System for analyse av rettslige avgjørelser

For en jurist kan det være utfordrende å analysere et materiale av mange avgjørelser truffet ved skjønn, særlig hvor mange momenter kan være relevante. Uten at det er direkte uttrykt i en beslutning, eller at det er gitt retningslinjer om vekting for avveiingen, kan det være krevende å forstå hvordan ulike momenter er vektlagt.

Til grunn for IT-systemet SARA lå en modell for skjønn kalt vekttallsregelen. Den var utarbeidet av den juridiske nestor, Torstein Eckhoff, m.fl. Det er en noe forenklet modell av avveiinger. Den bygger på en antakelse om at samme moment vil vektlegges noenlunde likt i de avveiinger hvor momentet er relevant. Vi kunne da gjøre bruk av en såkalt lineær modell for å representere beslutningene.

Det falt i min lodd, som informatiker, å designe og programmere systemet SARA. Stud. jur. Mette Borchgrevink hadde ansvaret for den juridiske tilrettelegging og gjennomføring av analyse av et innsamlet materiale av beslutninger. Det var mer enn 200 saker fra Distriktenes Utbyggingsfond (DUF), samlet inn, tilrettelagt og alt analysert av Erik Boe i hans arbeide med sin dr.juris-avhandling^{(1)SARA: System for analyse av rettslige avgjørelser, Mette Borchgrevink og Johs. Hansen, NORIS (33), Skriftserien Jus og EDB 44, Institutt for privatrett, Avd. for EDB-spørsmål, UiO, 1980}. Resultatene av våre analyser ble vurdert, drøftet og dokumentert av Mette Borchgrevink.

SARA hadde et sett av funksjoner for å registrere og analysere sakene. Av særlig interesse var det å undersøke vekting av momenter. SARA hadde et opplegg for å lære om vektingen og beregne vekter. Om brukeren syntes SARA la for mye eller for lite vekt på et moment, kunne denne legge inn en maksimums- og/eller en minimumsgrense for momentets vekt. I senere versjoner kunne brukeren også undersøke hvordan, gitt de beregnede vektene, variasjon av vekt for ett moment påvirket antallet beslutninger hvor beregnet resultat ble feil, dvs. ikke det samme som faktisk resultat.^{(2)Verdiene for et moment i en beslutning var +1 for et proargument og -1 for et mot-argument, 0 om momentet ikke var relevant. Vektor-produktet for verdi og vekt kalte vi teoretisk resultat. Om teoretisk resultat var det samme som resultatet av beslutningen, sa vi at vektene forklarte resultatet.} Slik fikk vi et uttrykk for «følsomheten» antallet beslutninger med feil teoretisk resultat hadde for variasjon av vekt for momentet.

I det lille, internasjonale miljøet som var innen rettsinformatikk på denne tiden, var det nokså stor interesse for arbeidet vårt. Det ble presentert ved ulike konferanser. Gjesteforskere og studenter fra flere land kom til Oslo for å sette seg inn i arbeidet. Vi fikk tilbakemeldinger fra mange kollegaer. Noen av disse betraktningene er publiserte.^{(3)Jf Notater om deontiske systemer, Johs. Hansen (red.), CompLex 2/81, Universitetsforlaget, 1981, med innlegg fra Gert Fredrik Malt, Dag Johnsen, Michaael Heathter og Daniel Stripinis.}

Jeg hadde et stort tilfang av tilbakemeldinger å gjøre bruk av da jeg videreutviklet SARA for min ­hovedfagsoppgave i informatikk^{(4)Et EDB-system for analyse av rettslige avgjørelser, Hansen, Johs, CompLex 1/81, Universitetsforlaget, 1981}. Likevel var det Sverre Spurklands brede kunnskap innen matematikk og egne studier av matematisk teori, som fikk mest betydning for den teoriutvikling og de forbedringer som nå fant sted i arbeidet med SARA. I tillegg til hovedoppgaven er også brukerveiledning og programdokumentasjon for SARA ­publisert.^{(5)SARA: Brukerveiledning og programdokumentasjon, Johannes Hansen, NORIS (49), CompLex 7/85, Universitetsforlaget.}

Juridiske begreper fikk sin matematiske fortolkning. Et par eksempler kan være motstrid mellom ­beslutninger og presedens for en ­beslutning. Innen modellen, og gitt positivt utfall av sakene, så vil det å føye til et proargument opprett­holde resultat, likeså å fjerne et motargument. I så fall danner den ene sak presedensfor den andre. Men presedens kan også framstå ved at flere beslutninger sammen danner presedens for en annen.

SARA hadde sin variant av det som innen Kunstig Intelligens (KI) kalles maskinlæring. For å lære om vektingen av momenter i sakene baserte vi oss på hver enkelt beslutnings verdier og resultat. Dataene fra alle beslutningene ble benyttet til læring. Ved læringen ville vi finne vekter hvor det teoretiske resultatet for så mange beslutninger som mulig var riktig (1. prioritet), og summen av feilene for de teoretiske resultater, hvor disse var feil, var så lavt som mulig (2. prioritet). Vektene ble beregnet i et antall iterasjoner, helt til tilstrekkelig forbedring verken kunne finnes i form av lavere antall feil eller i form av lavere sum av feil for teoretiske resultater.

SARA garanterte ikke optimal løsning, slik at maksimalt antall saker som samtidig lot seg forklare ville bli funnet.

Brukeren kunne nytte mange ­ulike kommandoer for å lære om materialets egenskaper. For flere av disse var det mulig å benytte velgere, f. eks. for å velge saker kommandoen skulle kjøres for, for å velge avstanden mellom de punkter en funksjon skulle plottes for, etc. ­Enkelte typer velgere kunne kombineres, slik at fleksibiliteten i bruk av kommandoer og velgere var nokså stor.

SARA ble utover utviklingsarbeidet bare i nokså liten utstrekning benyttet til analyse. En anvendelse som fikk god oppmerksomhet var Jon Bings analyse av 9 beslutninger presenterte i hans selvvalgte forelesning ved sin disputas for sin dr. juris-grad. Problemstillingene var om en person var å anse som bosatt i Norge eller ikke (domicilbegrepet). For to saker som gjaldt samme kvinne, som hadde flyttet fra Norge, fant SARA motstrid. Bing forklarte det med at bosatt-spørsmålet i den ene saken var som del av skattespørsmål, i den andre som del av spørsmål om arv.

Språk for modellering av rettslige normer (SMARN)

Tanker om å bruke SARA for å­simulere, evt. eksperimentelt å treffe beslutninger, var utviklet over noe tid^{(6)Jf. søknad om bevilgning til JUS og EDB 1980, forfattet av Jon Bing.}. Forslag til hvordan man skulle kunne simulere og automatisere ­juridiske beslutninger ble utarbeidet. Enkel vilkårsprøving med påfølgende beregning av ytelser eller lignende, basert på regler, var 3. generasjons programmeringsspråk godt egnet til. Men det var interesse for imitering av skjønn ved bruk av vekttallsregelen for eksperimentering. F. eks. for å simulere effekter av et regelverk for en gitt populasjon av individer. Støttet av NAVF ble det i 1982 startet et treårsprosjekt for utvikling av et verktøy for lovmodellering.

Arbeidet tok utgangspunkt i Jon Bings modell av juridisk problemløsning, slik han hadde beskrevet det i artikkelen Fra problem til resultat^{(7)Jussens Venner 1/75}. Dette var en gjengivelse av juridisk metode, utarbeidet til bruk i arbeide med tekstsøking. En forankret skisse til Språk for modellering av rettslige normer (SMARN) ble publisert^{(8)CompLex 2/81, s. 82–107.} og benyttet i arbeide med versjon 1 av SMARN. Programmeringsspråket er i detalj spesifisert i Simulation and Automation of Legal Decisions^{(9)Simulation and Automation of Legal Decisions, Johannes Hansen, NORIS (57), Complex 6/86, Universitetsforlaget, Oslo, 21. august 1986.}, kapitlene 1-3 (dvs. SMARN1). Språket (språkutvidelsen) skulle realiseres ved at en såkalt preprosessor skulle generere programkode for programmeringsspråket SIMULA basert på et program skrevet i SMARN.

I språket ble en størrelse kalt norm-segment definert. Det var en sammenstilling av variable for representasjon av opplysninger samt normer for å løse et juridisk problem. Et norm-segment ble implementert i ei norm-blokk^{(10)Blokk-begrepet ble introdusert med programmeringsspråket Algol, og bidro til utviklingen av det vi kaller strukturert programmering.}. Her kunne en deklarere avveiinger, fastregler, diverse typer variable, navngitte betingelser og såkalte normkall. Normkall skulle styre sekvensen for evalueringer i normblokka. Alt dette for å løse et juridisk problem.

Før spesifikasjonen av prepro­sessoren var fullført, ble det valgt en pilot for implementering - å programmere deler av arveloven – som krevde noen ytterligere egenskaper enn de alt definerte^{(11)Piloten var strengt tatt utenfor valgt anvendelsesområde («scope»).}. Dermed måtte språk og spesifikasjoner videreutvikles. Dette er dokumentert i kapitlene 4 og 5. Selv om preprosessoren verken var bygd eller helt ferdig spesifisert, programmerte stud. jur. Espen Ødegaard i samarbeid med meg deler av Arveloven i SMARN.

En notasjon for å uttrykke pliktnormer i

Parallelt med arbeidet med SMARN, arbeidet vi også med å utforme en notasjon for å uttrykke pliktregler i. Nils Kristian Sundbys dr. avhandling Om Normer var en helt sentral kilde til kunnskap. Vi så for oss en notasjon til å uttrykke plikter med betoning av størrelser som handlinger, subjekter, objekter og relasjoner, med et mål om å ­gjøre det lettere å uttrykke plikters meningsinnhold i forbindelse med automatisering eller simulering.

Instituttet hadde fra sin start som Avdeling for EDB-spørsmål en tradisjon for internasjonalt samarbeid. På området ekspertsystemer hadde vi delt erfaringer ved publiseringer, presentasjoner og kollegiale utvekslinger. I et forsøk på å få bedre framdrift i vårt arbeide med deontisk logikk, ble det vinteren og våren 1984 ved IRI arrangert en seminarserie med bidrag fra forskere som Ronald Stamper (LSE), L Thorne McCarty (Rutgers University), Jon Bing, Andrew Jones, rettsfilosofen Gert Fredrik Malt, og fra meg, alle de siste ved UiO. Bidragene fra seminarene er publiserte.^{(12)CompLex 8/85 Modelling Knowledge, Action, Logic and Norms, Johannes Hansen (ed.), Universitetsforlaget, Oslo, 1985.} Det var etter disse seminarene at studieturene til LSE og Rutgers ble gjennomført.

Det var ulike normlogikker og ulike typer semantikker som det ble nødvendig å sette seg inn i. Alt i alt et ganske stort tilfang av tilnærminger. Bjørn Kirkeruds forelesninger om semantikk for programmeringsspråk på Institutt for informatikk var til stor inspirasjon. I ulike forskningsmiljøer arbeidet man i nokså ulike retninger. I stedet for å legge opp til store og viktige valg her, la vi energi inn i arbeidet med en ­notasjon for å representere meningsinnhold for pliktnormer i.

Omtale av arbeidet med utarbeidelse av notasjonen for å uttrykke normer i

Jeg vil beskrive visse trekk ved notasjonen, slik at det kan være mulig å få et inntrykk av den. I notasjonen ble en pliktnorm karakterisert av tre kjennetegn: En deontisk modalitet, m, en handling H og aktører (subjekter) A. Modaliteten forteller om en type handling, H, eller dens unnlatelse, ¬ H, er påbudt, tillatt eller forbudt for de subjekter som omfattes^{(13)Dette ble notert (m A H), eksempler: (Påbudt A H), (Forbudt A H),} . Ved å introdusere en betingelse for at normen skulle komme til anvendelse, b, så kunne vi uttrykke betingede pliktnormer.^{(14)Hvis b så (m A H), f. eks. hvis b så (Tillatt A ¬ H)}

Som en felles betegnelse på hva en norm refererer til og regulerer (dens domene) benyttet vi en frase samling av relaterte fenomener og ­benevnte det en scene. Sentrale størrelser som scener består av var: ­subjekt, objekt, handling og relasjon.

Så definerte vi en abstrakt pliktoperator til å være enten bundet, fri, ikke bundet eller ikke fri^{(15)Vi noterte for abstrakte operatorer M, at de kunne være a) bundet: notert «!», b) fri: «¡», c) ikke bundet: «~!» og d) ikke fri: «~¡».}. Likeså definerte vi noe vi kalte en spesifikk pliktoperator, som en kombinasjon av en slik abstrakt pliktoperator og spesifikke restriksjoner for handlingen (bR), som fulgte av normen^{(16)En spesifikk pliktoperator ble notert på formen (M bR), der M var den abstrakte operatoren og bR de spesifikke restriksjoner.}. De vanlig brukte plikt-operatorene ble så definert ved hjelp av abstrakte operatorer på følgende vis: påbud= bundet til å uføre, forbud= bundet til å unnlate, tillatelse= ikke bundet til å unnlate. Mens frihet = verken bundet til å utføre eller til å unnlate.

Mens de fleste forskere som arbeidet med beslektede problemstillinger var opptatt av å diskutere pliktoperatorene forbud, påbud, tillatelse, så var det min vurdering da at en semantikk innrettet på kontroll med etterlevelse (samsvar/compliance) best kunne defineres for spesifikke plikter. Det skulle tilsi at de scener som normer skulle kunne uttrykkes for, som normene selv, med tanke på implementering, ikke kunne være særlig komplekse. En forutsetning for å realisere en formell notasjon ble da at normenes meningsinnhold måtte være nokså enkelt, både for det som angikk selve scena og det som angikk selve plikten.

Utarbeidelsen av en slik notasjon viste seg langt mer omfattende enn antatt. Da min stilling som vit.ass. ved instituttet utløp 31. desember 1984, var SMARN2 definert og preprosesoren nesten ferdig spesifisert. Men arbeidet med dr.scient-avhandlingen var langt fra ferdig. Ikke lenge etter jeg skrev innlegget for Lov og Data, hadde jeg fått tilbud om stilling som spesialrådgiver i Datatilsynet, med ansvar på det tekniske området. Sentrale oppgaver var å stille krav til – som å bedømme - sikkerhet for og kvalitet i person­registre. Etter noe modningstid, takket jeg ja til stilligen.

Selv om jeg hadde halve stillinger ved IRI og DT i en overgangsperiode, gjensto mye arbeid med avhandlingen da jeg sluttet ved IRI. Det var mange nye typer oppgaver for meg å ta fatt på da jeg begynte i Datatilsynet 1. august 1984, f. eks. arbeide med utforming av sikkerhetskrav^{(17)SAFE P: Sikring av foretak, EDB-anlegg og personverninteresser etter Personregisterloven, Johs. Hansen, TERESA (50), Complex 12/88, UiO, 1988}.

Siden jeg hadde en interesse i å søke å klargjøre begrensninger og kompleksitet som forelå mht. å ­utrykke pliktnormer i en formell notasjon, var jeg ikke inne på tanken om å avgrense arbeidet til visse elementer i pliktutrykkene.

Jeg jobbet på fritiden nokså mye med stoffet fram til ca. 1992. Selv har jeg i ettertid hatt god nytte av notasjonen for pliktnormer, særlig i arbeide med analyse, diskusjon og utforming av informasjons- og IT-sikkerhets-policyer^{(18)On the Definition and Policies of Confidentiality, Johs Hansen Hammer (NAV) og Gerardo Schneider (IfI), presentert ved Third International Symposium on Information Assurance and Security, Manchester, 28.–30. august 2007}.

Til slutt vil jeg nevne at meningen (semantikken) til en påbudsnorm ble tentativt definert som

1. normens forutsetning om de samlinger av relaterte fenomener som må foreligge (den scene som den normerer).

2. normens restriksjoner som den etablerer innen scena: restriksjoner som må være oppfylt i scena, før, mens og etter handlingen utføres,

3. at normen etablerer en binding til å utføre en handling, inkludert det å planlegge (finne og velge) en slik handling.

Meningen til en forbudsnormer noe annerledes: a) man må klargjøre hva man i lys av normen skal unnlate. b) man skal unnlate å gjøre denne/disse handlinger.

Avslutning

Som student, stipendiat og vit.ass. hadde jeg gleden av å være tilknyttet IRI og forløper i ca. 10 år. Vi fikk bidratt til studiet av rettslige avveiinger ved utvikling og bruk av IT-systemet SARA.

Det er en utfordring med skjønn at det ikke kan automatiseres. Man kan imidlertid fastsette en annen mekanisme for å erstatte skjønn. Dette er en politisk/juridisk beslutning som forutsetter tilstrekkelig juridisk kompetanse, dvs. myndighet, og ikke noe den som skal treffe beslutninger etter et fastsatt regelverk kan avgjøre, langt mindre IT-personale.

Man kan forstå avveiinger som en noe underspesifisert måte å løse problemstillinger på, hvor mye overlates til de som skal foreta avveiingene sitt skjønn. Heller enn å granske dette så nært, kan det være at den som har normgivningskompetanse burde spesifisere problemløsningen mer spesifikt enn ved å introdusere en avveiing. Evt. at en bruker avveiinger i en «prøveperiode», for senere å fastsette regler for løsningen av problemstillingene, eventuelt for en delmengde av problemstillingene. En må imidlertid ikke undervurdere det dynamiske aspekt som bruk av avveiinger har i rettsordenen. Hvordan utfallet av avveiinger skal bli, kan justeres over tid, ved at nye retningslinjer for avveiingene gis, ved at nye signaler gis av kompetent myndighet, eller at beslutningsfatteren forstår at justeringer bør gjøres.

Innen området lovmodellering definerte vi en utvidelse av programmeringsspråket Simula. Men den preprosessor som skulle oversette fra SMARN til Simula rakk vi ikke å realisere. Dermed fikk vi ikke høstet erfaringer med å imitere skjønnsanvendelser. Kanskje ville de vist at vi skulle begrenset oss til å bruke vekttallsregelen. For det er ikke sikkert at den økte fleksibilitet mht. vekting som SMARN åpnet for ville vist seg nyttig. Selv om det å kunne justere vekter på et moment i en avveiing alt etter hvilke andre momenter som forekommer i avveiingen, syntes som en ønskelig mulighet å ha.

For å kunne nærme seg et forslag til å erstatte utøvelsen av avveiinger med en modell for å imitere avveiinger, må man forstå avveiingsprosessen godt nok til å kunne treffe godt med modellen. Ellers vil man feile. Her er retningslinjene om hva som er relevante momenter og om vekting, samt empiri om beslutninger, hovedkildene til kunnskap.

Vårt arbeid plasserte vi innen området ekspertsystemer, eller kunnskapsbaserte systemer. Med litt velvillig bruk av dagens definisjoner kan en nok si at det faller inn under symbolsk KI. I dag skjer det store framsteg innen det som kalles subsymbolsk KI. Her er sentrale elementer som maskinlæring, nevrale nettverk og språkmodeller i bruk. I det vi fascineres av de nye muligheter, og stiller oss spørsmål om hvordan de best skal tas i bruk, så må vi minne oss om at offentlig og privat forvaltning bruker 3. generasjons programmeringsspråk for å løse store volumer av juridiske problemstillinger. Så er ekspertsystemer i omfattende bruk, som i regelmotorer, f. eks. i AltInn og i Elektronisk Mottak i NAV, for å behandle innkommende meldinger.

Det er stor interesse for å kunne automatisere stadig flere prosess-steg, som av ulike grunner, p.t. er manuelle, slik at lengre deler av en prosess-kjede kan være automatisk. Jeg ser ikke for meg at subsymbolsk KI vil få noen rolle å spille her, utover å kunne være støtte i manuelle prosess-steg.

Men så spiller jo subsymbolsk KI allerede en stor rolle i chatboter og i språkmodeller generelt. Henvendelser fra befolkningen tar mye kapasitet fra forvaltning og næringsliv, og brukervennlig effektivisering er viktig. Til en lang rekke ulike typer oppgaver vil f. eks. språkmodeller kunne bidra. Jeg vil tro at med de språkmodeller som er i bruk innen KI allerede, så vil en også kunne vesentlig forbedre effektiviteten i framhentingen av relevante rettskilder ved løsning av juridiske problemstillinger.

Her blir kontrollen med utforming av språkmodeller en utfordring. Den som tilrettelegger en språkmodell for avansert bruk, må kunne avgrense og kontrollere kilder som benyttes og juridiske forhold knyttet til bruk av kildene. Det er jo selvsagt at tilstrekkelige og relevante kilder som trengs for løsningen av en gitt problemstilling må dekkes.

Ideelt bør jo den som gjør seg bruk av en språkmodell kunne ettergå de kilder som ligger til grunn for et svar, deres gyldighet, autentisitet, integritet, notoritet, etc., og også stille vilkår til de kilder som skal kunne brukes i svar. Og ikke minst be om forklaring av hvorfor en bestemt konklusjon er foreslått^{(19)Her kan man ha forhåpninger til prosjekter som LEXplain («Explainability requirements for AI used in legal decision-making») og deres arbeid med «forklarbar kunstig intelligens» (XAI)}. Siden tolkning og harmonisering av rettskilder er så sentral del av juridisk metode, er det lett å se for seg sterke begrensninger i anvendelse av selv avanserte språkmodeller på det juridiske området.

Det vi gjorde i SARA er å sammenligne med bruk av maskinlæring med ett-lags nevralt nettverk (lineær modell). Med bruk av maskinlæring og to-lags nevrale nettverk, har en trolig gode muligheter for å få til bedre imitering av utført skjønn. Det skyldes jo delvis at en slik modell er ikke-lineær, og kan justere vekter basert på hvilke kombinasjoner av momenter som forekommer. Men jeg vil tro at man neppe kan vise til så elegante matematiske uttrykk for juridiske størrelser, som det vi etablerte.

Subsymbolsk AI baserer seg ikke på eksplisitt representasjon av semantikk. Det vil derfor være noe «tentativt» over løsning av juridiske problemer vha. slike metoder. Det kan i mange sammenhenger kanskje være godt nok for rådgiving og veiledning, når tilstrekkelig forbehold også presenteres, men ikke for juridiske beslutninger.

Vi fikk også i noen grad bidratt i arbeidet med deontisk logikk ved instituttet. Mitt bidrag ble vel først og fremst å starte opp et slikt arbeid der. Hvorvidt min måte å uttrykke pliktoperatorer på kan bli fruktbar, har jeg her ikke argumentert nærmere for. Har jeg truffet nokså godt i utlegningen av dette, så illustrerer det hvor rikt et meningsinnhold pliktnormer kan romme, også i selve pliktmodalitetene.

For å kunne automatisere juridisk problemløsning, der en ønsker å representere pliktoperatorene, bør derfor trolig disse både ha et nokså enkelt meningsinnhold og et innhold som er fast over tid.

For automatisk løsning av juridiske problemstillinger er det uansett avgjørende å opprettholde høye krav til representasjonen av de normer som skal ligge til grunn for problemløsningen og prosessen som leder fram til denne, som en viktig del av det hele.