EcoLex RAG: Sistema HyPA-RAG com Legal-BERTimbau para Suporte Explicável à Decisão em Gestão Ambiental Brasileira

• Waldemiro Negreiros UFPA https://orcid.org/0009-0007-2694-6274
• Delvek Sousa UFPA
• Leonardo Estevam UFPA https://orcid.org/0000-0002-2469-7258
• Suellen Negreiros UFPA
• Vitor Melo UFPA
• Filipe Corrêa UFPA
• Saulo Oliveira UFPA
• Carlos Motta UFPA
• Paulo Pontes IFPA
• Marcos Seruffo UFPA https://orcid.org/0000-0002-8106-0560

DOI: https://doi.org/10.5753/wcama.2026.23800

Resumo

A governança ambiental pós-COP30 exige agilidade na consulta ao complexo arcabouço legislativo brasileiro. Este artigo apresenta o EcoLex RAG, um sistema HyPA-RAG triplo (BM25, Legal-BERTimbau e Knowledge Graph) focado no suporte explicável à decisão. Controlado por um classificador adaptativo de complexidade, o sistema alcança 65% de Law Retrieval Rate (LRR) e 48% de Citation Article Rate (CAR). A abordagem reduz o consumo de contexto em 32% (de 10,0 para 6,8 fontes em média), superando métodos estáticos. O sistema viabiliza uma inteligência artificial eficiente, estritamente auditável e de alto impacto estratégico para a administração pública.

Palavras-chave: Direito Ambiental, RAG, Legal-BERTimbau, IA Explicável, HyPA-RAG

Referências

Cormack, G. V., Clarke, C. L. A., e Buettcher, S. (2009). Reciprocal rank fusion outperforms condorcet and individual rank learning methods. In Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’09), pages 758–759. ACM.

Jiang, A. Q., Sablayrolles, A., Mensch, A., Bamford, C., Chaplot, D. S., de las Casas, D., Bressand, F., Lengyel, G., Lample, G., Saulnier, L., Lavaud, L. R., Lachaux, M.-A., Stock, P., Scao, T. L., Lavril, T., Wang, T., Lacroix, T., e Sayed, W. E. (2023). Mistral 7B. arXiv preprint arXiv:2310.06825.

Kalra, R., Beshaj, L., Massey, T., e Grossman, R. (2024). HyPA-RAG: A hybrid parameter adaptive retrieval-augmented generation system for AI legal and policy applications. arXiv preprint arXiv:2409.09046.

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., tau Yih, W., Rocktäschel, T., Riedel, S., e Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. In Advances in Neural Information Processing Systems (NeurIPS 2020), volume 33, pages 9459–9474.

Robertson, S. e Zaragoza, H. (2009). The probabilistic relevance framework: BM25 and beyond. Foundations and Trends in Information Retrieval, 3(4):333–389.

Rufimelo, M., Abrantes, A., Santos, A. F., e Ribeiro, B. (2022). Legal-BERTimbau: Pretrained BERT models for semantic textual similarity in the Portuguese legal domain. In Proceedings of the 13th Language Resources and Evaluation Conference (LREC 2022), pages 1334–1340. European Language Resources Association.

Souza, F. e Nogueira, R. (2020). BERTimbau: Pretrained BERT models for Brazilian Portuguese. In Proceedings of the 9th Brazilian Conference on Intelligent Systems (BRACIS 2020), volume 12319 of Lecture Notes in Computer Science, pages 403–417. Springer.