Một chatbot hay công cụ tìm kiếm pháp luật chỉ trả lời tốt khi phía sau nó là một kho dữ liệu đã được chuẩn bị theo sáu tầng: chọn nguồn, làm sạch, chia đơn vị, gắn thông tin hiệu lực và trích dẫn, lập chỉ mục, rồi đánh giá và cập nhật. Bỏ một tầng nào thì lỗi sẽ hiện ra ở câu trả lời, và người dùng sẽ đổ cho mô hình trong khi gốc rễ nằm ở dữ liệu.
Bài này dành cho người làm dữ liệu trong đội legal-tech, phòng pháp chế muốn dựng trợ lý nội bộ, hay nhóm nghiên cứu cần một kho văn bản sạch. Bài không bàn mô hình nào tốt hơn mô hình nào; bài vẽ bản đồ công việc, nêu câu hỏi cần trả lời ở mỗi tầng và những chỗ đội nhỏ hay đi tắt. Các tầng chi tiết có bài riêng trong danh mục này.
Vì sao dữ liệu pháp luật khó hơn dữ liệu văn bản thông thường
Với một kho tài liệu sản phẩm hay sổ tay nhân sự, đoạn văn đúng hôm qua thường vẫn đúng hôm nay. Dữ liệu pháp luật thì khác ở ba điểm. Thứ nhất, cùng một câu chữ có thể đúng ở thời điểm này và sai ở thời điểm khác, vì điều khoản bị sửa, bị bãi bỏ, hoặc mới có hiệu lực từ một ngày trong tương lai. Thứ hai, ý nghĩa của một khoản thường phụ thuộc vào điều khoản khác: định nghĩa ở đầu văn bản, ngoại lệ ở điều sau, văn bản hướng dẫn ở cấp dưới. Thứ ba, người dùng cần biết câu trả lời dựa vào đâu, chứ không chỉ cần câu trả lời.
Ở Việt Nam còn thêm một lớp phức tạp riêng. Năm 2025 có đợt thay đổi lớn: chính quyền địa phương hai cấp từ 1/7/2025, 34 tỉnh, thành sau sắp xếp, nhiều luật lớn được sửa hoặc ban hành mới. Kho dữ liệu dựng trước đó chứa rất nhiều văn bản của đơn vị hành chính đã không còn tồn tại, nhiều thủ tục đã đổi cơ quan tiếp nhận. Một chatbot đọc kho ấy sẽ trả lời trôi chảy theo bộ máy cũ.
Vì vậy, với dữ liệu pháp luật, câu hỏi "có đủ văn bản chưa" quan trọng ít hơn câu hỏi "mỗi đoạn văn bản trong kho có biết mình còn đúng tới khi nào không, và có chỉ về được bản gốc không". Sáu tầng dưới đây xoay quanh hai câu hỏi đó.
Sáu tầng việc và câu hỏi cần trả lời ở mỗi tầng
Bảng dưới là khung để đội của bạn tự rà. Không cần làm hoàn hảo cả sáu tầng ngay từ đầu, nhưng cần biết mình đang bỏ ngỏ tầng nào.
| Tầng | Việc chính | Câu hỏi cần trả lời | Lỗi hay gặp khi bỏ qua |
|---|---|---|---|
| 1. Chọn nguồn | Xác định phạm vi văn bản và nguồn lấy | Nguồn nào là chính thức, nguồn nào chỉ để tham khảo? | Lấy bản chép lại có sai chữ, thiếu phụ lục |
| 2. Làm sạch | Chuyển định dạng, bỏ rác, chuẩn hoá ký tự | Bản trong kho có khớp từng chữ với bản gốc không? | Mất bảng, lẫn đầu trang, sai dấu tiếng Việt |
| 3. Chia đơn vị | Tách văn bản theo điều, khoản, điểm | Mỗi đoạn có đứng một mình mà vẫn hiểu được không? | Đoạn bị cắt giữa chừng, mất ngữ cảnh |
| 4. Gắn thông tin | Hiệu lực, ngày, cơ quan, mã trích dẫn | Đoạn này còn hiệu lực tới khi nào, thuộc văn bản nào? | Trả lời bằng điều khoản đã bị thay |
| 5. Lập chỉ mục | Đưa vào bộ tìm kiếm, kèm bảng thuật ngữ | Người hỏi bằng từ đời thường có tìm ra đúng điều không? | Tìm trượt vì người dân không dùng thuật ngữ luật |
| 6. Đánh giá và cập nhật | Bộ câu hỏi kiểm tra, quy trình khi luật đổi | Làm sao biết kho vẫn đúng sau ba tháng? | Kho cũ dần mà không ai biết |
Để ý rằng chỉ tầng 5 mới thật sự là chuyện kỹ thuật tìm kiếm. Năm tầng còn lại là chuyện của người hiểu cấu trúc văn bản pháp luật, nên đội dữ liệu cần có người đọc luật được ngồi cùng từ đầu.
Tầng 1 và 2: chọn nguồn và làm sạch
Bắt đầu bằng phạm vi, không bằng số lượng. Một trợ lý cho phòng nhân sự cần luật lao động, bảo hiểm xã hội, văn bản hướng dẫn và nội quy công ty; nó không cần cả kho văn bản về đất đai. Phạm vi hẹp, đúng nhu cầu, dễ kiểm hơn nhiều so với một kho khổng lồ mà không ai rà nổi.
Ưu tiên nguồn chính thức. Công báo, cơ sở dữ liệu quốc gia về văn bản pháp luật và cổng thông tin của cơ quan ban hành là nơi lấy bản gốc. Trang tổng hợp tư nhân tiện tra cứu nhưng có thể sai chữ, thiếu phụ lục, và có điều khoản sử dụng hạn chế việc lấy dữ liệu. Chuyện quyền tái sử dụng có danh mục riêng trên trang này.
Giữ bản gốc nguyên vẹn bên cạnh bản đã xử lý. Lưu tệp gốc tải về (thường là PDF hoặc tệp văn bản) cùng mã băm và ngày tải. Mọi bước làm sạch sinh ra bản mới, không ghi đè. Khi có người hỏi "câu này trong kho lấy từ đâu", bạn mở được tệp gốc.
Làm sạch là việc của người đọc, không chỉ của máy. Bộ chuyển PDF sang văn bản hay làm rơi bảng biểu, lẫn số trang vào giữa câu, đổi dấu tiếng Việt từ dạng dựng sẵn sang dạng tổ hợp. Lấy ngẫu nhiên vài văn bản mỗi đợt để người đọc so từng dòng với bản gốc; con số khớp trong lô mẫu là chỉ số chất lượng đầu tiên của kho.
Ghi lại quyết định loại trừ. Văn bản nào bạn cố ý không đưa vào (văn bản cá biệt, dự thảo, văn bản của đơn vị hành chính cũ) thì ghi lý do. Danh sách này giúp người sau không đưa nhầm chúng trở lại.
Tầng 3 và 4: chia đơn vị và gắn thông tin
Văn bản pháp luật đã có sẵn bộ khung tự nhiên: chương, mục, điều, khoản, điểm. Chia theo bộ khung này thường tốt hơn cắt theo số ký tự cố định, vì mỗi điều là một đơn vị ý nghĩa và cũng là đơn vị người ta trích dẫn. Khó khăn nằm ở những điều rất dài, những khoản chỉ có nghĩa khi đọc kèm câu dẫn của điều, và những bảng phụ lục. Bài riêng về chia văn bản theo điều, khoản đi sâu vào các quy tắc cắt.
Sau khi chia, mỗi đoạn cần mang theo thông tin của nó: thuộc văn bản nào, số hiệu, cơ quan ban hành, ngày ban hành, ngày có hiệu lực, tình trạng hiệu lực của chính đoạn đó, và một mã trích dẫn ổn định để câu trả lời chỉ về được. Đây là tầng mà đội nhỏ hay bỏ qua nhất, vì làm thủ công tốn công và máy thì không tự suy ra được tình trạng hiệu lực từng khoản.
Nếu chỉ đủ sức làm một việc ở tầng này, hãy làm thông tin hiệu lực. Một đoạn không có trích dẫn đẹp vẫn còn kiểm được bằng tay; một đoạn đã hết hiệu lực mà vẫn được dùng thì sinh ra câu trả lời sai một cách rất thuyết phục.
Tầng 5 và 6: lập chỉ mục, đánh giá, cập nhật
Lập chỉ mục là đưa các đoạn vào bộ tìm kiếm, có thể là tìm theo từ khoá, tìm theo nghĩa, hay kết hợp cả hai. Với dữ liệu pháp luật tiếng Việt, cách kết hợp thường an toàn hơn: tìm theo từ khoá bắt được số hiệu văn bản, tên điều luật, thuật ngữ chính xác; tìm theo nghĩa bắt được câu hỏi diễn đạt bằng lời thường. Thêm một bảng ánh xạ từ đời thường sang thuật ngữ luật giúp giảm tìm trượt đáng kể.
Đánh giá là tầng phân biệt một sản phẩm nghiêm túc với một bản trình diễn. Bạn cần một bộ câu hỏi có đáp án do người hiểu luật soạn, chấm theo tiêu chí rõ ràng, chạy lại mỗi khi kho hay cách tìm kiếm thay đổi. Không có bộ này thì mọi nhận xét "chatbot đã tốt hơn" chỉ là cảm giác.
Cập nhật là việc không bao giờ xong. Mỗi tuần có văn bản mới, văn bản sửa đổi, văn bản bị bãi bỏ. Kho cần một quy trình phát hiện thay đổi, đánh dấu các đoạn bị ảnh hưởng, lập chỉ mục lại và chạy lại bộ đánh giá. Người chịu trách nhiệm cập nhật phải có tên cụ thể, không phải "cả đội".
Những chỗ đội nhỏ hay đi tắt và cái giá phải trả
Đi tắt không phải lúc nào cũng sai, nhưng nên biết mình đang đánh đổi gì:
- Tải hàng loạt từ một trang tổng hợp thay vì nguồn chính thức: nhanh, nhưng thừa hưởng mọi lỗi chép của trang đó và có thể vi phạm điều khoản sử dụng.
- Cắt văn bản theo độ dài cố định: dễ làm, nhưng đoạn cắt giữa một khoản sẽ làm câu trả lời mất ngoại lệ quan trọng.
- Không gắn tình trạng hiệu lực, chỉ dặn người dùng "tự kiểm tra": người dùng không kiểm, và lời dặn ấy không giảm được trách nhiệm của bên làm sản phẩm.
- Đánh giá bằng cách cả đội thử hỏi vài câu: không lặp lại được, không so được giữa các lần, và thường chỉ hỏi những câu cả đội đã biết đáp án.
- Đưa luôn câu hỏi thật của người dùng vào kho để "học": có thể đưa dữ liệu cá nhân vào chỗ không nên có, và trộn câu hỏi chưa kiểm với văn bản chính thức.
- Không ghi lại phiên bản của kho: khi có khiếu nại về một câu trả lời cũ, không ai dựng lại được kho lúc đó trông thế nào.
Mỗi mục trên đều có cách làm tốt hơn mà không quá tốn kém. Phần lớn chỉ cần một quyết định thiết kế đúng từ đầu thay vì sửa chữa về sau.
Lộ trình ba tháng đầu cho một đội nhỏ
Ví dụ giả định: một đội ba người, một người hiểu luật, hai người làm dữ liệu, dựng trợ lý trả lời về pháp luật lao động cho doanh nghiệp vừa và nhỏ. Lộ trình gợi ý:
- Tuần 1–2: viết phạm vi bằng một trang, liệt kê văn bản cần có, chọn nguồn chính thức cho từng văn bản, ghi danh sách loại trừ.
- Tuần 3–4: tải, làm sạch, so lô mẫu với bản gốc; dựng cấu trúc lưu trữ có bản gốc và bản xử lý riêng.
- Tuần 5–6: chia theo điều, khoản; người hiểu luật duyệt các điều dài và các chỗ dẫn chiếu chéo.
- Tuần 7–8: gắn hiệu lực, ngày, mã trích dẫn cho từng đoạn; ghi quan hệ sửa đổi giữa các văn bản trong phạm vi.
- Tuần 9–10: lập chỉ mục, dựng bảng thuật ngữ đời thường, soạn bộ câu hỏi đánh giá đầu tiên.
- Tuần 11–12: chạy đánh giá, sửa lỗi theo nhóm nguyên nhân, viết quy trình cập nhật hằng tuần và giao người phụ trách.
Đến cuối tháng thứ ba, đội có một kho nhỏ nhưng biết rõ mình đúng tới đâu. Mở rộng phạm vi sau đó dễ hơn nhiều so với sửa một kho lớn dựng vội.
Câu hỏi thường gặp
Có cần luật sư trong đội làm dữ liệu pháp luật không?
Không nhất thiết phải là luật sư, nhưng cần ít nhất một người đọc và hiểu cấu trúc văn bản pháp luật, biết phân biệt luật, nghị định, thông tư và cách văn bản sửa đổi nhau. Người này quyết định cách chia, duyệt thông tin hiệu lực và soạn đáp án cho bộ đánh giá.
Kho dữ liệu nên bắt đầu với bao nhiêu văn bản?
Không có con số chuẩn. Hãy bắt đầu từ nhu cầu cụ thể của người dùng và liệt kê những văn bản thật sự cần để trả lời nhóm câu hỏi đó, gồm cả văn bản hướng dẫn. Một kho nhỏ đã kiểm kỹ có giá trị hơn kho lớn chưa ai rà.
Có nên đưa bản án vào cùng kho với văn bản quy phạm không?
Nên tách thành hai kho hoặc ít nhất hai loại nguồn được đánh dấu rõ. Bản án là cách toà áp dụng luật trong một vụ cụ thể, không phải quy tắc chung, và có dữ liệu cá nhân cần xử lý. Trộn lẫn khiến câu trả lời dễ nhầm tình tiết một vụ thành quy định chung.
Dữ liệu sau năm 2025 có gì cần chú ý riêng?
Cần rà văn bản của địa phương theo đơn vị hành chính sau sắp xếp, đánh dấu văn bản của tỉnh cũ, và kiểm lại các đoạn nói về thẩm quyền của cấp huyện. Nhiều thủ tục đã đổi cơ quan tiếp nhận nên đoạn văn bản cũ dù chưa bị bãi bỏ vẫn có thể không còn phản ánh cách làm hiện hành.
Làm sạch dữ liệu có dùng máy hoàn toàn được không?
Máy làm phần lớn việc chuyển định dạng và chuẩn hoá ký tự, nhưng nên có người so lô mẫu với bản gốc. Lỗi mất bảng, đảo thứ tự cột, lẫn đầu trang vào giữa điều khoản thường chỉ người đọc mới thấy, và một lỗi như vậy có thể đổi nghĩa cả một khoản.
Bao lâu thì nên rà lại toàn bộ kho?
Cập nhật văn bản mới nên làm hằng tuần, còn rà toàn bộ thì tuỳ phạm vi, thường theo quý hoặc sau mỗi đợt thay đổi lớn của pháp luật. Bộ câu hỏi đánh giá chạy lại sau mỗi lần cập nhật sẽ báo cho bạn biết khi nào cần rà sâu hơn.