PLN e Segurança Jurídica: Identificação de divergências jurisprudenciais com Processamento de Linguagem Natural
Resumo
Este artigo propõe a utilização de técnicas de Processamento de Linguagem Natural (PLN) e Aprendizado de Máquina para identificar divergências jurisprudenciais nos tribunais brasileiros, visando aumentar a Segurança Jurídica. A metodologia inclui a extração de 3.165 acórdãos do Tribunal de Justiça de Minas Gerais, o tratamento e limpeza dos dados, uso da técnica de redes neurais Word2Vec para definição de embeddings para cada palavra e análise de acórdãos via clustering para identificar semelhanças textuais e divergências nas decisões. Exemplos especı́ficos de divergências jurisprudenciais são apresentados, demonstrando como a tecnologia pode auxiliar na uniformização das decisões judiciais.
Palavras-chave:
segurança jurídica, processamento de linguagem natural, similaridade textual semântica, jurisprudência, word2vec
Referências
Brasil. (2015). Código de Processo Civil. Senado Federal. Lei n.º 13.105, de 16 de março de 2015. Edição atualizada.
Brasil, C. N. d. J. (2023). Justiça em Números - 2023. Disponível em [link]. Acessado em 05/08/2024.
Ciurlino, V. H. (2021). BertBR: A Pretrained Language Model for Law Texts. [link]
Didier, F. (2019). Curso de Direito Processual Civil, Vol. 1: Introdução ao Direito Processual Civil, Parte Geral e Processo de Conhecimento. JusPODIVM, 21.ª edição.
Gomes, T. A. (2021). Avaliação de técnicas de similaridade textual na uniformização de jurisprudência. Disponível em [link]. Acessado em 08/06/2024.
Lima, João Pedro e Costa, J. A. (2022). Comparing Clustering Techniques on Brazilian Legal Document Datasets. In Hybrid Artificial Intelligent Systems, pp. 98–110, Cham: Springer International Publishing. DOI: 10.1007/978-3-031-15471-3_9
Maaten, L. van der e Hinton, G. (2008). Visualizing Data Using t-SNE. Journal of Machine Learning Research, 9: 2579–2605. [link]
Magalhães, Dimmy; Pozo, A. e M. S. (2023). Técnicas de Aprendizado de Máquinas Aplicadas à Classificação de Decisões Judiciais. Revista de Estudos Empíricos em Direito. DOI: 10.19092/reed.v9.573
Martins, A. D. M. (2018). Agrupamento Automático de Documentos Jurídicos com Uso de Inteligência Artificial. Disponível em [link]. Acessado em 08/06/2024.
Mikolov, T., Chen, K., Corrado, G., e Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. Proceedings of the International Conference on Learning Representations (ICLR). DOI: 10.48550/arXiv.1301.3781
Pajankar, A. e Joshi, A. (2022). Hands-on Machine Learning with Python: Implement Neural Network Solutions with Scikit-learn and PyTorch. Apress, Berkeley, CA.
Polo, F. M., Mendonça, G. C. F., Parreira, K. C. J., Gianvechio, L., Cordeiro, P., Ferreira, J. B., de Lima, L. M. P., do Amaral Maia, A. C., e Vicente, R. (2021). LegalNLP: Natural Language Processing Methods for the Brazilian Legal Language. In Anais do XVIII Encontro Nacional de Inteligência Artificial e Computacional, pp. 763–774. SBC. [link]
Rousseeuw, P. J. (1987). Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Journal of Computational and Applied Mathematics, 20: 53–65. DOI: 10.1016/0377-0427(87)90125-7
Sidorov, G. e Pinto, D. (2014). Soft Similarity and Soft Cosine Measure: Similarity of Features in Vector Space Model. Computación y Sistemas, pp. 324–344. [link]
Wilton, P. e Vigneaux, A. J. (2022). Clustering of Brazilian Legal Judgments about Failures in Air Transport Service: An Evaluation of Different Approaches. Artificial Intelligence and Law, 30: 21–57. Accepted: 8 April 2021 / Published online: 17 April 2021. [link]
Xia, C., He, T., Li, W., Qin, Z., e Zou, Z. (2019). Similarity Analysis of Law Documents Based on Word2Vec. In 2019 IEEE 19th International Conference on Software Quality, Reliability and Security Companion (QRS-C), pp. 354–357. DOI: 10.1109/QRS-C.2019.00072
Brasil, C. N. d. J. (2023). Justiça em Números - 2023. Disponível em [link]. Acessado em 05/08/2024.
Ciurlino, V. H. (2021). BertBR: A Pretrained Language Model for Law Texts. [link]
Didier, F. (2019). Curso de Direito Processual Civil, Vol. 1: Introdução ao Direito Processual Civil, Parte Geral e Processo de Conhecimento. JusPODIVM, 21.ª edição.
Gomes, T. A. (2021). Avaliação de técnicas de similaridade textual na uniformização de jurisprudência. Disponível em [link]. Acessado em 08/06/2024.
Lima, João Pedro e Costa, J. A. (2022). Comparing Clustering Techniques on Brazilian Legal Document Datasets. In Hybrid Artificial Intelligent Systems, pp. 98–110, Cham: Springer International Publishing. DOI: 10.1007/978-3-031-15471-3_9
Maaten, L. van der e Hinton, G. (2008). Visualizing Data Using t-SNE. Journal of Machine Learning Research, 9: 2579–2605. [link]
Magalhães, Dimmy; Pozo, A. e M. S. (2023). Técnicas de Aprendizado de Máquinas Aplicadas à Classificação de Decisões Judiciais. Revista de Estudos Empíricos em Direito. DOI: 10.19092/reed.v9.573
Martins, A. D. M. (2018). Agrupamento Automático de Documentos Jurídicos com Uso de Inteligência Artificial. Disponível em [link]. Acessado em 08/06/2024.
Mikolov, T., Chen, K., Corrado, G., e Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. Proceedings of the International Conference on Learning Representations (ICLR). DOI: 10.48550/arXiv.1301.3781
Pajankar, A. e Joshi, A. (2022). Hands-on Machine Learning with Python: Implement Neural Network Solutions with Scikit-learn and PyTorch. Apress, Berkeley, CA.
Polo, F. M., Mendonça, G. C. F., Parreira, K. C. J., Gianvechio, L., Cordeiro, P., Ferreira, J. B., de Lima, L. M. P., do Amaral Maia, A. C., e Vicente, R. (2021). LegalNLP: Natural Language Processing Methods for the Brazilian Legal Language. In Anais do XVIII Encontro Nacional de Inteligência Artificial e Computacional, pp. 763–774. SBC. [link]
Rousseeuw, P. J. (1987). Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Journal of Computational and Applied Mathematics, 20: 53–65. DOI: 10.1016/0377-0427(87)90125-7
Sidorov, G. e Pinto, D. (2014). Soft Similarity and Soft Cosine Measure: Similarity of Features in Vector Space Model. Computación y Sistemas, pp. 324–344. [link]
Wilton, P. e Vigneaux, A. J. (2022). Clustering of Brazilian Legal Judgments about Failures in Air Transport Service: An Evaluation of Different Approaches. Artificial Intelligence and Law, 30: 21–57. Accepted: 8 April 2021 / Published online: 17 April 2021. [link]
Xia, C., He, T., Li, W., Qin, Z., e Zou, Z. (2019). Similarity Analysis of Law Documents Based on Word2Vec. In 2019 IEEE 19th International Conference on Software Quality, Reliability and Security Companion (QRS-C), pp. 354–357. DOI: 10.1109/QRS-C.2019.00072
Publicado
17/11/2024
Como Citar
CASTRO, Marcella Queiroz de; NEVES, Ana Régia.
PLN e Segurança Jurídica: Identificação de divergências jurisprudenciais com Processamento de Linguagem Natural. In: SIMPÓSIO BRASILEIRO DE TECNOLOGIA DA INFORMAÇÃO E DA LINGUAGEM HUMANA (STIL), 15. , 2024, Belém/PA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 451-456.
DOI: https://doi.org/10.5753/stil.2024.245333.
