Classificação Automática de Petições Iniciais Usando Classificadores Combinados
Resumo
É expressivo o aumento da demanda judicial e da escassez de recursos, prejudicando o atendimento e a agilidade do sistema jurídico brasileiro. Dessa forma, tem se percebido a necessidade de se investir em novas aplicações tecnológicas para a garantia do bom andamento processual. Assim, a correta classificação das petições facilita a categorização do processo em sua fase inicial, evitando futuras demandas repetitivas que trataram sobre a mesma situação. Nesse contexto, esta pesquisa tem o objetivo de utilizar aprendizagem de máquina combinada de modo a classificar petições iniciais, dando celeridade ao processo inicial. Para tal, uma base de dados com 1.787 modelos de petições foi construída a partir de diversos portais com conteúdo jurídico. Os resultados mostram que o classificador combinado apresentou o melhor desempenho, sendo 90% de acurácia, 91% de precisão, 87% de recall e 89% de F1-Score. Conclui-se que o modelo tem o potencial de ser utilizado para prover maior celeridade na distribuição processual.
Palavras-chave:
Petição inicial, aprendizado de máquina, Classificação
Referências
Almeida Neto, M., Moura, V., Bandeira, J., Freitas, P., and Fagundes, R. (2018). Um modelo de inferência para a classificação de resultados processuais da justiça estadual. Macabéa-Revista Eletrônica do Netlli, 3(3).
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Campestrini, H. and Florence, R. C. (2000). Como redigir petição inicial. Saraiva Educação SA, São Paulo, SP.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794.
Cirqueira, D., Almeida, F., Cakir, G., Jacob, A., Lobato, F., Bezbradica, M., and Helfert, M. (2020). Explainable sentiment analysis application for social media crisis management in retail. In 4th International Conference on Computer-Human Interaction Research and Applications Volume 1: WUDESHI-DR.
Cirqueira, D., Fontes Pinheiro, M., Jacob, A., Lobato, F., and Santana, Á. (2018). A literature review in preprocessing for sentiment analysis for brazilian portuguese social media. In 2018 IEEE/WIC/ACM International Conference on Web Intelligence (WI).
CNJ (2021). Conselho Nacional de Justiça. Justiça em números 2021. CNJ, Brasília.
Faraco, F. M. (2020). Modelo de conhecimento baseado em tópicos de acórdãos para suporte à análise de petições iniciais. Master’s thesis, Universidade Federal de Santa Catarina, Florianópolis, SC, Brasil.
Hollanda, Y. R. d. and Leite, F. G. d. F. (2020). Petição Inicial: uma análise à luz de teorias bakhtinianas. Macabéa-Revista Eletrônica do Netlli, 9(4):292–308.
Justiça Digital (2021). Tjam automatiza classificação de petições intermediárias no portal e-saj, https://justicadigital.com/tjam-ia-peticionamento/, visitado em 28/11/2021.
Leme, B. (2021). Classificação automática de documentos de características econômicas para defesa jurídica. Master’s thesis, Universidade de São Paulo, São Paulo, SP, Brasil.
Liang, M., Chang, T., An, B., Duan, X., Du, L., Wang, X., Miao, J., Xu, L., Gao, X., Zhang, L., et al. (2021). A stacking ensemble learning framework for genomic prediction. Frontiers in genetics, 12.
Palaia, N. (2000). Técnica da petição inicial. Saraiva Educação SA, São Paulo, SP.
Sousa, G. N. d., Almeida, G. R., and Lobato, F. (2019). Social network advertising classification based on content categories. In International Conference on Business Information Systems, pages 396–404. Springer.
Sousa, R. N. d. (2019). Minerjus: solução de apoio à classificação processual com uso de inteligência artificial. Master’s thesis, Universidade Federal do Tocantins, Palmas, TO, Brasil.
Yi, H.-C., You, Z., Wang, M.-N., Guo, Z.-H., Wang, Y., and Zhou, J.-R. (2020). Rpi-se: a stacking ensemble learning framework for ncrna-protein interactions prediction using sequence information. BMC Bioinformatics, 21.
Zhou, Z. H. (2009). Ensemble Learning, Encyclopedia of Biometrics, volume 1. Springer, Berlin, Germany.
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Campestrini, H. and Florence, R. C. (2000). Como redigir petição inicial. Saraiva Educação SA, São Paulo, SP.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794.
Cirqueira, D., Almeida, F., Cakir, G., Jacob, A., Lobato, F., Bezbradica, M., and Helfert, M. (2020). Explainable sentiment analysis application for social media crisis management in retail. In 4th International Conference on Computer-Human Interaction Research and Applications Volume 1: WUDESHI-DR.
Cirqueira, D., Fontes Pinheiro, M., Jacob, A., Lobato, F., and Santana, Á. (2018). A literature review in preprocessing for sentiment analysis for brazilian portuguese social media. In 2018 IEEE/WIC/ACM International Conference on Web Intelligence (WI).
CNJ (2021). Conselho Nacional de Justiça. Justiça em números 2021. CNJ, Brasília.
Faraco, F. M. (2020). Modelo de conhecimento baseado em tópicos de acórdãos para suporte à análise de petições iniciais. Master’s thesis, Universidade Federal de Santa Catarina, Florianópolis, SC, Brasil.
Hollanda, Y. R. d. and Leite, F. G. d. F. (2020). Petição Inicial: uma análise à luz de teorias bakhtinianas. Macabéa-Revista Eletrônica do Netlli, 9(4):292–308.
Justiça Digital (2021). Tjam automatiza classificação de petições intermediárias no portal e-saj, https://justicadigital.com/tjam-ia-peticionamento/, visitado em 28/11/2021.
Leme, B. (2021). Classificação automática de documentos de características econômicas para defesa jurídica. Master’s thesis, Universidade de São Paulo, São Paulo, SP, Brasil.
Liang, M., Chang, T., An, B., Duan, X., Du, L., Wang, X., Miao, J., Xu, L., Gao, X., Zhang, L., et al. (2021). A stacking ensemble learning framework for genomic prediction. Frontiers in genetics, 12.
Palaia, N. (2000). Técnica da petição inicial. Saraiva Educação SA, São Paulo, SP.
Sousa, G. N. d., Almeida, G. R., and Lobato, F. (2019). Social network advertising classification based on content categories. In International Conference on Business Information Systems, pages 396–404. Springer.
Sousa, R. N. d. (2019). Minerjus: solução de apoio à classificação processual com uso de inteligência artificial. Master’s thesis, Universidade Federal do Tocantins, Palmas, TO, Brasil.
Yi, H.-C., You, Z., Wang, M.-N., Guo, Z.-H., Wang, Y., and Zhou, J.-R. (2020). Rpi-se: a stacking ensemble learning framework for ncrna-protein interactions prediction using sequence information. BMC Bioinformatics, 21.
Zhou, Z. H. (2009). Ensemble Learning, Encyclopedia of Biometrics, volume 1. Springer, Berlin, Germany.
Publicado
31/07/2022
Como Citar
MARINATO, Matheus Serrão; JACOB JUNIOR, Antonio F. L.; LOBATO, Fábio M. F.; CORTES, Omar A. C..
Classificação Automática de Petições Iniciais Usando Classificadores Combinados. In: BRAZILIAN E-SCIENCE WORKSHOP (BRESCI), 16. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 89-96.
ISSN 2763-8774.
DOI: https://doi.org/10.5753/bresci.2022.223296.
