Leverage Knowledge Graph and Large Language Model for Law Article Recommendation: A Case Study of Chinese Criminal Law

Este artigo propõe uma abordagem eficiente para recomendação de artigos legais no direito criminal chinês, combinando um Grafo de Conhecimento Enriquecido por Casos (CLAKG) e um Modelo de Linguagem de Grande Escala (LLM), o que resultou em um aumento significativo da precisão de 0,549 para 0,694 em comparação com métodos existentes.

O essencial

Imagine que você é um juiz ou um advogado lidando com um caso criminal complexo. Você precisa encontrar rapidamente qual artigo da lei se aplica àquela situação específica. O problema é que existem milhares de leis, e os tribunais estão sobrecarregados com tantos casos que é difícil manter tudo organizado e preciso.

Este artigo apresenta uma solução inteligente que combina duas tecnologias modernas: Inteligência Artificial (especificamente Grandes Modelos de Linguagem, como o ChatGPT) e Mapas de Conhecimento (Grafos de Conhecimento).

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O Advogado Sobrecarregado

Pense no sistema judicial como uma biblioteca gigante e bagunçada. Quando um novo caso chega, o juiz precisa encontrar o livro de leis certo.

• O jeito antigo: Era como tentar adivinhar o livro certo apenas lendo o título do caso. Isso funcionava mal, especialmente se houvesse poucos exemplos parecidos na biblioteca.
• O jeito da IA pura (LLM): Imagine pedir para um estudante muito inteligente (a IA) que leu todos os livros do mundo. Ele pode dar uma resposta rápida, mas às vezes ele "alucina": inventa uma lei que não existe ou cita uma lei errada porque está tentando ser criativo demais. Isso é perigoso na justiça.

2. A Solução: O "Mapa do Tesouro" (CLAKG)

Os autores criaram algo chamado CLAKG (Grafo de Conhecimento de Artigos de Lei Aprimorado por Casos).

• A Analogia: Em vez de apenas ter uma pilha de livros soltos, imagine que eles construíram um mapa de conexões gigante.
  • Neste mapa, cada lei é um ponto.
  • Cada caso julgado no passado é outro ponto.
  • Eles desenham linhas conectando os casos às leis que foram usadas neles.
  • Além disso, eles extraíram "palavras-chave" (como "roubo", "danos", "abuso de poder") e conectaram tudo isso.
• Como é feito: Eles usaram a IA para ler os documentos antigos e desenhar esse mapa automaticamente, mas com um toque humano: especialistas revisam o mapa para garantir que as conexões estão corretas. É como ter um bibliotecário experiente organizando as prateleiras para a IA.

3. O Processo: Como Funciona a Recomendação

Quando chega um novo caso, o sistema funciona em três etapas, como um detetive muito organizado:

1. O Rastreamento (Busca no Mapa): O sistema pega a descrição do novo caso e olha para o "Mapa de Conhecimento". Ele não apenas procura palavras iguais, mas entende o significado. Ele pergunta: "Quais leis estão conectadas a casos parecidos com este no nosso mapa?"
2. O Filtro (Segurança): Antes de a IA dar a resposta final, o sistema entrega apenas as leis que o mapa indicou como possíveis. É como dar ao detetive uma lista de suspeitos prováveis, em vez de deixá-lo interrogar toda a cidade.
3. A Decisão (A IA com Pés no Chão): A IA recebe a lista de leis prováveis e o histórico de casos similares. Ela analisa e escolhe a melhor lei. Como ela só pode escolher entre as opções que o mapa validou, ela não consegue inventar leis falsas. O "mapa" segura a mão da IA para que ela não se perca.

4. O Resultado: Precisão e Confiança

Os pesquisadores testaram isso com leis criminais chinesas.

• Sem o mapa: A IA acertava cerca de 55% das vezes (e às vezes inventava leis).
• Com o mapa: A precisão subiu para quase 70%.
• Comparação: O sistema superou modelos de inteligência artificial tradicionais e outras técnicas modernas.

5. O Ciclo de Melhoria (O "Treinamento Contínuo")

O sistema não é estático. Ele funciona como um ciclo de aprendizado:

• Quando o sistema sugere uma lei, um juiz humano verifica.
• Se o juiz estiver de acordo, o sistema aprende: "Ok, esse caso está conectado a essa lei". Ele atualiza o mapa.
• Se o juiz corrigir, o sistema aprende o erro e ajusta o mapa.
• Com o tempo, o mapa fica mais rico e as recomendações ficam mais precisas.

Resumo Final

Imagine que você quer chegar a um destino desconhecido.

• Apenas IA: É como pedir para alguém que leu muitos mapas, mas nunca foi a pé, te dar as coordenadas. Ele pode se perder.
• Sistema Proposto: É como ter um GPS que usa um mapa atualizado e validado por especialistas (o CLAKG) para guiar a IA. O GPS mostra o caminho provável, e a IA apenas confirma o melhor trajeto.

Conclusão: A combinação de um "mapa de conexões" estruturado com a inteligência de linguagem da IA cria uma ferramenta que ajuda juízes e advogados a tomar decisões mais rápidas, precisas e seguras, reduzindo o risco de erros e inventos.

Resumo técnico

Resumo Técnico: Leverage Knowledge Graph and Large Language Model for Law Article Recommendation

Título: Aproveitando Grafos de Conhecimento e Modelos de Linguagem de Grande Escala para Recomendação de Artigos Jurídicos: Um Estudo de Caso da Lei Criminal Chinesa.
Autores: Yongming Chen et al. (Shanghai Jiao Tong University e Donghua University).

1. O Problema

A eficiência judicial é crucial para a estabilidade social, mas tribunais de base enfrentam um grande acúmulo de casos, dependendo excessivamente do esforço cognitivo humano. A recomendação de artigos jurídicos (identificar quais leis se aplicam a um caso específico) é uma tarefa complexa.

• Limitações dos Métodos Tradicionais: Técnicas clássicas de aprendizado de máquina (como LSTM, CNN, BERT) tratam o problema como classificação de texto, focando apenas na correspondência entre fatos do caso e IDs de artigos. Elas ignoram a semântica profunda dos artigos, são sensíveis a dados insuficientes e desequilíbrio de rótulos, e carecem de interpretabilidade.
• Limitações dos LLMs (Modelos de Linguagem de Grande Escala): Embora os LLMs possam gerar explicações ricas, eles são propensos a "alucinações" (inventar artigos ou citações jurídicas inexistentes), o que é inaceitável em contextos jurídicos de alto risco.
• Limitações do RAG (Geração Aumentada por Recuperação) Convencional: Métodos de RAG existentes muitas vezes dependem de similaridade lexical superficial (ex: TF-IDF) ou usam Grafos de Conhecimento (KG) genéricos que não capturam a estrutura fina e as relações semânticas específicas do domínio jurídico.

2. Metodologia Proposta

Os autores propõem um sistema de recomendação em loop fechado que integra um Grafo de Conhecimento de Artigos Jurídicos Aprimorado por Casos (CLAKG) com um LLM.

A. Construção do CLAKG (Case-Enhanced Law Article Knowledge Graph)
O CLAKG é composto por dois subgrafos integrados:

1. LAKG (Grafo de Artigos Jurídicos): Contém artigos originais, seus IDs e "informações-chave" extraídas semanticamente.
2. ACKG (Grafo de Casos Julgados): Contém nomes de casos, datas, razões de acusação e descrições detalhadas dos fatos.

• Integração: Um LLM é usado para extrair informações-chave dos textos brutos e conectar casos aos artigos jurídicos aplicáveis e às informações-chave relevantes.
• Validação Humana: Especialistas jurídicos revisam e corrigem as conexões geradas pelo LLM, garantindo que o grafo permaneça consistente e livre de conceitos espúrios.
• Embedding: O grafo é processado usando Redes Convolucionais Gráficas Relacionais (RGCN) para gerar vetores de incorporação (embeddings) que capturam a estrutura topológica e semântica do domínio.

B. Framework de Recomendação (LLM + CLAKG)
O processo de recomendação segue três etapas principais:

1. Extração de Palavras-Chave: O usuário insere a descrição de um novo caso. O LLM mapeia o caso para as "informações-chave" existentes no CLAKG.
2. Recuperação de Candidatos: Utilizando os embeddings do RGCN, o sistema recupera os artigos jurídicos candidatos mais similares (baseados na similaridade cosinosa entre os nós de informação-chave do caso e os nós de artigos) e casos históricos relacionados.
3. Geração Aumentada por Recuperação (RAG) com Restrições: O LLM recebe um prompt estruturado contendo:
   • A descrição do novo caso.
   • Os artigos candidatos recuperados do CLAKG.
   • Casos históricos de referência ligados a esses artigos.
   • Restrições Estritas: O LLM é instruído a escolher apenas entre os candidatos fornecidos e a declarar explicitamente se nenhum for aplicável, impedindo a alucinação de novos artigos.

C. Loop de Colaboração Humano-Máquina
Após a recomendação, especialistas revisam o resultado. Se correto, o novo caso e suas conexões são adicionados ao CLAKG. Se incorreto, o grafo é atualizado com as correções. Isso cria um ciclo de melhoria contínua onde o grafo se torna mais denso e preciso ao longo do tempo.

3. Principais Contribuições

1. CLAKG: Proposição de um grafo de conhecimento unificado que integra artigos de lei e casos julgados sob um esquema orientado a tarefas, construído de forma automatizada com LLMs e validado por humanos.
2. Framework Híbrido: Desenvolvimento de uma arquitetura de recomendação que combina recuperação baseada em embeddings de grafo com raciocínio de LLM fundamentado (grounded), mitigando alucinações.
3. Conjunto de Dados e Avaliação: Criação de um conjunto de dados de julgamentos criminais chineses (Lei Penal, Emenda XI) e demonstração de superioridade sobre múltiplas linhas de base.

4. Resultados Experimentais

O método foi testado em um conjunto de dados de 1.170 casos criminais (997 para treino, 173 para teste) cobrindo 85 artigos jurídicos distintos.

• Comparação com Modelos Clássicos:
  • BERT: 0,289 de precisão (tendência a classificar tudo na classe majoritária).
  • GRU: 0,427.
  • DPCNN: 0,495.
  • LLM + CLAKG (com casos): 0,694.
• Comparação com Métodos RAG e LLMs Puros:
  • LLM Puro (sem dados externos): 0,549.
  • TFIDF-RAG: 0,597.
  • Light-RAG: 0,636.
  • Graph-RAG (genérico): 0,179 (desempenho pobre devido à falta de adaptação ao domínio).
  • LLM + CLAKG (sem casos, apenas estatutos): 0,676.
  • LLM + CLAKG (com casos): 0,694.
• Estudo de Ablação: A adição de informações de casos históricos e estatutos via CLAKG melhorou significativamente o desempenho tanto em modelos proprietários (GPT-4) quanto em modelos de código aberto (Llama-3.1-405B), confirmando a robustez da abordagem.

5. Significância e Impacto

• Mitigação de Alucinações: Ao restringir o LLM a um conjunto de candidatos verificados e fundamentar seu raciocínio em um grafo de conhecimento estruturado, o sistema reduz drasticamente a geração de leis fictícias, um problema crítico na aplicação jurídica.
• Robustez a Dados Escassos: A estrutura do grafo permite que o sistema generalize melhor em cenários de desequilíbrio de rótulos e dados limitados, onde modelos puramente baseados em texto falham.
• Interpretabilidade: O sistema não apenas recomenda um artigo, mas fornece a cadeia de raciocínio baseada em casos históricos e informações-chave extraídas, aumentando a confiança do usuário.
• Escalabilidade e Adaptabilidade: Embora o estudo foque na lei criminal chinesa (sistema de direito civil), a arquitetura é projetada para ser adaptável a outras jurisdições e idiomas, servindo como um blueprint para sistemas jurídicos inteligentes em todo o mundo.

O código-fonte, o grafo CLAKG e os dados processados estão disponíveis publicamente no GitHub, promovendo a reprodutibilidade e pesquisas futuras na interseção entre IA e Direito.