Filtrado estructurado por metadatos como estrategia de refinamiento de la b´usqueda sem´antica en sistemas RAG para el dominio legal

Resumen

La Generación Aumentada por Recuperación (RAG) es una metodología que permite reducir las alucinaciones en modelos de lenguaje aplicados a bases de datos especializadas. La técnica RAG estándar identifica documentos relevantes ante una consulta del usuario mediante búsqueda semántica, integrándolos al contexto del modelo para generar la respuesta. En el dominio legal, la búsqueda semántica presenta limitaciones en corpus heterogéneos: opera sobre la totalidad del espacio vectorial sin discriminación previa, recuperando documentos semánticamente similares pero jurídicamente irrelevantes. Este trabajo propone y evalúa empíricamente self-query como estrategia de refinamiento de la búsqueda semántica en sistemas RAG para el dominio legal argentino. Self-query extiende el RAG incorporando una etapa de extracción de etiquetas legales desde la consulta en lenguaje natural, seguida de vinculación semántica con la metadata estructurada de los documentos, filtrando aquellos compatibles con los criterios identificados — logrando una reducción promedio del 98.50 % del conjunto de documentos candidatos — sobre los cuales se aplica la búsqueda semántica. El sistema se evaluó mediante un corpus de 26.998 documentos jurídicos argentinos con 32 campos de metadatos estructurados. Mediante 684 evaluaciones independientes realizadas por tres modelos de lenguaje (LLM-as-ajudge), los resultados demuestran que self-query supera a la búsqueda semántica pura en el 59.5 % de los casos, con un promedio consolidado de 3.61 frente a 3.17 sobre 5.00 y una concordancia inter-evaluador del 90.8 %, validando la integración de metadatos estructurados como mecanismo efectivo de filtrado y refinamiento semántico en entornos legales con taxonomías ricas y heterogéneas.