🧾 Computational Methods in Legal Analysis(법률 분석의 계산적 방법)_2020_Political Analysis, Vol. 15, No. 3, pp. 324-346_Jens Frankenreiter, Michael A. Livermore

[Original Paper(논문 원본)]

https://www.annualreviews.org/content/journals/10.1146/annurev-lawsocsci-052720-121843;jsessionid=fSprkBCJGB5Y2ybi9UrsmMYkUn1nT6veImIiXerQ.annurevlive-10-241-10-104

[Paper Summary(논문 요약)]

1. Key Concepts(주요 개념)

The paper provides a comprehensive review of computational methods that have transformed legal research through advances in digital technology. Rather than proposing a new computational model, it surveys how techniques from artificial intelligence (AI), natural language processing (NLP), text mining, machine learning, and network analysis are applied across legal scholarship.

(이 논문은 디지털 기술의 발전을 통해 법학 연구를 변화시킨 계산적 방법(computational methods)을 종합적으로 검토함. 새로운 계산 모형을 제안하기보다는, 인공지능(AI), 자연어처리(NLP), 텍스트 마이닝, 머신러닝, 네트워크 분석과 같은 다양한 계산 기법이 법학 연구 전반에서 어떻게 활용되고 있는지를 폭넓게 살펴봄)

The authors distinguish two major paradigms(저자들은 계산적 법률 분석을 두 가지 주요 패러다임으로 구분함):

■ Law as Code(법을 코드로 보는 접근)

• Represents legal rules as executable computer code.(법률 규범을 실행 가능한 컴퓨터 코드(executable computer code)로 표현하는 접근)
• Focuses on formalizing legal reasoning into logical decision systems.(법적 추론을 논리적 의사결정 시스템으로 공식화(formalization)하는 데 초점을 둠)
• Commonly applied in legal automation, such as tax preparation software and smart contracts.(세금 신고 소프트웨어나 스마트 계약(smart contracts)과 같은 법률 자동화 분야에서 널리 활용되고 있음)

■ Law as Data(법을 데이터로 보는 접근)

• Treats legal documents as data that can be quantitatively analyzed.(법률 문서를 정량적으로 분석 가능한 데이터로 간주하는 접근)
• Converts statutes, judicial opinions, regulations, and contracts into structured information for empirical research.(법률, 판례, 행정규정, 계약서 등을 경험적 연구를 위한 구조화된 데이터로 변환 함)
• Enables scholars to analyze legal systems at a scale impossible through traditional close reading.(이를 통해 연구자들은 전통적인 정독(close reading) 방식으로는 불가능한 규모에서 법체계를 분석할 수 있음)

The paper argues that Law as Data has broader applicability because it supports research across doctrinal analysis, empirical legal studies, legal history, political science, and computational social science.(저자들은 Law as Data 접근법이 법해석학적 연구(doctrinal analysis), 경험적 법학 연구(empirical legal studies), 법사학(legal history), 정치학(political science), 계산사회과학(computational social science) 등 다양한 분야의 연구를 지원할 수 있기 때문에, Law as Code보다 더욱 폭넓은 활용 가능성을 가진다고 주장함)

2. Research Methodology(연구 방법)

This article is a systematic review (literature review) rather than an empirical study. Instead of collecting original data, the authors synthesize existing research that applies computational methods to legal analysis.(이 논문은 실증연구(empirical study)가 아니라 체계적 문헌고찰(systematic review)의 성격을 가진 연구이다. 저자들은 새로운 데이터를 직접 수집하거나 분석하기보다는, 계산적 방법을 법률 분석에 적용한 기존 연구들을 종합적으로 검토하고 그 성과를 체계적으로 정리하였음)

The review explains the major computational techniques used in legal research, including(본 논문에서는 법학 연구에서 활용되는 주요 계산 기법을 다음과 같이 소개함):

■ Text Representation(텍스트 표현)

• Word frequency analysis(단어 빈도 분석)
• Bag-of-Words models(Bag-of-Words(BOW) 모형)
• N-grams(N-그램)
• Readability measures(가동성 측정)
• Sentiment analysis(감성 분석)
• Stylometric analysis(문체 분석
• Word embeddings(단어 임베딩)

■ Machine Learning(머신러닝)

• Supervised learning(지도학습)
  • Classification(분류)
  • Prediction(예측)
• Unsupervised learning(비지도학습)
  • Topic modeling(토픽 모델링)
  • Clustering(군집분석)
  • Principal Component Analysis (PCA)(주성분분석)

■ Network Analysis

Legal citation networks are represented as graphs in which(법률 인용 네트워크(Legal Citation Networks)는 그래프(graph) 형태로 표현):

• legal documents are nodes(법률 문서는 노드),
• citations are edges(문서 간의 인용 관계는 엣지).

Network measures such as(연구에서는 다음과 같은 다양한 네트워크 지표를 활용하여 법률 문서 간의 영향력과 관계를 분석함):

• centrality(중심성),
• authority(권위성),
• clustering(군집성),
• embeddedness(내재성),
• citation networks(인용 네트워크)

are used to evaluate the influence and relationships among legal documents(이러한 지표들은 법률 문서의 중요성, 상호 연결성, 그리고 법체계 내에서의 구조적 위치를 평가하는 데 활용됨).

The authors then organize existing applications of these methods into several research domains(이후 저자들은 이러한 계산적 방법의 활용 사례를 다음과 같은 주요 연구 분야로 분류하여 정리함):

• causal inference(인과추론),
• prediction and classification(예측 및 분류),
• legal interpretation(법률 해석),
• legal history(법사학),
• legal complexity(법률 복잡성),
• citation analysis(인용 분석),
• judicial behavior(사법행태 연구),
• legal search.(법률 검색)

3. Key Findings(주요 연구 결과)

The review identifies several major findings regarding the role of computational methods in legal scholarship.(문헌고찰 결과, 저자들은 법학 연구에서 계산적 방법이 수행하는 역할과 관련하여 몇 가지 중요한 시사점을 제시하였음)

■ Computational methods greatly expand legal research capabilities.(계산적 방법은 법학 연구의 분석 역량을 크게 확장함)

Traditional legal scholarship depends heavily on manual reading and interpretation, limiting both scale and objectivity. Computational approaches enable scholars to analyze thousands or even millions of legal documents simultaneously while preserving much richer information than manual coding.

(전통적인 법학 연구는 주로 연구자가 법률 문서를 직접 읽고 해석하는 방식에 의존해 왔기 때문에, 분석 가능한 자료의 규모와 연구의 객관성 측면에서 한계가 있었다. 반면, 계산적 접근법(computational approaches)은 수천 건에서 수백만 건에 이르는 법률 문서를 동시에 분석할 수 있으며, 수작업 코딩(manual coding)보다 훨씬 풍부한 정보를 유지한 채 대규모 분석을 수행할 수 있도록 함)

■ Textual analysis provides new insights into legal content.(텍스트 분석은 법률 내용에 대한 새로운 통찰을 제공함)

Natural language processing allows researchers to measure(자연어처리(Natural Language Processing, NLP) 기술을 활용하면 연구자들은 다음과 같은 다양한 법률 문서의 특성을 정량적으로 측정할 수 있음):

• legal topics(법률 주제),
• writing style(문체),
• readability(가독성),
• emotional language(감정 표현),
• ideology(이념적 성향),
• semantic similarity(의미적 유사성),
• legal complexity(법률 복잡성).

These measurements support both descriptive and causal analyses of legal systems.(이와 같이 추출된 다양한 지표는 법체계에 대한 기술적(descriptive) 분석뿐만 아니라 인과적(causal) 분석을 수행하는 데에도 중요한 기초 자료로 활용됨)

■ Machine learning improves legal prediction and classification.

Machine-learning algorithms can successfully(머신러닝 기법은 다음과 같은 다양한 법률 분석 작업에 활용될 수 있음):

• classify legal documents(법률 문서의 분류),
• identify legal provisions(법률 조항의 식별),
• predict judicial decisions(사법적 판결의 예측),
• estimate ideological positions(이념적 성향의 추정),
• identify authorship(저자 식별),
• categorize contracts(계약서의 유형 분류).

Although prediction accuracy has improved substantially, the authors emphasize that prediction does not necessarily imply causal explanation.

(이처럼 머신러닝은 법률 문서의 자동 분류와 예측 능력을 크게 향상시킴. 그러나 저자들은 예측 정확도가 크게 향상되었다고 해서 그것이 곧 인과관계에 대한 설명을 의미하는 것은 아니다라고 강조함. 즉, 머신러닝은 특정 결과를 효과적으로 예측할 수는 있지만, 왜 그러한 결과가 발생했는지를 설명하는 인과적 메커니즘까지 규명하는 것은 아니라는 점을 지적함)

■ Network analysis reveals structural properties of legal systems.(네트워크 분석은 법체계의 구조적 특성을 규명함)

Citation networks provide quantitative measures of(인용 네트워크(Citation Networks)는 다음과 같은 요소들을 정량적으로 측정하는 데 활용됨):

• precedent authority(판례의 권위성),
• judicial influence(판사의 영향력),
• legal importance(법률적 중요성),
• precedent depreciation(판례 권위의 감소),
• doctrinal evolution(법리의 발전),
• citation behavior(인용 행태).

Network centrality measures frequently outperform simple citation counts in identifying influential precedents. These approaches also improve the prediction of future citations and judicial behavior.

(특히 네트워크 중심성(Network Centrality) 지표는 영향력 있는 판례를 식별하는 데 있어 단순한 인용 횟수보다 더 우수한 성과를 보이는 경우가 많음. 또한 이러한 네트워크 기반 접근법은 향후 판례의 인용 가능성과 판사의 인용 행태 및 사법적 의사결정을 예측하는 데에도 효과적으로 활용될 수 있음)

■ Computational methods support multiple legal disciplines.(계산적 방법은 다양한 법학 분야에서 활용될 수 있음)

Applications extend beyond empirical legal studies to(계산적 방법의 활용 범위는 경험적 법학 연구(Empirical Legal Studies)를 넘어 다음과 같은 다양한 법학 분야로 확장되고 있음):

• constitutional law(헌법학),
• administrative law(행정법학),
• contract law(계약법학),
• international law(국제법학),
• legal history(법사학),
• comparative law(비교법학),
• judicial politics(사법정치),
• regulatory studies(규제 연구).

Thus, computational methods function as general-purpose research tools rather than techniques limited to one area of law.(이처럼 계산적 방법은 특정 법학 분야에 국한된 분석 기법이 아니라, 다양한 법학 연구 분야에서 폭넓게 활용될 수 있는 범용적 연구 도구(general-purpose research tools)로 기능함)

4. Conclusions and Implications(결론 및 시사점)

The authors conclude that computational methods are becoming an essential component of modern legal scholarship rather than a replacement for traditional legal reasoning. These techniques complement close reading by enabling large-scale quantitative analysis that addresses research questions previously beyond the reach of conventional methods.

(저자들은 계산적 방법(computational methods)이 전통적인 법적 추론을 대체하는 것이 아니라, 현대 법학 연구의 필수적인 구성 요소로 자리 잡고 있다고 결론짓는다. 이러한 기법은 대규모 정량 분석을 가능하게 함으로써, 기존 연구 방법으로는 다루기 어려웠던 연구 질문에 접근할 수 있도록 하며, 전통적인 정독(close reading) 중심의 법률 분석을 보완하는 역할을 함)

The paper also highlights several important implications(또한 저자들은 계산적 방법의 활용과 관련하여 다음과 같은 중요한 시사점을 제시함):

■ Research Implications(연구적 시사점)

• Legal scholars can investigate legal systems using much larger datasets.(법학 연구자들은 계산적 방법을 활용하여 훨씬 방대한 규모의 데이터셋을 기반으로 법체계를 분석할 수 있음)
• Computational tools facilitate interdisciplinary collaboration between law, computer science, political science, linguistics, and data science.(계산적 도구는 법학, 컴퓨터과학, 정치학, 언어학, 데이터과학 등 다양한 학문 분야 간의 학제 간(interdisciplinary) 협력을 촉진함)
• Future legal research will increasingly integrate AI, NLP, machine learning, and network analysis into mainstream methodologies.(앞으로의 법학 연구에서는 인공지능(AI), 자연어처리(NLP), 머신러닝(Machine Learning), 네트워크 분석(Network Analysis)이 주류 연구 방법론으로 더욱 폭넓게 통합·활용될 것으로 전망됨)

■ Practical Implications(실무적 시사점)

The reviewed methods have already influenced legal practice through(본 논문에서 검토한 계산적 방법은 이미 다음과 같은 다양한 분야를 통해 법률 실무에 영향을 미치고 있음):

• legal search systems(법률 검색 시스템),
• document review(문서 검토),
• e-discovery(전자증거개시),
• legal automation(법률 업무 자동화,
• smart contracts(스마트 계약),
• AI-assisted legal research(인공지능(AI) 기반 법률 연구),
• predictive legal analytics(예측 기반 법률 분석).

■ Challenges(한계 및 과제)

Despite rapid progress, several obstacles remain(계산적 방법이 빠르게 발전하고 있음에도 불구하고, 여전히 해결해야 할 여러 과제가 남아 있음):

• limited computational training among legal scholars(법학 연구자들의 계산적 방법에 대한 교육 및 전문성 부족),
• restricted access to legal data(법률 데이터에 대한 접근성의 제한),
• legal and copyright barriers(법적·저작권적 제약),
• regulatory constraints(규제상의 제약),
• ethical concerns regarding AI-assisted legal decision-making(인공지능(AI)을 활용한 법적 의사결정에 관한 윤리적 문제).

The authors argue that overcoming these challenges will require greater interdisciplinary education, improved access to legal datasets, and continued advances in computational methods.

(저자들은 이러한 과제를 해결하기 위해서는 학제 간 교육(interdisciplinary education)의 확대, 법률 데이터셋에 대한 접근성 향상, 그리고 계산적 방법의 지속적인 기술 발전이 필요하다고 주장한다. 이러한 기반이 마련될 때 계산적 방법은 법학 연구와 법률 실무에서 더욱 효과적이고 신뢰할 수 있는 분석 도구로 활용될 수 있을 것이라고 전망함)

■ Overall Conclusion(종합 결론)

The paper concludes that the continued digitization of legal materials, combined with advances in artificial intelligence, natural language processing, machine learning, and network analysis, is fundamentally reshaping legal research. Computational methods enable scholars to examine legal texts more systematically, uncover patterns that were previously undetectable, and generate new forms of empirical and theoretical knowledge. Rather than replacing traditional legal analysis, these approaches significantly expand its scope and analytical power, making computational methods an indispensable part of the future of legal scholarship.

(본 논문은 법률 자료의 지속적인 디지털화와 인공지능(AI), 자연어처리(NLP), 머신러닝(Machine Learning), 네트워크 분석(Network Analysis) 기술의 발전이 법학 연구의 패러다임을 근본적으로 변화시키고 있다고 결론지음.

계산적 방법은 연구자들이 법률 문서를 보다 체계적이고 효율적으로 분석할 수 있도록 지원하며, 기존의 전통적인 연구 방법으로는 발견하기 어려웠던 새로운 패턴과 관계를 규명하고, 실증적·이론적 지식을 새롭게 창출할 수 있는 기반을 제공함.

저자들은 계산적 방법이 전통적인 법률 분석을 대체하는 것이 아니라 이를 보완하고 확장하는 연구 방법론이라고 강조함. 이러한 접근법은 법학 연구의 범위와 분석 역량을 크게 확대하며, 앞으로 계산적 방법은 미래 법학 연구에서 필수적인 연구 도구이자 핵심 방법론으로 자리매김할 것이라고 전망함.)