LEXRANK GUIADO PARA RECUPERAÇÃO AVANÇADA EM ANÁLISEJURÍDICA
Carregando...
Data
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA
Resumo
The Brazilian Constitution provides mechanisms for citizens to petition the Judiciary, including the so-called special appeal. This specific type of appeal aims to standardize the legal interpre- tation of Brazilian legislation. The processing of special appeals is one of the daily tasks of the Judiciary, regularly presenting significant demands in its courts. We propose a new method called GLARE (Guided LexRank for Advanced Retrieval in Legal Analysis), based on unsupervised ma- chine learning, to assist the legal analyst in classifying a special appeal on a topic from a list made available by the National Court of Brazil (STJ). As part of this method, we propose a modification of the graph-based LexRank algorithm, which we call Guided LexRank. This algorithm generates the summary of a special appeal. The degree of similarity between the generated summary and different topics is evaluated using the BM25 algorithm. As a result, the method presents a ranking of themes most appropriate to the special appeal analyzed. The proposed method does not require prior labeling of the text to be evaluated and eliminates the need for large volumes of data to train a model, as is typically the case in supervised models. We evaluate the effectiveness of the method by applying it to a special appeal corpus previously classified by human experts.
A Constituição Brasileira prevê mecanismos para que cidadãos peticionem ao Judiciário, in- cluindo o chamado recurso especial. Esse tipo específico de recurso visa uniformizar a interpretação jurídica da legislação brasileira. O tratamento de recursos especiais é uma das tarefas diárias no Judiciário, regularmente apresentando demandas significativas em seus tribunais. Propomos um novo método chamado GLARE (LexRank guiado para recuperação avançada em análise jurídica), baseado em aprendizado de máquina não supervisionado, para auxiliar o analista jurídico a classifi- car um recurso especial em um tema de uma lista disponibilizada pelo Superior Tribunal de Justiça (STJ). Como parte desse método, propomos uma modificação do algoritmo LexRank baseado em grafos, que chamamos de Guided LexRank. Esse algoritmo gera o resumo de um recurso especial. O grau de similaridade entre o resumo gerado e diferentes temas é avaliado usando o algoritmo BM25. Como resultado, o método apresenta um ranking de temas mais adequados ao recurso es- pecial analisado. O método proposto não requer rotulagem prévia do texto a ser avaliado e elimina a necessidade de grandes volumes de dados para treinar um modelo, como normalmente ocorre em modelos supervisionados. Avaliamos a eficácia do método aplicando-o a um corpus de recurso especial previamente classificado por especialistas humanos.
A Constituição Brasileira prevê mecanismos para que cidadãos peticionem ao Judiciário, in- cluindo o chamado recurso especial. Esse tipo específico de recurso visa uniformizar a interpretação jurídica da legislação brasileira. O tratamento de recursos especiais é uma das tarefas diárias no Judiciário, regularmente apresentando demandas significativas em seus tribunais. Propomos um novo método chamado GLARE (LexRank guiado para recuperação avançada em análise jurídica), baseado em aprendizado de máquina não supervisionado, para auxiliar o analista jurídico a classifi- car um recurso especial em um tema de uma lista disponibilizada pelo Superior Tribunal de Justiça (STJ). Como parte desse método, propomos uma modificação do algoritmo LexRank baseado em grafos, que chamamos de Guided LexRank. Esse algoritmo gera o resumo de um recurso especial. O grau de similaridade entre o resumo gerado e diferentes temas é avaliado usando o algoritmo BM25. Como resultado, o método apresenta um ranking de temas mais adequados ao recurso es- pecial analisado. O método proposto não requer rotulagem prévia do texto a ser avaliado e elimina a necessidade de grandes volumes de dados para treinar um modelo, como normalmente ocorre em modelos supervisionados. Avaliamos a eficácia do método aplicando-o a um corpus de recurso especial previamente classificado por especialistas humanos.