Agrupador de processos de controle concentrado

Projeto de TCC 1

Bruno Gondim Toledo

Estudante

Thais Carvalho Valadares Rodrigues

Orientadora

Sumário

• Introdução
• Objetivos
• Metodologia
• Cronograma
• Referências

Introdução

• No campo do direito, a aplicação de técnicas estatísticas vem sendo testada em diversos âmbitos, inclusive no Supremo Tribunal Federal do Brasil.

• É de interesse do tribunal a aplicação destas técnicas para agrupamento de processos. Um agrupador poderia ajudar a identificar processos semelhantes, trabalho este feito manualmente.

• Este trabalho busca estudar e aplicar algumas destas técnicas para o desenvolvimento de uma aplicação prática no STF, com objetivo de agrupar processos de controle concentrado.

Objetivos

O objetivo deste trabalho é formular um agregador de processos de controle concentrado, que são processos que tratam da constitucionalidade de leis e atos normativos. Constituem o dito controle concentrado os processos do Supremo Tribunal Federal das seguintes classes:

• ADI (Ação Direta de Inconstitucionalidade)
• ADC (Ação Declaratória de Constitucionalidade)
• ADPF (Arguição de Descumprimento de Preceito Fundamental)
• ADO (Ação Direta de Inconstitucionalidade por Omissão)

Objetivos

O agrupador fornecerá subsídios aos responsáveis pelo encaminhamento dos processos que chegam ao STF, visando reduzir o trabalho mecânico humano.

Dos objetivos específicos, espera-se:

• Processar os dados utilizando técnicas de Processamento de Linguagem Natural (PLN), transformando petições iniciais de processos em vetores numéricos;
• Comparar técnicas de agrupamento;
• Avaliar a similaridade entre processos em recortes temporais distintos;
• Estudar técnicas de PLN, análise multivariada e visualização de dados.

Metodologia

Tendo os dados e o modelo pré-treinado para vetorização, os códigos Python e R para a vetorização dos textos, e posterior análise, são da seguinte forma:

# Módulos
import polars
import gensim
from gensim.models.doc2vec import Doc2Vec

# Função
def infer_vector(text):
    return model.infer_vector(text.split())

# Modelo pré-treinado para Embedding
model = gensim.models.Doc2Vec.load("modelo.model")

# Dados
df = polars.read_csv("dados.csv",columns=[1,3,4])

# Saída: DataFrame com duas colunas: Texto original e vetor Embedding correspondente.
df = df.with_columns_seq(polars.col("texto").apply(infer_vector).alias("vetor"))

# Pacote
library(reticulate)

# Definindo o ambiente virtual python
reticulate::use_condaenv("TCC")

# Executando o script python
reticulate::source_python("script.py")

# Ajustando o dataframe trazido do python para formato R mais adequado
df <- as.data.frame(do.call(rbind, lapply(a, function(x) c(x[[1]], x[[2]]))), stringsAsFactors = FALSE)

Metodologia

Passos para a construção do agregador:

• 1. Obtenção dos dados:

Os dados foram disponibilizados pelo STF (mas estão disponíveis publicamente no Portal do STF.).

• 2. Vetorização (incluindo ocerização e processamento do texto PDF):

Este módulo foi fornecido pelo STF (dados em formato CSV)

Metodologia

• 3. Definir recortes temporais para a agregação:

Por conta da natureza cíclica dos processos que compõem o acervo do STF, é necessário um sistema de atualização constante para uma aplicação prática.

Será realizado o agrupamento com dados em recortes temporais distintos, e, em cada recorte, será avaliada a similaridade entre os processos em tramitação naquela data.

Metodologia

• 4. Aplicação de medidas de distância para comparar a similaridade dos processos (distância euclidiana, distância do cosseno etc).

Metodologia

• 5. Para a formação dos agrupamentos, serão utilizadas técnicas de agrupamento hierárquico e não-hierárquico baseadas nas distâncias calculadas.
• 6. Para a visualização dos dados, serão estudadas técnicas como dendrogramas e t-SNE.

Cronograma

Cronograma TCC 1

Atividades	Mar	Abr	Mai	Jun	Jul
Escolha do tema a ser abordado.
Levantamento de bibliografia relacionada ao tema.
Definição do recorte temporal com a AAJ do STF.
Solicitação dos dados para a STI do STF.
Solicitação dos algoritmos à STI do STF.
Revisão de literatura.
Desenvolvimento da proposta de projeto.
Análise preliminar do banco de dados.
Entrega da proposta do projeto.
Elaboração da apresentação da proposta.
Manipulação do banco de dados.
Análise do banco de dados.
Elaboração do relatório parcial.
Entrega do relatório parcial a Professora Orientadora.
Correção do relatório parcial.
Entrega do relatório parcial a banca.

Cronograma

Cronograma TCC 2

Atividades	Ago	Set	Out	Nov	Dez
Desenvolvimento do modelo e da aplicação.
Elaboração do relatório final.
Entrega do relatório final a Professora Orientadora.
Correção do relatório final.
Entrega do relatório final para a banca.

Referências

• ARTES, R.; BARROSO, L. P. Métodos multivariados de análise estatística. [S.l.]: São Paulo: Blucher, 2023.
• EVERITT, B.; SKRONDAL, A. The cambridge dictionary of statistics. [S.l.]: Cambridge University Press, 2010. v. 4.
• FREITAS, L. J. G. et al. Catboost algorithm application in legal texts and un 2030 agenda. Revista de Informatica Teórica e Aplicada - RITA - ISSN 2175-2745. Vol. 30, Num. 02 (2023) 51-58, 2023.
• FREITAS, L. J. G. et al. Text clustering applied to data augmentation in legal contexts. arXiv preprint arXiv:2404.08683, 2024.
• JOHNSON, R. A.; WICHERN, D. W. Applied Multivariate Statistical Analysis. [S.l.]: 6. ed.[S.l.]:Prentice Hall, 2007.
• KAUFMAN, L.; ROUSSEEUW, P. J. Finding groups in data: an introduction to cluster analysis. [S.l.]: John Wiley & Sons, 1990.
• LECUN, Y. et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE, Ieee, v. 86, n. 11, p. 2278–2324, 1998.
• MAATEN, L. Van der; HINTON, G. Visualizing data using t-sne. Journal of machine learning research, v. 9, n. 11, 2008.
• MACQUEEN, J. et al. Some methods for classification and analysis of multivariate observations. [S.l.], 1967. v. 1. 281–297 p.
• MORETTIN, P. A.; SINGER, J. M. Estatística e Ciência de Dados. [S.l.]: LTC, 2021.
• RICARDO, B.-Y.; BERTHIER, R.-N. Modern information retrieval: the concepts and technology behind search. [S.l.]: New Jersey, USA: Addi-son-Wesley Professional, 2011.
• von Borries, G.; WANG, H. Partition clustering of high dimensional low sample size data based on p-values. Computational statistics & data analysis, v. 53, n. 12, p. 3987-3998, 2009.