论文信息
| 项目 | 内容 |
|---|---|
| 日期 | 2026-11-05 |
| 论文 | Statutory Article Retrieval from Arabic Judicial Narratives: Family Law and Law of Evidence in Saudi Arabia |
| 作者 | Zarah Shibli, Areej Alhothali, Lulwah Alharigy |
| 机构 | King Abdulaziz University（沙特阿卜杜勒阿齐兹国王大学） |
| 链接 | arXiv:2610.38336 |
| 代码 | 未公开（基准来自已发布的合成语料） |
一句话总结
在阿拉伯语司法叙事到法条的检索任务上，直接用最强的 dense encoder 会在《证据法》上灾难性失效（MRR@10 仅 0.087），而让 LLM 先把长叙事分解为争议焦点、再通过三通道检索 + RRF 融合的 DaR 管线，把两个法域的检索效果同时拉到 0.7~0.86。
解决什么问题
司法场景中，当事人陈述、法律援助工作者和法官都需要先把"事实"映射到管辖它的法条上。沙特近期新颁布了《家庭法》和《证据法》，而司法文书中的长篇事实叙述（平均 265 词）充满了程序性历史和无关细节，目标法条却是平均约 41 词的抽象规则——论文称之为**“叙事到法律规则的抽象鸿沟”（约 6.5:1 的长度比）。LLM 直接生成会幻觉，RAG 的价值又完全取决于检索质量，但此前没有任何工作在长篇沙特阿拉伯语叙事上做过法条级**检索评测。
核心方法
基准设置：200 个合成沙特家庭法院案例（离婚确认三类场景，经法律专家审核），381 条法条（家庭法 252 条、证据法 129 条）。查询只用 Fact 字段，引用标签从 Reasoning/Judgment 提取，查询与标签文本严格不相交。多标签检索任务，指标 MRR@10。
四个层次递进的实验：
- E1 词法检索：阿拉伯语规范化（去音符、字符变体归一）后的 word-level 和 char-4 BM25。
- E2 稠密检索：16 个 zero-shot 编码器横评——阿拉伯语专用（AraBERT 系）、多语言对比（E5/BGE-M3/Arctic）、商用 API（Cohere/Gemini/OpenAI）、decoder 型（Qwen3-Embedding-4B/8B，instructed 与否）。
- E3 增强：E3a 按法域限制检索范围；E3b dense-sparse RRF 融合（k=60）。
- E4 DaR（Decompose-and-Refine）——本文核心贡献，改自韩国多跳法律 QA 的 DaR 范式：
- 分解：一次约束 LLM 调用（Gemini-3.6-Flash, temperature=0）读取 Fact，识别 1~5 个法律上独立的争议点，每点输出 JSON 条目；
- 三通道：每个争议点生成 ① statute 风格的条文改写（paraphrase）② 5-10 个法律关键词 ③ 猜测的法典章节位置（固定分类法：证据法 11 章 / 家庭法 8 章）；
- 融合：每个争议点内三通道 RRF 融合，跨争议点取每条法条的最高分合并（max 聚合），一条法条只要对任一争议点相关就保留。
关键设计：同一事实在两个法域路由下独立分解（一次家庭法分解 + 一次证据法分解），因为一个案子可能同时引用两部法。
实验结果
- 全语料：instructed Qwen3-Embedding-8B 达到 MRR@10 = 0.849，是未分解系统中最强的。
- 但分法域看就露馅了：这个优势全部来自家庭法；限制在证据法上，同一编码器暴跌到 0.087，与 BM25 RRF 融合也只拉回 0.207。
- 两个法域偏爱不同策略：不分解时，没有单一配置同时在两部法上最优。
- DaR 改变格局：证据法 MRR@10 = 0.696（+0.61），家庭法 = 0.864；同一个检索器在两个法域都达到最佳。
深层洞察
这篇论文最有价值的发现不是 DaR 管线本身，而是那个"0.849 → 0.087"的崩塌：聚合指标会掩盖结构性失败。全语料 MRR 看起来很好，是因为家庭法条文语义上更"叙事友好"，而证据法条文是高度抽象的规则性文本，dense encoder 直接匹配几乎无效。这提醒所有 RAG 评测：不分切片(domain strata)看的平均分，可能是两块 0.85 和 0.09 拼出来的幻觉。
第二层洞察：查询分解的本质是补齐抽象鸿沟。HyDE/Query2doc 生成伪文档，对短查询有效；但 265 词的长叙事问题不是信息太少，而是信息太多且粒度错位——一次叙述里混着 3 个法律争议，每个争议对应不同的法条。分解成争议点后再生成条文风格的查询，等于把"事实语言"翻译成"法条语言"，这才是那 8 倍提升的来源。
第三层：通用 embedding 强 ≠ 领域可用。16 个编码器里最强的 Qwen3-8B 在证据法上还不如 BM25 的融合基线，说明 instruction prefix 和模型规模都救不了任务形态错配。
局限性
- 基准是合成案例（来自家庭法院模拟语料），虽然经专家审核，但与真实判决书的分布差异未知；
- 样本量偏小：200 查询 × 381 法条，且只覆盖离婚确认一类场景、两部法；
- DaR 依赖每案两次 LLM 调用，引入了延迟、成本和分解质量的不确定性——分解错了怎么办论文未做错误分析；
- Gemini-3.6-Flash 的选择基于速度成本而非效果上界，更强的分解模型可能还有提升空间（反之也意味着结果未饱和）。
工程实践启示
- 做 RAG 评测必须按业务切片看指标，全量平均分会掩盖某个子域的完全失效——这是本文最直接可迁移的教训。
- 长文档（>200 词）做查询时，先做议题分解再检索，比整体 embedding 或简单查询扩展有效得多；每议题多通道（改写/关键词/分类路由）+ RRF 是免训练的廉价组合。
- “法条上下文前缀”（law_name - chapter_title: article_body）这种结构化前置值得抄，它让 embedding 带上层级语境。
- 跨争议点的 max-score 聚合是多标签检索（一个查询对应多篇文档）的实用合并策略。
- 中文司法/合规场景完全可以复刻这套管线：叙事长、法条短、抽象鸿沟同样存在。