⚖️ Clasificador de Cláusulas Contractuales — Señalización de Riesgo con PLN en Vivo

Cada token del vocabulario está etiquetado con una de cuatro categorías: indemnización (indemnizar, mantener indemne, defender, indemnizado), rescisión (rescindir, conveniencia, sin causa, perpetuo), responsabilidad (ilimitado, sin límite, daños consecuentes, renunciar, exonerar) o general (incumplimiento, penalización, decomiso, arbitraje). Para cada cláusula, la simulación suma por separado los coeficientes de los tokens encontrados dentro de cada categoría, y la categoría con la subpuntuación positiva más alta se convierte en la etiqueta de "principal impulsor de riesgo" de esa cláusula, mostrada en el panel resaltado. Una cláusula puede puntuar alto en general y aun así tener una categoría claramente dominante, lo que refleja cómo las herramientas reales de revisión de contratos clasifican las cláusulas señaladas en la cola de un abogado.

Dado que el modelo es una suma lineal de coeficientes por token, la contribución exacta de cualquier token individual a la puntuación final es simplemente el coeficiente de ese token (o coeficiente × recuento, para tokens repetidos); no se necesita ninguna aproximación ni paso de explicación posterior, a diferencia de métodos de atribución como SHAP o los gradientes integrados que se requieren para modelos no lineales. El mapa de calor representa la opacidad de fondo y el matiz de cada token en proporción directa a su coeficiente con signo: colores cálidos para pesos positivos (que aumentan el riesgo), colores fríos para pesos negativos (que lo reducen), y gris neutro para tokens sin peso. Lo que ves es el término aritmético literal en la suma de entrada de la sigmoide, no un efecto visual simulado.

El clasificador siempre genera una probabilidad de riesgo continua entre 0 y 1 para cada cláusula; el control deslizante del umbral fija el punto de corte por encima del cual una cláusula se etiqueta como "señalada" en lugar de "despejada". Bajar el umbral señala más cláusulas (mayor exhaustividad, más falsos positivos en cláusulas límite), mientras que subirlo señala menos cláusulas, pero con más confianza en su riesgo (mayor precisión, aunque puede escapar algo de riesgo real sin señalar). Este es el mismo compromiso entre precisión y exhaustividad que enfrenta todo clasificador binario en producción, y los equipos de tecnología legal suelen ajustar este umbral contra una muestra etiquetada de contratos previamente revisados en lugar de elegirlo arbitrariamente.

El gráfico en curso traza la puntuación de riesgo por cláusula en el orden en que las cláusulas pasan por el clasificador, más una línea de promedio móvil acumulado. Como el contrato sintético intercala deliberadamente texto estándar de bajo riesgo (definiciones, notificaciones, ley aplicable) con cláusulas de alto riesgo (indemnización sin límite, rescisión unilateral por conveniencia), la línea por cláusula oscila bruscamente mientras que la línea de promedio móvil suaviza esas oscilaciones y converge hacia el perfil de riesgo general del documento a medida que se acumulan más cláusulas, exactamente el patrón que produce un trabajo real de revisión de contratos por lotes al escanear cláusula por cláusula.

Un modelo de bolsa de palabras ponderado a mano como este no es algo que un despacho desplegaría tal cual: los coeficientes aquí se eligieron por claridad pedagógica, no ajustados a un conjunto de datos etiquetado de contratos reales, y el vocabulario es demasiado pequeño para captar la enorme variedad de redacción que usan los contratos reales. En la práctica, este tipo de modelo lineal se usa como un filtro rápido de triaje de primera pasada, entrenado con miles de cláusulas etiquetadas por auxiliares jurídicos, situado delante de un reordenador basado en transformer más lento y preciso que un revisor humano comprueba antes de que se confíe legalmente en nada. El valor central de la versión lineal simple es que cada señalización es totalmente explicable, exactamente lo que visualiza esta simulación.