docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,158 @@
|
||||
---
|
||||
id: wiki-2026-0508-policy-surveillance
|
||||
title: Policy Surveillance
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Legal Mapping, Policy Tracking, Regulatory Monitoring]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [public-policy, governance, compliance, legal-tech]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: legal-mapping
|
||||
---
|
||||
|
||||
# Policy Surveillance
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 you can't evaluate what you can't measure — start by mapping the law."**. 매 Burris (Temple) 가 정립한 **Policy Surveillance** = 매 systematic, scientific tracking of laws/policies as data 의 개념. 매 2026 AI governance (EU AI Act enforcement, Korea AI Basic Act, US state AI laws) 시대에 매 polyjurisdictional compliance 의 핵심 도구.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 정의 vs adjacent
|
||||
- **Policy Surveillance**: 매 ongoing, systematic, scientific 매 monitoring of policies as 매 quantifiable data.
|
||||
- **vs Legal Research**: 매 case-driven, episodic.
|
||||
- **vs Compliance Audit**: 매 organization-internal, point-in-time.
|
||||
- **vs Regulatory Tracking**: 매 news-driven, qualitative.
|
||||
|
||||
### 매 5단계 method (Burris)
|
||||
1. 매 frame the question — what behavior does the law target?
|
||||
2. 매 define jurisdictional + temporal scope.
|
||||
3. 매 collect primary sources (statutes, regs).
|
||||
4. 매 code into structured variables (binary, ordinal, categorical).
|
||||
5. 매 publish + maintain — 매 LawAtlas-style open data.
|
||||
|
||||
### 매 응용
|
||||
1. AI Act compliance: 매 27 EU 회원국 + 미국 50주의 AI law variation 추적.
|
||||
2. Public health: 매 LawAtlas COVID closure tracking, opioid policies.
|
||||
3. Privacy: 매 GDPR vs CPRA vs PIPL 의 cross-walk.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Pattern 1: Coding scheme YAML
|
||||
```yaml
|
||||
# 매 ai_law_codes.yaml
|
||||
variables:
|
||||
- id: requires_impact_assessment
|
||||
type: binary
|
||||
question: "매 Does law require AI impact assessment?"
|
||||
- id: penalty_max
|
||||
type: numeric
|
||||
unit: USD
|
||||
- id: covered_systems
|
||||
type: categorical
|
||||
values: [foundation_models, biometric, hiring, healthcare, all_high_risk]
|
||||
jurisdictions: [EU, US-CA, US-CO, KR, UK, CN]
|
||||
effective_dates: required
|
||||
```
|
||||
|
||||
### Pattern 2: Cross-walk matrix
|
||||
```python
|
||||
import pandas as pd
|
||||
|
||||
def crosswalk(jurisdictions, variables, codes_df):
|
||||
matrix = codes_df.pivot(index="jurisdiction",
|
||||
columns="variable",
|
||||
values="value")
|
||||
matrix.to_csv("crosswalk.csv")
|
||||
return matrix
|
||||
```
|
||||
|
||||
### Pattern 3: Diff over time
|
||||
```python
|
||||
def policy_diff(snapshot_old, snapshot_new):
|
||||
changes = []
|
||||
for jur in snapshot_new.index:
|
||||
for var in snapshot_new.columns:
|
||||
if snapshot_old.at[jur, var] != snapshot_new.at[jur, var]:
|
||||
changes.append({
|
||||
"jurisdiction": jur, "variable": var,
|
||||
"from": snapshot_old.at[jur, var],
|
||||
"to": snapshot_new.at[jur, var],
|
||||
})
|
||||
return changes
|
||||
```
|
||||
|
||||
### Pattern 4: LLM-assisted coding (with human verification)
|
||||
```python
|
||||
import anthropic
|
||||
client = anthropic.Anthropic()
|
||||
|
||||
def code_statute(statute_text, scheme):
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=2048,
|
||||
system=f"Code the statute against this scheme: {scheme}. Return JSON.",
|
||||
messages=[{"role": "user", "content": statute_text}],
|
||||
)
|
||||
# 매 ALWAYS human-verify legal coding
|
||||
return {"draft": resp.content[0].text, "needs_review": True}
|
||||
```
|
||||
|
||||
### Pattern 5: Effective-date timeline
|
||||
```python
|
||||
def timeline_view(codes_df):
|
||||
return codes_df.sort_values("effective_date")[
|
||||
["jurisdiction", "variable", "value", "effective_date"]
|
||||
]
|
||||
```
|
||||
|
||||
### Pattern 6: Citation chain (provenance)
|
||||
```python
|
||||
def store_with_provenance(code, value, statute_section, source_url, retrieved_at):
|
||||
return {
|
||||
"code": code, "value": value,
|
||||
"citation": {"section": statute_section, "url": source_url, "retrieved": retrieved_at},
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 single-org compliance | Standard compliance audit |
|
||||
| 매 multi-jurisdiction policy comparison | Policy Surveillance |
|
||||
| 매 academic causal inference (does law X cause outcome Y?) | Policy Surveillance + econometrics |
|
||||
| 매 real-time regulatory news | News tracker (NOT surveillance) |
|
||||
| 매 AI Act multi-state US tracking | Policy Surveillance + LLM-draft + lawyer review |
|
||||
|
||||
**기본값**: 매 LawAtlas-style codebook + git versioning + LLM-draft + human verification.
|
||||
|
||||
## 🔗 Graph
|
||||
- 응용: [[AI 거버넌스 정책(AI Usage Policy)|AI Governance]] · [[GDPR Compliance]]
|
||||
- Adjacent: [[EU AI Act]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 first-pass coding of large statute corpus, 매 cross-walk drafting, 매 diff summarization.
|
||||
**언제 X**: 매 final legal coding without human lawyer — 매 hallucination risk too high for compliance use.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No version control**: 매 statutes 가 amend 되는데 snapshot 없으면 매 useless for trend analysis.
|
||||
- **Coding without scheme**: 매 ad-hoc tags — 매 inter-coder reliability ~0.
|
||||
- **LLM-only coding**: 매 hallucinated citations — 매 catastrophic for legal use.
|
||||
- **Single jurisdiction silo**: 매 policy surveillance 의 가치 = comparison.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Burris et al., Temple Center for Public Health Law Research; LawAtlas.org).
|
||||
- 신뢰도 A (academic + practitioner standard).
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Burris method, AI Act 응용, LLM augmentation |
|
||||
Reference in New Issue
Block a user