🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
想象你是一个合规专员，面前摆着三百页的法规，要求是：把每一条都翻译成“如果出现A情况，就必须做B，除非C”这种机器能执行的话。这件事过去只能靠律师和工程师一条条手工做——慢、贵，而且不同人拆出来的结果还不一样。
为什么现在特别需要？因为越来越多的AI系统要“遵守法规”，比如欧盟人工智能法、医疗隐私规则。如果规则没有被拆成机器可读的形式，模型就只能读一坨长文，然后靠猜。
② 研究问题（要回答什么？）
作者要解决三个具体问题：
- Q1：在没有人工标注答案（没有“标准答案”可以对）的情况下，怎么判断抽取出来的规则好不好？
- Q2：能不能让同一套流程，不加任何领域定制，就同时适用于金融、医疗、AI治理三种完全不同的法规文体？
- Q3：抽出来的规则，真的能提升下游任务（比如合规问答）的表现吗？
③ 研究方法（怎么做的？）
De Jure 像一条四道工序的流水线：
第一道，整理：把PDF或网页法规转成结构化文本，按“§”“Article”“Rule”等标记切成一节一节，每节打上指纹，保证以后能追溯到原文哪一行。
第二道，抽取：让大模型对每一节填一张固定表格——章节信息、术语定义、规则单元。规则单元还要拆成九个字段：动作、动作对象、方式、条件、约束、例外、罚则、目的、原文出处。提示词是“只给表结构、不给示例”，避免模型照着例子抄。
第三道，打分：请另一个大模型当“裁判”，按十九项标准分三轮打分，顺序是：先判章节信息，再判定义，最后判规则。
第四道，返工：哪一轮平均分低于0.90，就把原文、当前结果、每项得分和裁判的批评意见一起丢回去，让它只改有问题的字段，最多重试三次，保留得分最高的一版。
④ 结果（发现了什么？）
作者用三套差异很大的法规来考它：美国证交会的《投资顾问法》（条文层层嵌套）、美国医保隐私规则（大量“原则禁止＋例外许可”）、以及欧盟《人工智能法》（原则性表述多）。
三套语料总评分都在 4.70 以上（满分5）
证交会4.84 > 医保4.76 > 欧盟AI法4.71，恰好对应文本规整度
用抽出的规则做检索问答，裁判认为更好的比例从73.8%（单条检索）升到84.0%
再拆开看：章节信息最好抽（约4.96），定义次之（约4.82），规则最难（约4.65）——越细的语义越难。模型之间也有差距：最好的闭源模型在规则这一轮拿4.75，开源小模型4.53。
消融实验最有意思：只重试一次几乎没用；重试到第二次时，定义那一轮一下涨了1.25分（25%）——因为有了足够多的候选，才能“挑最好的”。再多重试，收益就饱和了。另外，切分方式比后续修补更重要：切得整齐，第一步就能多拿0.33分。
⑤ 讨论（这些发现说明什么？）
作者的核心洞察是解耦：把“抽取”和“验证”分开。这样同一套返工机制就能套用到任何文档、任何法规体系、任何模型上，不需要为每个领域重写规则。
第二是修复顺序：先修章节信息和定义，再修规则。因为定义错了，后面所有规则都会跟着错——这就像盖房子先打地基。
当然，裁判也是大模型，它会不会“护短”？作者用下游问答做了外部检验：在真实合规问题上，用他们规则的回答被判更优的比例显著高于此前工作，说明分数不是自己跟自己玩。
⑥ 结论（最终结论 + 启示）
这项工作的意义在于：监管条文可以被规模化地、可审计地翻译成机器规则。对监管者，这意味着法规可以以“可执行”的形式发布；对企业，意味着合规检查可以自动化；对研究者，它提供了一条“用明确标准替代人工标注”的路径。
但作者也提醒：整套评估依赖大模型判分，仍需要外部抽检和真实合规场景的验证来兜底。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
LLM对齐研究多聚焦“有用—无害”维度，而对“符合成文法规”这一约束关注不足。监管文本以嵌套条件、交叉引用与例外结构著称，直接将其作为上下文喂给模型，既不可审计也难以验证。既有规则抽取工作（Sleimi et al., 2018；Governatori et al., 2016）依赖人工标注金标准或领域专用的道义逻辑形式化，成本高且难以跨域迁移。
本文提出De Jure（Document Extraction with Judge-Refined Evaluation）：一条无监督、领域无关的四阶段流水线，在无标注、无领域提示的条件下把原始法规转为结构化规则单元，并以LLM-as-a-judge的十九维标准驱动选择性重生成。作者以SEC投资顾问法、HIPAA隐私规则、EU AI Act三套语料检验跨域泛化，并以RAG合规问答做下游效用验证。
I. Theoretical Framework & Hypotheses（理论框架与假设）
设计原则有二：
| 原则 | 内容 | 作用 |
|---|---|---|
| 抽取—验证解耦 | 生成与评判由不同提示/模型承担，评判标准外显为19项可解释准则 | 同一返工回路可跨文档类型、监管体系与模型复用 |
| 分层修复顺序 | 按 schema 层级依次修复：章节元数据 → 定义 → 规则单元 | 下游阶段继承上游修正，保证定义性上下文最大程度准确 |
规则单元的本体结构借鉴道义逻辑与可废止规则传统，被操作化为九字段陈述分解：action, action object, method, conditions, constraints, exceptions, penalties, purpose, verbatim span。评价维度分三阶段：元数据6项、定义5项、规则8项（合计19项），每项1–5分。
M. Materials & Methods（材料与方法）
- 阶段1 预处理：Docling转Markdown，保留章节边界/列表/表格；按“§ / Article / Rule”等分隔符切分为有序 section–content 对，赋 SHA-256 指纹并附标准化元数据（标题、版本、生效日期）。
- 阶段2 规则生成：逐节以 schema-driven prompt 生成 JSON（无领域示例、无种子规则）；对非规范性段落返回 null 以抑制规则膨胀；每节输出元数据、定义（术语/释义/范围/交叉引用）与规则单元（含九字段分解与逐字原文片段）。
- 阶段3 多准则评判：LLM-as-a-judge，三阶段顺序校验（元数据6项：完整性、忠实性、非幻觉、标题质量、引用与日期精度、可选字段；定义5项；规则8项）。
- 阶段4 选择性修复：某阶段均分 < θ=0.90 时触发，携带原文、当前抽取、逐项得分与自然语言批评重生成，仅修缺陷字段；每阶段至多 r=3 次，保留历史最优 → 质量单调不降，成本有界。
- 语料：SEC Investment Advisers Act（1940）；HIPAA Privacy Rule（2003）；EU AI Act（Regulation 2024/1689）。
- 骨干模型：Llama-3.1-8B-Instruct、Qwen3-VL-8B-Instruct（开源）；Claude-3.5-Sonnet、GPT-5-mini（闭源）。
- 下游评测：以HIPAA抽取结果为RAG知识库，Qwen3-VL-8B 在 τ=0.8 生成100道可溯源合规问题；all-mpnet-base-v2 向量化；Claude-3.5-Sonnet 在检索深度 k∈{1,5,10} 作答；成对LLM裁判（τ=0.1）按完整性、事实依据等6项比较。
R. Results（结果）
- 抽取质量（SEC）：评分单调下降——元数据≈4.96、定义≈4.82、规则≈4.65；J3 阶段 GPT-5-mini 4.75 领先，Llama-3.1-8B 4.53（Accuracy 4.95 为主要差异源）。
- 跨域泛化：不改任何设置，三域总分均 >4.70，极差仅0.14；SEC≈4.84 > HIPAA≈4.76 > EU AI Act≈4.71，与文本结构规整度的先验排序一致（非评分宽松所致）。
- 下游效用：以De Jure规则为知识库时，裁判在 k=1 有 73.8% 情形偏好其回答，扩大检索后升至 84.0%。
- 消融1（阈值θ）：θ 从0.6升至0.9，定义阶段提升 +0.30（6.0%），θ=0.9 为最优。
- 消融2（重试预算r）：r=1 收益可忽略；r=2 出现质变，定义阶段恢复 +1.25（25.0%）；r>2 饱和，故取 r=3。
- 消融3（切分）：section-aware 切分较 Datla et al. 总体 +0.16（3.2%），收益集中于早期阶段（+0.33，6.6%）。
- 消融4（触发粒度）：均分触发 vs 逐项触发无显著差异——重试预算才是主导变量。
| 语料 | 总分（GPT-5-mini） | 结构特征 | 主要难点 |
|---|---|---|---|
| SEC 投资顾问法 | ≈4.84 | 刚性字母数字索引 | 嵌套条件与交叉引用 |
| HIPAA 隐私规则 | ≈4.76 | 原则禁止＋例外许可 | 例外范围还原 |
| EU AI Act | ≈4.71 | 论述式、原则导向 | 软性条款是否可执行 |
a / D. Discussion & Conclusion（讨论与结论）
- 方法贡献：证明在高度复杂监管域中，外显、可解释的评判准则可以替代人工标注；将“评分—批评—定向修复”做成可复用控制回路，而非一次性提示技巧。
- 治理含义：为“法规即代码”提供可审计路径——每条规则可回溯到具体条文片段（SHA-256 + verbatim span），满足监管留痕要求；可与constitutional AI、合规检查引擎对接。
- 实践启示：切分质量优先于修补预算，工程上应先投入文档结构化；重试预算存在非线性拐点（r≈2），盲目加次数无益。
- 局限：①裁判与生成共享同一模型家族，存在自偏好风险，虽以下游RAG部分缓解，但未做人类标注对照；②三套语料均为英文、以规则结构清晰的法规为主，议会辩论式或判例法文本未测；③“规则正确性”以评分代理，缺少法律专家的效度检验；④下游评测限定在 Datla et al. 覆盖的HIPAA章节，样本受限。
- 结论：De Jure 提供了一条无标注、可迁移、可审计的监管规则结构化路径，其抽取保真度可转化为下游合规问答收益；但其评估闭环仍以LLM裁判为核心，需外部法律专家抽检与真实合规审计作为最终把关。
🧠 IRMaD 思维导图
mindmap
root((法规拆成机器规则))
I 引言
合规需要可执行规则
人工标注太贵
跨域迁移困难
T 设计
抽取与验证解耦
分层修复顺序
九字段规则分解
十九项评分标准
M 方法
结构化切分加指纹
表结构驱动抽取
三轮裁判打分
低于零点九就返工
R 结果
三域均超四点七
证交会四点八四
下游偏好七成三
重试两次才见效
a 讨论
切分比修补重要
裁判可能护短
需外部抽检兜底
规则可回溯原文
D 结论
法规即可执行代码
降低合规成本
仍需法律专家把关
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。