which articles of the European Convention on Human Rights (ECHR) cases referred to. To this end, files from the European Court of Human Rights were analyzed. A dataset containing Turkish cases was created using web resources from the European Court of Human Rights. Each case was matched with the relevant contract article, creating a bipartite graph to obtain a comprehensive case vector. The node vectors in the graph were derived using the node2vec technique. Simultaneously, the Doc2Vec algorithm was used to derive the content vector for each example. Results were evaluated using LSTM, CNN, and their hybrid architectures for both representation vectors. Furthermore, the resulting vectors were tested on these models, both combined and separately, to predict the relevant contract article, and the results are presented for comparison.