Jusletter IT

Im Genehmigungsverfahren von Verträgen kann eine automatisierte Analyse der vorherigen genehmigten Verträge dazu eingesetzt werden, standardisierte oder häufig wiederkehrende Bestandteile der Vertragstexte zu prüfen. Diese müssen anschließend nur bei Abweichungen zur manuellen Sichtung vorgelegt werden. Auch für das Aufsetzen eines Vertragstextes kann eine Sammlung von vorformulierten Textabschnitten aus juristischen Dokumenten genutzt werden, um Rechtssicherheit zu gewährleisten. Diese formelhaften Textabschnitte sind Bestandteil des impliziten Wissens von JuristInnen, müssen jedoch von diesen erst u. a. über eigene Erfahrung mit dem Aufsetzen von Vertragsdokumenten erworben werden. Durch die automatisierte Analyse und Identifizierung dieser formelhaften Textabschnitte kann dieses implizite Wissen explizit gesichert, durchsuchbar und abrufbar gemacht werden.

Das Verfahren, das in diesem Beitrag vorgestellt wird, basiert auf einer Vielzahl von Forschungsansätzen. Zum einen sind es Arbeiten, die sich mit der Segmentierung von Texten beschäftigen. Formelhafte Textabschnitte, die in Dokumenten identifiziert werden müssen, können als Sequenzen von Sätzen definiert werden. Auf dem Gebiet der Sequenzerkennung und beim Vergleich dieser Sequenzen, beispielsweise mit Sequenzen in einer Datenbank, gibt es einige Arbeiten, die z.B. das Problem der längsten gemeinsamen Teilsequenz (Longest Common Subsequence)¹ und auch das Problem des längsten wiederholten Substrings (Longest Repeating Sequence)^{2, 3} lösen. Eine Zielsetzung bei der Sequenzerkennung ist, dass wiederkehrende Teilsequenzen, die im Voraus nicht bekannt sind, identifiziert werden. Es muss eine Entscheidung getroffen werden, was eine geeignete Teilsequenz ist, bevor in den Korpora nach den wiederverwendeten Teilsequenzen gesucht werden kann. Dies kann beispielsweise durch die Modellierung der kürzesten Korpusbeschreibung⁴ geschehen, oder durch die Mindestbeschreibungslänge (MDL)⁵ für die Wortsegmentierung, oder der Sequenzsegmentierungen,⁶ oder durch sequentielles Pattern Mining.^{7, 8}

Auch Legal Tech-Unternehmen entwickeln Anwendungen und Lösungen, die unterstützend im Genehmigungsverfahren und für die Vertragsgenerierung eingesetzt werden. Das Unternehmen Glanos GmbH ist Entwickler der Software DataSphere⁹. Die Möglichkeiten, die diese Software bieten soll, sind u. a.: die Bestandsanalyse von vorhandenen Verträgen; eine automatische Extraktion von Fristen, Terminen und Auslaufzeiten in Leasingverträgen; Hinweis auf fehlende Klauseln und Vorschläge für die Formulierung dieser Klauseln. Für die Umsetzung setzen die Entwickler hauptsächlich auf eine kontinuierliche Erweiterung von Regeln und nutzen Textkorpora mit juristischen Fachbegriffen für eine Schlagwort- und Synonymanalyse. Die IntraFind Software AG bietet mit AnalyzeLaw eine Software für Kanzleien und Rechtsabteilungen in Unternehmen an.¹⁰ Neben dem Zuordnen der Verträge zu den jeweiligen Rechtsgebieten, werden auch weitere Inhalte extrahiert, z.B. Personen, Vertragsparteien und Vertragswert. Des Weiteren identifiziert die Software ungültige Klauseln. Nach eigenen Angaben setzt das Unternehmen dafür Machine Learning-Verfahren und Methoden der künstliche Intelligenz ein.

Ausgehend vom pdf-basiertem Dokument fallen einige umfangreiche Vorverarbeitungsschritte an, um einen bereinigten Text zur Weiterverarbeitung nutzen zu können. Diese Vorarbeiten haben wir in Structural Analysis of Contract Renewals¹¹ und Preparing Legal Documents for NLP analysis¹² detailliert beschrieben. Auf Dokumentebene müssen die Anordnung und die Funktion der Textteile beibehalten werden. Der Aufgabenbereich wird in Abschnitt 3.1 überblicksartig vorgestellt. Für die Bereinigung von Texten, die aus juristischen Dokumenten extrahiert werden, sind zusätzlich zu den Standardverfahren aus der natürlichen Sprachverarbeitung (Computerlinguistik), weitere Bereinigungsschritte notwendig. Diese werden im Abschnitt 3.2 vorgestellt. Wir setzen für unsere Verfahren zwei Korpora ein. Ein Korpus besteht aus Urteilen aus dem Strafrecht (aus den Jahren von 1999 bis Anfang 2020), die vom BGH gesprochen wurden. Ein zweites Korpus besteht aus Verträgen, die von den Stadtverwaltungen Hamburg und Bremen aufgrund von Transparenzstrategien öffentlich zur Verfügung gestellt werden und aus einigen Verträgen zwischen Hochschulen und Servicepartnern, die ebenfalls frei verfügbar sind.¹³

Für die Textextraktion klassifizieren wir zuerst das Seitenlayout jeder Dokumentseite. In den Dokumenten, die sich im Korpus befinden, sind das einspaltige, zweispaltigen Seiten und Seiten, die einspaltig sind jedoch links Überschriften in Form von Marginalien haben. Dieser Schritt ist notwendig, damit der Textfluss des Dokumentes für die nachfolgende Analyse erhalten bleibt. Der Klassifikator teilt eine Seite in viele schmalen Spalten auf und lernt aus den (normalisierten) Textmengen pro Spalte, zu welcher Layoutklasse eine Seite gehört.¹⁴

Wenn das Seitenlayout der Dokumentseiten bekannt ist, werden alle Textelemente Textklassen zugeordnet. Dies geschieht ebenfalls mithilfe eines Klassifikators, der mit Merkmalen, die die Textfunktion beschreiben, trainiert wurde. Die Merkmale, die eingesetzt wurden, sind beispielsweise Information zur Platzierung auf der Seite, die Angabe der Schriftgröße und weitere. Dabei werden die Textklassen Kopfzeile, Überschrift, Text, Aufzählungszeichen, Stempel und Unterschrift, Fußzeile klassifiziert. Durch das Wissen über die Textklasse, kann Wissen über die Funktion der Textelemente erhalten bleiben, z. B. dass das Textelement eine Überschrift abbildet. Durch diesen Vorgang können wir Textelemente aus der Kopf- und Fußzeile, sowie aus den Bereich für Unterschriften und Stempel herausfiltern und erhalten den bereinigten Vertragsinhalt. Da bei der Textextraktion aus PDF-Dokumenten auch viele Worttrennungen und bei der Texterkennung auch viele OCR-Fehler (Optical Character Recognition) auftreten, sind weitere Methoden notwendig, um den Text zu korrigieren. Da die Fachtextsorten Vertrag und Urteil eine Vielzahl von Abkürzungen einsetzen, sind Standardmethoden mit eigenen Texten weiter trainiert worden, um den Text optimal in einzelne Sätze aufzuteilen.

Die Generalisierung von formelhaften Textabschnitten in juristischen Texten soll dazu eingesetzt werden, schematische Textbereiche zu definieren, die sehr häufig in Dokumenten verwendet wurden, die jedoch musterhafte Variationen zulassen. Diese Variationen können einzelne Begriffe bzw. Satzteile sein.¹⁵ Durch die Verbindung von formelhaften Abschnitten und den identifizierten variablen Begriffen kann eine umfangreiche Vertragsanalyse durchgeführt werden. Wenn beispielsweise ein formelhafter Abschnitt in einem zu prüfendem Vertrag identifiziert wird und die möglichen variablen Begriffe wurden nicht verwendet, so ist dieser Abschnitt einer manuellen Prüfung vorzulegen. Sollten die variablen Änderungen in den formelhaften Abschnitten jedoch einer bekannten Variante entsprechen z. B. dem Namen des Gerichts, ist dieser Vertragsteil inkl. der individuellen Anpassungen dennoch automatisiert analysierbar.

Das detaillierte Verfahren für die Identifizierung der formelhaften Textabschnitten wird in [JOSI et al. 2021] beschrieben. Nach der Extraktion und Bereinigung der Texte werden diese in Sätze geteilt und zu ähnlichen Satzclustern gruppiert. Durch die Gruppierung kann jeder Satz in einem Dokument durch das entsprechende Satzcluster repräsentiert werden. Mithilfe des Apriori-Algorithmus¹⁶ können längste wiederkehrende Sequenzen in der Dokumentensammlung ermittelt werden. Diese Satzsequenzen stellen häufig vorkommende formelhafte Textabschnitte dar.¹⁷

In diesem Abschnitt werden sowohl formelhafte Textabschnitte, als auch individuelle Ausprägungen der Varianten gezeigt. Das Forschungsprojekt ist noch nicht abgeschlossen und die vorgestellten Ergebnisse bilden somit nur den aktuellen Stand des entwickelten Verfahrens ab.

In Abbildung 1 sind die Satzfolgen [25487,5712,907,58], [25487,3911,907,58] und kürzere Teilsequenzen für einen formelhaften Textabschnitt aus dem Korpus „Urteile aus dem Strafrecht“ aufgezeigt. In der Abbildung 2 wird für jedes Satzcluster in dieser Sequenz ein Satzbeispiel geben. Die Zahlen an den Kanten (Pfeilen) geben die Anzahl der in unserem Korpus beobachteten Vorkommen der jeweiligen Sequenzen an.

Abbildung 1: Formelhafter Abschnitt aus dem Korpus „Urteile StGB“.

Abbildung 2: Variation in einem formelhaften Textabschnitt, Korpus „Urteile zum StGB“

Das Beispiel aus Abbildung 1 und 2 zeigt den Entscheidungstenor, der formelhaft aus einer Abfolge von bis zu drei Sätzen bestehen kann. Dies ist für 13 Urteile der Fall. In weiteren Urteilen wurden kürzere Teilabschnitte identifiziert.

In Abbildung 3 ist der formelhafte Abschnitt für die Satzfolgen [623,624,1239], [623,624,3487,11535] und einige kürzere Abfolgen abgebildet. Diese Satzfolgen kommen im Korpus der Verträge vor und zeigen Bestimmungen zum Vereinbarungszeitraum auf. In Abbildung 4 wird jeweils ein Satz aus dem Satzcluster gezeigt. Die längsten möglichen Satzfolgen kommen jeweils neun- und elfmal im Korpus vor.

Abbildung 3: Satzfolgen, die einen formelhaften Textabschnitt im Korpus „Verträge aus Stadtverwaltungen und Hochschulen“ abbilden.

Abbildung 4: Variation in einem formelhaften Textabschnitt, aus dem Korpus „Verträge“.

Wenn die individuellen Satzfolgen eines formelhaften Textabschnittes weiter betrachtet werden, wird erkennbar, dass die individuellen Ausprägungen klassifiziert werden können. Beispielsweise Variationen im Einsatz von Plural- und Singularform von Artikeln, Substantiven und Pronomina; Angaben zu Zeiträumen und Nummerierungen und weitere individuellen Anpassungen. Des Weiteren werden im Korpus „Verträge aus Stadtverwaltungen und Hochschulen“ aber auch Fehler aus der Texterkennung und -extraktion sichtbar. Dies ist ein weitere Besonderheit des vorgestellten Ansatzes, da formelhafte Textabschnitte auch bei fehlerhaften Sätzen, identifiziert werden können.

Abbildung 5 und 6 zeigen die musterhaften Variationen, die in den beiden formelhaften Textabschnitten im Korpus vorgekommen sind. Die Knoten im Graph sind indexiert.

Abbildung 5: Wortgraph mit indiv. Ausprägungen

Abbildung 6: Wortgraph mit indiv. Ausprägungen

Abbildung 7: Wortgraph mit indiv. Ausprägungen

Abbildung 8: Wortgraph mit indiv. Ausprägungen

Die Abbildung 7, 8 und 9 zeigen die musterhaften Variationen, die in drei formelhaften Textabschnitten im Korpus „Verträge aus Stadtverwaltungen und Hochschulen“ vorgekommen sind. Die Knoten im Graph sind indexiert.

Abbildung 9: Wortgraph mit indiv. Ausprägungen

Tabelle 1 zeigt die Ergebnisse für den aktuellen Stand des entwickelten Verfahrens. Die Satzcluster werden für beide Korpora gleich gebildet: Sätze werden als ähnlich gesehen, die bei der Übereinstimmung von Trigrammen auf Buchstabenebene mindestens einen Jaccard-Koeffizienten von 0.5 haben. Für die Identifizierung der gemeinsamen längsten Teilsequenz (siehe Abschnitt 4.1.) muss eine Sequenz im Korpus „Urteile aus dem Strafrecht“ achtmal vorkommen um weiter berücksichtigt zu werden und im Korpus „Verträge aus Stadtverwaltungen und Hochschulen“ mindestens zehnmal. Für die Berechnung der Anzahl von formelhaften Textabschnitten im Korpus gilt die Bedingung, dass jeder Satz in einem Dokument nur einer Sequenz zugeordnet werden darf.

Tabelle 1: Ergebnisse für Einzelbereiche des Verfahrens, getrennt nach Korpus.

Das vorgestellte Verfahren für die Identifizierung von formelhaften Textabschnitten, kann für die Analyse bestehender umfangreicher Korpora mit Texten aus den Rechtswissenschaften eingesetzt werden. Hierbei sehen wir Potential, da Verträge, die jährlich neu gezeichnet werden müssen, zumeist wenige Aktualisierungen gegen über dem Vorjahr aufweisen, die jedoch mitunter gravierend sein können. Für die Unterstützung im Genehmigungsprozess ist es daher sinnvoll die formelhaften Abschnitte, sowie die aktuelle Ausprägung im vorliegenden Vertrag zu erkennen und aufzuzeigen. Einen weiteren Einsatzbereich sehen wir für die Generierung von Vertragsdokumenten. Genehmigte und häufig eingesetzte Textabschnitte können für Vertragstexte mit individuellen aktuellen Angaben ergänzt werden. Die vorgegebenen Positionen in diesen formelhaften Abschnitten sind bekannt und auch die Art der zugelassenen Angabe kann festgelegt werden, beispielsweise Angaben, die den Vertragsinhalt beschreiben. Somit können aufzusetzende Verträge formalisiert werden.