LOCUS: 미국 현지 조례를 위한 Local Ordinance Corpus 구축

현지 조례는 연방·주 법과 다층적으로 얽혀 있어 접근성과 연구 가용성이 제한된다. LOCUS-v1은 미국 내 9,239개 도시/카운티의 로컬 코드 원시 코퍼스와 카운티-하모나이즈드 접근layer를 제공하여 지역 법률 연구의 재현성과 대규모 분석 가능성을 크게 높인다.

출발점: 로컬 법령은 주/카운티별로 파편화되어 있어 연구용 대규모 코퍼스의 부재가 연구를 가로막는다. LOCUS는 국가 규모에서 로컬 법령을 검색/비교/추론할 수 있는 인프라를 목표로 한다. 기초 아이디어는 세 가지 축으로 구성된다. (1) 원시 로컬 코드의 대규모 수집 및 OCR 처리로 텍스트를 기계판독 가능 형태로 변환한다. (2) 카운티-하모나이즈드 접근layer를 통해 지역 단위의 일관된 표현을 제공하고, 이를 인구·지리 데이터와 연결한다. (3) 차원의 분석(Opacity, Paternalism, Enforcement Discretion, Salience)과 TrueSkill 기반 점수화로 법령의 특성을 수치화하고 벤치마크를 구성한다. 이로써 다층적 법적 속성을 대규모로 분석하고, 다양한 연구 및 응용에서 재현 가능한 데이터 소스를 제공한다.

단락 1: 전체 접근 방식과 핵심 아이디어 — 원시 법령 데이터를 9k PDFs에서 OCR로 변환하고, 2단계 라벨링(substantivity, function, topic) 및 4차원 점수화를 위한 ModernBERT 기반 분류기/점수기를 학습한다. 단락 2: 파이프라인의 핵심 구성 — LightOnOCR-2-1B를 사용해 페이지를 Markdown으로 변환하고, 후처리에서 중복 헤더/페이지를 제거한 뒤 법령을 개별 조항으로 분리한다. 단락 3: 라벨링 및 학습 세부 — 100K 샘플에서 GPT-5.4-nano로 주석을 생성하고, ModernBERT-base(약 100M 파라미터)로 substantivity, function, topic 분류기를 학습한다. 단락 4: 하모나이즈드 액세스 계층 — 각 카운티에 대해 카운티 코드와 도시 코드 중 더 긴 코드를 선택하는 간단한 규칙으로 전국적 서브스트레이트를 구성하고, 약 94% 인구를 커버한다. 단락 5: 차원 점수화 — 네 가지 차원을 pairwise 판단으로 수집하고 TrueSkill로 점수를 환산하여 각 조례의 잠재 점수를 산출한다. 단락 6: 평가 및 재현성 — 2,211,516 청크의 코퍼스 구성과 80GB 규모의 raw corpus, 7M 페이지, 9,239 PDFs를 공개하고, 4차원 점수의 상관계수(0.82–0.94)와 10k ordinance 샘플에서 64,977/108,889 동의 비율 등을 보고한다.

단락 1: 아키텍처 구성 — OCR 전처리, 법령 분절, substantivity/function/topic 분류, 차원 점수화 모듈로 구성된 파이프라인. 단락 2: 수학적/알고리즘적 기반 — TrueSkill 기반 순위 산출, pairwise 비교를 통한 점수화, z-score 정규화 및 회귀 학습으로 각 차원의 점수를 예측. 단락 3: Prior work 대비 차별점 — 로컬 법령의 대규모 공개 코퍼스 부재를 해결하기 위한 엔드-투-엔드 OCR 파이프라인 및 4차원 분석 프레임워크를 제시한다. 단락 4: 구현/학습 세부 — 7M 페이지의 OCR; ModernBERT-base으로 각 조문의 함수/주제 분류; GPT-5.4-nano를 활용한 주석 생성; 10k 샘플의 평가 세트 구성 및 8k/1k/1k 분할.