LEXA: Legal Case Retrieval via Graph Contrastive Learning with Contextualised LLM Embeddings

O artigo apresenta o LEXA, um modelo aprimorado de recuperação de casos jurídicos que supera as limitações do CaseGNN ao integrar informações estruturais ricas de grafos, sinais de aprendizado contrastivo e embeddings contextualizados de grandes modelos de linguagem, alcançando desempenho superior em benchmarks.

O essencial

Imagine que você é um advogado tentando resolver um caso difícil. Você precisa encontrar outros casos antigos (chamados de "precedentes") que sejam muito parecidos com o seu, para usar como argumento no tribunal. O problema é que existem milhares de documentos jurídicos, cheios de palavras complicadas e detalhes específicos.

Antes, os computadores tentavam fazer essa busca apenas olhando para as palavras-chave (como se fosse uma busca no Google simples) ou lendo o texto inteiro como um livro comum. Mas o direito não é só sobre palavras; é sobre relações. Quem fez o quê? Quem é a vítima? Qual é a lei violada?

Aqui entra o LEXA, o novo "super-herói" da pesquisa jurídica apresentado neste artigo. Vamos explicar como ele funciona usando analogias do dia a dia:

1. O Problema: O Mapa Incompleto

Os métodos antigos (como o CaseGNN, que é o "pai" do LEXA) já tentavam criar um "mapa" das conexões entre as pessoas e fatos de um caso. Imagine que eles desenhavam um mapa de metrô, onde as estações são as pessoas (réu, vítima, juiz) e as linhas são as conexões entre elas.

Mas esse mapa tinha três defeitos:

1. As linhas eram estáticas: Eles atualizavam as estações, mas as linhas (as relações) ficavam paradas, como se a natureza da conexão entre duas pessoas nunca mudasse.
2. Faltava treino: Havia poucos exemplos de "casos parecidos" e "casos diferentes" para ensinar o computador a ser esperto.
3. A leitura era superficial: O computador lia o texto, mas não entendia o contexto profundo (a "sutilza" jurídica) como um humano experiente faria.

2. A Solução: O LEXA (O Detetive Inteligente)

O LEXA é uma evolução que conserta esses três problemas usando três truques mágicos:

A. O "Cérebro" que Atualiza Tudo (EUGAT)

No LEXA, o computador não só olha para as estações do mapa, mas também atualiza as linhas enquanto analisa o caso.

• Analogia: Imagine que você está organizando uma festa. Os métodos antigos apenas olhavam para quem estava na festa. O LEXA, além de olhar para as pessoas, também observa como elas estão conversando entre si e muda a forma como ele entende a conversa à medida que a festa avança. Ele entende que a relação entre "Réu" e "Vítima" pode ser diferente dependendo do contexto, e ajusta o mapa em tempo real.

B. O Treino com "Espelhos" (Aprendizado Contrastivo)

Como não temos muitos exemplos de casos perfeitos para treinar o computador, o LEXA cria seus próprios desafios.

• Analogia: Imagine que você está treinando um cão de guarda. Em vez de mostrar apenas um "bom ladrão" e um "bom policial", o LEXA mostra ao cão: "Este é um ladrão (positivo). Este é um cara que parece um ladrão, mas não é (negativo difícil). E este é um vizinho inofensivo (negativo fácil)".
  O LEXA cria versões "distorcidas" dos casos (como se fosse um espelho quebrado) e força o computador a aprender a reconhecer que, mesmo com o espelho quebrado, é o mesmo caso. Isso torna o sistema muito mais robusto e inteligente.

C. O "Especialista Jurídico" (LLM)

O LEXA usa uma Inteligência Artificial gigante (chamada de LLM, como o Qwen3-Embedding-8B) que foi treinada especificamente para entender a linguagem jurídica.

• Analogia: Em vez de pedir para um estudante universitário ler um contrato complexo, o LEXA contrata um advogado sênior para ler o texto e resumir os pontos principais antes de passar para o computador. Esse "advogado" (o LLM) transforma o texto bruto em "embutimentos" (vetores) que capturam o significado real, não apenas as palavras soltas.

3. O Resultado: Precisão Cirúrgica

Os autores testaram o LEXA em duas grandes competições de inteligência artificial jurídica (COLIEE 2022 e 2023).

• O Veredito: O LEXA venceu todos os outros métodos, incluindo os antigos e os mais modernos. Ele conseguiu encontrar os casos certos com muito mais precisão do que os métodos que só olhavam para palavras ou os que usavam mapas estáticos.

Resumo em uma frase

O LEXA é como um detetive jurídico que, em vez de apenas ler papéis, desenha um mapa dinâmico das relações entre as pessoas, treina-se com desafios criados por ele mesmo e conta com a ajuda de um "advogado especialista" em IA para entender o contexto profundo, garantindo que a busca por precedentes jurídicos seja a mais precisa possível.

Em suma: Ele transformou a busca por leis de uma "pesquisa de palavras-chave" em uma "compreensão profunda de histórias e relações".

Resumo técnico

Título: LEXA: Recuperação de Casos Jurídicos via Aprendizado Contrastivo em Grafos com Embeddings Contextualizados de LLMs

1. Problema e Contexto

A Recuperação de Casos Jurídicos (LCR - Legal Case Retrieval) é uma tarefa especializada de recuperação de informação que visa identificar casos relevantes (precedentes) em grandes bases de dados, dado um caso de consulta. Embora existam métodos baseados em modelos léxicos (como BM25) e modelos de linguagem (LMs), eles apresentam limitações críticas:

• Ignorância da Estrutura: Os métodos baseados em LM tradicionais tratam documentos jurídicos como texto bruto, negligenciando a informação estrutural intrínseca (relações entre partes, atividades criminais, evidências, fatos e questões legais).
• Limitações do Trabalho Anterior (CaseGNN): A equipe anterior dos autores desenvolveu o CaseGNN, que utiliza Grafos Atribuídos a Texto (TACG) e Redes Neurais em Grafos (GNNs). No entanto, o CaseGNN enfrenta três desafios principais:
  1. Subutilização da Informação de Arestas: O modelo atualiza apenas os nós, mantendo as características das arestas (relações) fixas durante o treinamento, perdendo informações relacionais dinâmicas.
  2. Insuficiência de Sinais de Treinamento: A escassez de dados jurídicos rotulados (devido ao alto custo e necessidade de expertise) limita a eficácia do aprendizado contrastivo.
  3. Falta de Contextualização Jurídica: As características dos nós e arestas são geradas por LMs genéricos que não capturam adequadamente a semântica jurídica contextualizada.

2. Metodologia: O Framework LEXA

O LEXA é uma extensão avançada do CaseGNN projetada para superar as limitações acima, integrando três pilares principais:

A. Codificação Contextualizada com LLMs (LEXA-8B)

• Utiliza um modelo de linguagem grande (LLM) de alta performance, o Qwen3-Embedding-8B, finetunado especificamente para recuperação jurídica.
• Injeção de Prompt: Em vez de codificar o texto bruto, o modelo utiliza prompts estruturados para extrair fatos legais e questões legais, transformando-os em representações vetoriais densas.
• Inicialização de Grafos: Os nós (entidades) e arestas (relações) do grafo são inicializados com embeddings gerados pelo LLM, garantindo que a semântica jurídica contextualizada esteja presente desde o início.

B. Camada de Atenção de Grafo Atualizada por Arestas (EUGAT)

• O LEXA introduz uma nova camada chamada Edge-updated Graph Attention Layer (EUGAT).
• Diferente do CaseGNN, que atualiza apenas os nós, a EUGAT atualiza simultaneamente as características dos nós e das arestas em cada camada da GNN.
• Isso permite que as relações legais (arestas) evoluam dinamicamente com base nas informações dos nós vizinhos, capturando dependências semânticas e relacionais mais ricas.

C. Aprendizado Contrastivo em Grafos com Aumento (Graph Augmentation)

• Para mitigar a escassez de dados rotulados, o modelo emprega Aprendizado Contrastivo em Grafos (GCL).
• Estratégias de Aumento: São aplicadas técnicas de aumento de dados no grafo, especificamente:
  • Edge Dropping: Remoção aleatória de arestas para criar visões perturbadas do grafo.
  • Feature Masking: Mascaramento aleatório das características dos nós e arestas.
• Objetivo de Treinamento: O modelo é treinado para aproximar embeddings de casos relevantes (positivos) e de suas versões aumentadas, enquanto afasta casos irrelevantes (negativos fáceis e difíceis). Isso fornece sinais de supervisão adicionais e robustez.

3. Principais Contribuições

1. Framework LEXA: Uma arquitetura unificada que combina a extração de informação estruturada, a atualização dinâmica de arestas e embeddings de LLMs contextualizados.
2. Mecanismo EUGAT: Uma camada de atenção de grafo inovadora que atualiza iterativamente tanto nós quanto arestas, superando a limitação de modelos estáticos de arestas.
3. Objetivo de GCL Aprimorado: Introdução de um objetivo de aprendizado contrastivo que utiliza aumento de grafos e amostras negativas difíceis (hard negatives) para melhorar a capacidade de compreensão legal.
4. Embeddings Contextualizados: O uso de um LLM finetunado (LEXA-8B) para gerar características iniciais ricas em semântica jurídica, superando a codificação genérica.

4. Resultados Experimentais

Os experimentos foram conduzidos em dois conjuntos de dados de referência (benchmarks) da competição COLIEE 2022 e COLIEE 2023.

• Desempenho Geral (SOTA): O LEXA superou consistentemente todos os métodos state-of-the-art, incluindo modelos baseados em léxico (BM25), modelos de linguagem (LEGAL-BERT, SAILER, PromptCase) e métodos baseados em grafos anteriores (CaseGNN, CaseLink).
  • No COLIEE 2022, o LEXA alcançou um NDCG@5 de 79.3%, superando o CaseLink (70.3%) e o CaseGNN (69.3%).
  • No COLIEE 2023, o LEXA alcançou um NDCG@5 de 52.6%, novamente superando os concorrentes mais próximos.
• Estudo Ablativo:
  • A remoção do nó global virtual ("w/o vg") causou um colapso no desempenho, provando a importância da propagação de informação global.
  • A substituição da EUGAT por camadas GNN padrão (GCN, GAT, EdgeGAT) resultou em quedas significativas de desempenho, validando a eficácia da atualização conjunta de arestas.
  • O uso de LLMs finetunados e prompts específicos trouxe ganhos consistentes em relação a embeddings genéricos.
• Análise de Sensibilidade:
  • O Edge Dropping foi a estratégia de aumento de dados mais eficaz.
  • A densidade do grafo é crucial; a remoção excessiva de arestas (poda) degradou o desempenho, indicando que a conectividade estrutural é vital para a recuperação jurídica.

5. Significado e Impacto

O trabalho LEXA demonstra que a combinação de conhecimento estrutural jurídico (via grafos) com a capacidade de compreensão contextual profunda (via LLMs) é essencial para avançar na recuperação de casos jurídicos.

• Superação de Limitações de Dados: Ao utilizar aprendizado contrastivo com aumento de grafos, o modelo consegue aprender efetivamente mesmo com conjuntos de dados jurídicos rotulados limitados.
• Interpretabilidade e Precisão: Ao modelar explicitamente as relações entre entidades legais (partes, fatos, questões), o sistema não apenas melhora a precisão, mas também alinha-se melhor com o raciocínio humano de advogados e juízes.
• Aplicabilidade Prática: O modelo oferece uma ferramenta robusta para profissionais jurídicos e cidadãos, facilitando a localização de precedentes com alta precisão, o que é fundamental para a eficiência do sistema judicial e para o acesso à justiça.

Em resumo, o LEXA estabelece um novo padrão de referência (SOTA) na recuperação de casos jurídicos, provando que a integração de grafos dinâmicos e LLMs contextualizados é o caminho para a próxima geração de sistemas de IA jurídica.