A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings

Detalhes bibliográficos
Autor(a) principal: Sabo, Isabela Cristina
Data de Publicação: 2022
Tipo de documento: Tese
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/241026
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro de Ciências Jurídicas, Programa de Pós-Graduação em Direito, Florianópolis, 2022.
id UFSC_eee8585660536fd2bb6007c35bac3fc1
oai_identifier_str oai:repositorio.ufsc.br:123456789/241026
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearingsDireitoProcesso eletrônicoResolução de conflitosAprendizado do computadorProcessamento de linguagem natural (Computação)Defesa do consumidorDanos moraisTese (doutorado) - Universidade Federal de Santa Catarina, Centro de Ciências Jurídicas, Programa de Pós-Graduação em Direito, Florianópolis, 2022.De acordo com o último relatório ?Justiça em Números? (JN), publicado pelo Conselho Nacional de Justiça (CNJ), o Poder Judiciário brasileiro finalizou o ano de 2020 com 75.4 milhões de ações judiciais em tramitação, aguardando solução definitiva. Desses, aproximadamente 3.8 milhões tratam-se de novos processos propostos nos Juizados Especiais Cíveis (JECs). Devido aos altos índices de litigiosidade, o CNJ tem investido em algumas políticas para aprimorar a gestão processual. Duas delas são (i) soluções alternativas de conflito (ADR), e.g., a audiência de conciliação como fase obrigatória do processo judicial; e (ii) uso intensivo de tecnologias de informação (e-Judiciário), especialmente aquelas baseadas em Inteligência Artificial (AI), e.g., técnicas de Aprendizado de Máquina (ML) e Processamento de Linguagem Natural (NLP) aplicadas em textos jurídicos. Todavia, o desenvolvimento de soluções inteligentes na Justiça brasileira enfrenta algumas limitações, como a ausência de governança e estruturação dos dados produzidos. Considerando esse contexto, motivação e desafios, colocamos como problema e hipótese de pesquisa: É possível aplicar um modelo baseado em ML para prever resultados de julgamento nos JECs, dando apoio às partes e qualidade às audiências de conciliação? Sim, as predições podem empoderar os litigantes para tomar suas próprias decisões, aumentando a probabilidade de acordo. Assim, nosso objetivo é demonstrar que um modelo baseado em ML construído a partir de uma base de dados do JEC pode ser útil às partes nas audiências de conciliação, fornecendo-as estimativas sobre o resultado da sentença. A partir de uma visão sistêmica e do método de abordagem indutivo, nós enfrentamos o problema com a seguinte metodologia e estrutura. Capítulo 2: Nós realizamos revisões sistemática e narrativa de literatura para investigar lacunas de conhecimento sobre sistemas de ADR/ODR baseados em AI. Capítulo 3: Nós conduzimos um estudo de caso no JEC/UFSC, iniciando com observações não participativas das audiências de conciliação locais, a fim de diagnosticar possíveis razões pelas quais as partes não alcançam um acordo. Dentre elas, notamos que o conciliador sugere opções de acordo, uma vez que ele não é munido de informações organizadas sobre como será decidido o caso. Após isso, nós criamos uma base de dados composta por 1163 sentenças locais sobre a mais recorrente matéria das audiências: reclamações de consumidores relativas a falhas no serviço de transporte aéreo. Nós realizamos diferentes experimentos com essa base aplicando técnicas de ML e NLP focados em quatro tarefas: (i) clusterização para guiar a extração de atributos (fatores da sentença) e rótulos de classe (resultados da sentença); (ii) associação para encontrar relacionamentos entre eles; (iii) classificação para predizer o veredito da sentença (resultado categórico) e o valor da indenização por dano moral (resultado numérico). Capítulo 4: Após obter resultados acuráveis no estudo de caso, propomos um modelo baseado em ML que inclui uma série de passos e técnicas para preparar os dados de forma apropriada, para encontrar padrões neles, para conduzir o processo de aprendizado e para realizar uma aplicação no ambiente jurídico. Ao final, nós validamos o modelo proposto em casos reais por meio de observações participativas de audiências de conciliação, nas quais apresentamos às partes as possibilidades da sentença e um questionário voluntário e anônimo. Os resultados preditos pelo modelo proposto foram bem recepcionados e apreciados pelas partes (e respectivos advogados), e também se aproximaram dos resultados reais. Capítulo 5: Nós concluímos que o Poder Judiciário brasileiro e a sociedade se beneficiam quando dados de litígios são transformados em conhecimento e fornecidos às partes como forma de encorajar a autocomposição e evitar novas ações judiciais. Sugerimos, como trabalho futuro, a construção de um sistema de ODR baseado no nosso modelo, por meio do qual as partes, advogados, conciliadores e juízes tenham fácil e aberto acesso aos fatores e predições sobre as sentenças.Abstract: According to the latest ?Justiça em Números? (JN) report, published by the National Justice Council (CNJ), the Brazilian Judiciary ended 2020 with 75.4 million lawsuits in progress, which are waiting for a definitive solution. Of these, approximately 3.8 million were new ones filed in the Special Civil Courts (JECs). Due to the high litigation rates, the CNJ has invested in some policies to improve procedural management. Two of these are (i) Alternative Dispute Resolution (ADR), e.g., mandatory conciliation hearings; and (ii) wide use of information technologies (E-Justice), especially those from Artificial Intelligence (AI) domain, e.g., Machine Learning (ML) and Natural Language Processing (NLP) techniques employed in legal texts. However, the development of intelligent solutions in Brazilian Justice faces some limitations, such as the lack of quality of the data produced. Considering this context, motivation, and challenges, our research problem and hypothesis are: Is it possible to apply a ML-based model to predict judgement results in the JECs, supporting the parties and improving the conciliation hearings? Yes, the predictions can empower the litigants to make their own decisions and increase the probability of an agreement. Hence, our objective is to demonstrate that a ML-based model constructed with a JEC database can be useful for the parties in the conciliation hearing, giving them some estimates of judgement results. From a systemic view and inductive approach, we address it through the following methodology and structure. Chapter 2: We employ systematic and narrative literature reviews to investigate knowledge gaps in terms of AI-based ADR/ODR systems. Chapter 3: We conduct a case study in the JEC/UFSC, starting with non-participant observations in local conciliation hearings to diagnose possible causes for the parties not reaching an agreement. Among them, we note that the conciliator does not suggest agreement options, since he or she is not provided with organised information about how the case will be decided. Then, we create a dataset composed of 1163 local judgements on the most recurrent subject of the hearings: consumers? claim for immaterial damage compensation regarding failures on air transport service. We perform different experiments with these legal texts by applying NLP and ML techniques focused on four tasks: (i) clustering to guide the extraction of attributes (judgement factors) and labels (judgement results); (ii) association rules to find relationships between them; (iii) classification to predict the verdict (categorical judgement result); and (iv) regression to predict the amount of immaterial damage compensation (numerical judgement result). Chapter 4: After achieving accurate results in the case study, our proposal is a ML-based model that includes a set of steps and techniques to appropriately prepare the data, find patterns in them, conduct the learning process and apply the output in the legal environment. In the end, we validate the proposed model in real cases through participant observations of the conciliation hearings, occasion on which we present to the parties the judgement possibilities and a voluntary survey questionnaire. The results predicted by the proposed model are well received and appreciated by the parties and their lawyers, and also get close to the real results. Chapter 5: We conclude that the Brazilian Judiciary and society benefit when litigation data is transformed into knowledge and provided to the parties as a way of encouraging self-composition and avoiding new lawsuits. We suggest, as future work, constructing an ODR system based on our model, whereby parties, lawyers, conciliators, and judges have an easy and open access to judgement factors and predictions.Rover, Aires JoséHübner, Jomi FredUniversidade Federal de Santa CatarinaSabo, Isabela Cristina2022-10-21T17:02:00Z2022-10-21T17:02:00Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis151 p.| il., gráfs.application/pdf378752https://repositorio.ufsc.br/handle/123456789/241026engreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2022-10-21T17:02:00Zoai:repositorio.ufsc.br:123456789/241026Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-10-21T17:02Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
title A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
spellingShingle A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
Sabo, Isabela Cristina
Direito
Processo eletrônico
Resolução de conflitos
Aprendizado do computador
Processamento de linguagem natural (Computação)
Defesa do consumidor
Danos morais
title_short A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
title_full A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
title_fullStr A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
title_full_unstemmed A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
title_sort A machine learning-based model for judgement results prediction and support in Brazilian Special Court?s conciliation hearings
author Sabo, Isabela Cristina
author_facet Sabo, Isabela Cristina
author_role author
dc.contributor.none.fl_str_mv Rover, Aires José
Hübner, Jomi Fred
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Sabo, Isabela Cristina
dc.subject.por.fl_str_mv Direito
Processo eletrônico
Resolução de conflitos
Aprendizado do computador
Processamento de linguagem natural (Computação)
Defesa do consumidor
Danos morais
topic Direito
Processo eletrônico
Resolução de conflitos
Aprendizado do computador
Processamento de linguagem natural (Computação)
Defesa do consumidor
Danos morais
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro de Ciências Jurídicas, Programa de Pós-Graduação em Direito, Florianópolis, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-10-21T17:02:00Z
2022-10-21T17:02:00Z
2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 378752
https://repositorio.ufsc.br/handle/123456789/241026
identifier_str_mv 378752
url https://repositorio.ufsc.br/handle/123456789/241026
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 151 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652065344323584

Registros relacionados