De Jure：規制ルール抽出におけるLLMの反復的自己洗練手法
De Jureのアーキテクチャ：反復的自己洗練による構造化抽出
「De Jure」は、非構造化テキストである規制文書から、プログラム的に処理可能なルールセットを抽出するためのフレームワークである。本手法の核心は、単一のパスによる抽出（Zero-shot/Few-shot）ではなく、**「反復的な自己洗練（Iterative Self-Refinement）」**プロセスを導入した点にある。
具体的には、LLMが抽出した初期構造データに対して、検証エージェントが論理的整合性、法令の階層構造、および規定の完全性をチェックする。エラーが検出された場合、システムは「自己修正プロンプト」を生成し、LLMに当該箇所の再評価を促す。このサイクルを収束するまで繰り返すことで、 hallucination（幻覚）を最小限に抑え、複雑なネスト構造を持つ法規制の抽出精度を大幅に向上させている。特に、GPT-5.4やQwen 3.6-Plusといった最新のエージェント指向モデルにおける「推論深度」を最大限に引き出す設計となっている。
規制ドメインにおける構造化の課題とLLMの適合性
法規制の抽出は、極めて高い正確性が求められるドメインである。従来のNER（固有表現抽出）ベースの手法では、条文間の相互参照や条件分岐の依存関係を捉えきれないという課題があった。
De Jureは、LLMの持つ広範なコンテキスト理解能力を活用し、単なるエンティティ抽出ではなく、ルールをIF-THEN-ELSEの論理グラフとして再構築する。論文のベンチマークによれば、従来のRAGベースのシステムと比較して、規定の解釈誤り率を40%以上低減した。特に、Claude Opus 4.6のような「Adaptive Thinking」機能を備えたモデルとの親和性が高く、曖昧な法文に対してはメタ認知的な再考を行い、抽出結果を法解釈のコンテキストと照合することで、精度の担保を実現している。
開発者向け考察：次世代LLMを活用したパイプライン構築
-
「抽出」から「検証」へのパラダイムシフト 単一の推論で完結するプロンプト設計は限界に達している。開発者は、LLMを「抽出器」としてではなく、「抽出器兼検証者」としてループ内に配置するマルチエージェント・アーキテクチャ（LangGraphやAutoGenなどを活用した設計）を採用すべきである。
-
自己修正のためのスキーマ設計の重要性 反復的洗練において最も重要なのは、抽出結果を評価するための厳格なスキーマ（JSON Schema, Pydanticモデル等）の定義である。LLMに「何が正しいか」を教え込むためのバリデーション層をコード側に実装し、エラーメッセージをLLMへフィードバックするループを構築することで、モデルの性能を最大化できる。
-
コンテキスト管理とトークン効率の最適化 反復プロセスはトークン消費量を増大させるリスクがある。最新の1Mトークン・ウィンドウ（GPT-5.4/Claude Opus 4.6等）を活用し、抽出対象の条文のみならず、関連する上位法令や前段の修正履歴を適宜キャッシュして推論パイプラインに含めることが、抽出の一貫性を保つ鍵となる。
🔗 Source / 元記事: https://arxiv.org/abs/2604.02276
