Modeling the Diachronic Evolution of Legal Norms: An LRMoo-Based, Component-Level, Event-Centric Approach to Legal Knowledge Graphs

Resumo Técnico: Modelagem da Evolução Diacrônica de Normas Jurídicas

Definição do Problema
O artigo aborda uma lacuna crítica no processamento automatizado de normas jurídicas: a incapacidade dos sistemas atuais de realizar a reconstrução determinística e pontual de textos legais. Embora estruturas fundamentais como o IFLA LRMoo e padrões como o Akoma Ntoso existam, eles carecem de um padrão formal para o versionamento granular ao nível de componentes. Essa deficiência é particularmente aguda para a Inteligência Artificial Generativa e Modelos de Linguagem de Grande Escala (LLMs), que operam em bases probabilísticas e carecem dos mecanismos determinísticos exigidos por domínios jurídicos de alto risco, onde a correção é absoluta. Os modelos existentes frequentemente tratam emendas como anotações incorporadas ao documento ou como instantâneos consolidados separados, falhando em modelar explicitamente a linhagem causal de componentes individuais ou os eventos legislativos que impulsionam a mudança. Consequentemente, a recuperação do texto exato de uma lei tal como existia em uma data específica no passado permanece pouco confiável.

Metodologia
Os autores propõem um padrão de modelagem temporal estruturado, fundamentado no IFLA Library Reference Model Ontology (LRMoo), estendido para suportar granularidade ao nível de componente e proveniência centrada em eventos. A metodologia é construída sobre três pilares principais:

1. Versionamento de Dois Níveis (Distinção TV/LV):

   • Versão Temporal (TV): Modelada como uma F1 Work distinta, representando o conteúdo semântico, independente de idioma, de uma norma em um momento específico no tempo. Cada emenda legislativa cria uma nova TV, formando uma cadeia de Obras derivadas.
   • Versão de Linguagem (LV): Modelada como uma F2 Expression, representando a realização textual monolíngue concreta de uma TV. Essa separação permite que o modelo lide com jurisdições multilíngues (múltiplas LVs por uma TV) enquanto mantém uma âncora semântica única para a intenção jurídica.

2. Modelagem de Mudança Centrada em Eventos:

   • As emendas legislativas não são modeladas como relações binárias simples (ex: "emenda"), mas como eventos de primeira classe.
   • Uma emenda textual é formalizada como um evento complexo tipificado conjuntamente como F27 Work Creation (criando a nova TV) e E64 End of Existence (terminando a TV anterior).
   • O evento vincula explicitamente a disposição emendadora (origem) à norma afetada (alvo) por meio de propriedades como P16 used specific object, P93 took out of existence e R16 created.
   • Os intervalos de validade não são atributos estáticos, mas são derivados dinamicamente a partir dos carimbos de data/hora desses eventos delimitadores (criação e terminação), suportando tanto o tempo de transação quanto o tempo de validade (incluindo vacatio legis e efeitos retroativos).

3. Granularidade Recursiva ao Nível de Componente:

   • O modelo aplica o mesmo padrão LRMoo recursivamente às estruturas internas da lei (artigos, parágrafos, etc.).
   • Conceitos de Componente (CC) e Versões Temporais de Componente (CTV) são modelados como F1 Works, vinculados via R67 has part e R2 is derivative of.
   • As emendas são decompostas em macro-eventos (a promulgação da norma emendadora) e micro-eventos (instruções específicas que afetam componentes individuais). Cada micro-evento rastreia o elo causal preciso entre uma instrução específica em um ato emendador e a mudança resultante em uma versão específica de um componente.

Principais Contribuições

• Arquitetura de Reconstrução Determinística: O artigo fornece uma estrutura formal que permite a reconstrução exata de qualquer parte de um texto legal tal como existia em qualquer data, oferecendo uma base semântica verificável para Grafos de Conhecimento Jurídico (LKGs).
• Versionamento Granular de Componentes: Ao estabelecer hierarquias paralelas para componentes abstratos e suas versões, o modelo vai além do versionamento de documentos para rastrear a história diacrônica de provisões jurídicas individuais.
• Proveniência de Eventos Reificada: A abordagem eleva os eventos legislativos a entidades de primeira classe, permitindo o rastreamento preciso da proveniência de cada mudança legal, distinguindo entre inserção, revogação e emendas de redação através de tipagem ontológica específica.
• Separação de Conteúdo Semântico e Forma Linguística: A distinção clara entre Versões Temporais (independentes de idioma) e Versões de Linguagem (monolíngues) fornece um mecanismo robusto para gerenciar dados jurídicos multilíngues sem confundir a evolução semântica com a tradução.

Resultados e Estudo de Caso
Os autores demonstram a eficácia do modelo utilizando a Constituição Federal Brasileira de 1988 como estudo de caso. O modelo rastreia com sucesso o ciclo de vida da Constituição através de mais de cem emendas.

• Ele mapeia a promulgação inicial de 1988 para uma TV e uma LV específicas.
• Modela a Emenda Constitucional de 1992 (EC1) como um evento complexo que termina a TV inicial e cria uma nova TV, vinculando explicitamente o instrumento emendador ao texto resultante.
• Estende essa lógica ao nível de componente, rastreando a adição específica da palavra "moradia" ao Artigo 6º via Emenda Constitucional nº 26 (2000). O modelo captura isso como um micro-evento que termina a Versão Temporal de Componente anterior (CTV0) e cria uma nova (CTV1), preservando uma linhagem completa e auditável.

Significância e Alegações
O artigo posiciona este modelo como um pré-requisito necessário para uma IA Jurídica confiável. Argumenta-se que, enquanto modelos probabilísticos são insuficientes para domínios jurídicos que exigem precisão absoluta, um modelo descritivo robusto baseado em LRMoo fornece a "verdade fundamental verificável" essencial para Grafos de Conhecimento Jurídico confiáveis. A significância reside na mudança do paradigma de metadados centrados no documento para uma ontologia de origem de eventos determinística que trata as normas jurídicas como cadeias evolutivas de obras intelectuais. Esta abordagem permite a construção de pipelines capazes de responder "qual era a lei na data X?" com certeza matemática, apoiando assim a transparência, a pesquisa jurídica eficiente e o desenvolvimento de aplicações de direito computacional confiáveis. Os autores concluem que este modelo serve como uma camada fundamental sobre a qual o raciocínio avançado e os benchmarks para a IA jurídica podem ser construídos.