Designing AI for Prosecutorial Governance: Case Prioritization and Statutory Oversight in Mexico

Resumo Técnico: Projetando IA para a Governança de Ministério Público no México

Definição do Problema
Os ministérios públicos no México, particularmente em Zacatecas, enfrentam um desafio institucional crítico caracterizado por um aumento de 60% nos arquivos de casos abertos entre 2018 e 2022, resultando em um acúmulo de mais de 2,9 milhões de investigações ativas em todo o país. A Fiscalía General de Justicia del Estado de Zacatecas (FGJEZ) luta com uma capacidade institucional limitada para processar esses volumes, levando a atrasos persistentes na resolução de casos e potenciais violações de prazos estatutários (prescrição). A unidade específica alvo deste estudo, o Módulo de Atendimento Inicial (MAT), lida com a triagem inicial e a filtragem em estágio inicial, mas sofre com um alto fluxo de entrada e baixa produtividade. O problema central é a incapacidade de realizar a triagem de casos de forma eficiente para identificar aqueles que têm maior probabilidade de serem resolvidos no curto prazo versus aqueles que se tornaram juridicamente dormentes ou estagnados, sem interromper os fluxos de trabalho existentes ou exigir pessoal adicional.

Metodologia
Os autores desenvolveram um sistema de aprendizado de máquina (ML) co-projetado com o Ministério Público de Zacatecas para apoiar a triagem interna de casos. O sistema utiliza dados administrativos da Plataforma de Integração de Expedientes (PIE), o sistema digital de gestão de casos do estado, cobrindo o período de 2014 a 2024.

• Tarefa de Predição: O sistema enquadra o problema como uma tarefa de classificação binária: prever se um caso aberto na unidade MAT será finalizado nos próximos seis meses.
• Engenharia de Atributos (Feature Engineering): O modelo utiliza um conjunto longitudinal de atributos derivados do sistema PIE, categorizados em cinco grupos:
  1. Características do Caso: Datas de abertura, categorias de crimes e status de prisão inicial.
  2. Marcos da Investigação: Contagens de ações judiciais (ex: mandados, encaminhamentos, mecanismos de justiça alternativa).
  3. Atividade do Advogado/Promotor: Métricas sobre a carga de casos individuais, proporções de produtividade e histórico de condução de casos.
  4. Indicadores do Nível da Unidade: Métricas agregadas de desempenho e carga de trabalho para unidades específicas do ministério público.
  5. Agregados por Tipo de Crime: Tendências históricas e taxas de resolução específicas por categorias de delitos.
• Abordagem de Modelagem: O estudo compara Regressão Logística, Árvores de Decisão, Florestas Aleatórias (Random Forests) e Árvores Extras (Extra Trees). Para simular a implantação em tempo real e evitar o vazamento de dados (data leakage), os autores empregam uma estratégia de validação cruzada temporal rotativa, treinando modelos em dados disponíveis até um ponto específico e avaliando-os em períodos subsequentes.
• Arquitetura de Duplo Propósito: O sistema serve a duas funções de governança a partir de um único modelo de predição:
  1. Priorização: Gerar uma lista semanal ranqueada dos 300 principais casos com a maior probabilidade de resolução para auxiliar a eficiência operacional.
  2. Supervisão Estatutária: Identificar casos na cauda inferior da distribuição de probabilidade (menor probabilidade de resolução) que excedem os períodos de prescrição estatutária estimados. Como o banco de dados carece de subtipos legais específicos necessários para cálculos exatos de prescrição, os autores constroem uma aproximação operacional baseada no Código Penal para o Estado de Zacatecas (CPZac), calculando limiares estatutários mínimos, médios e máximos para cada categoria de crime.
• Métricas de Avaliação: O desempenho é medido usando Precisão@300 e Recall@300, métricas alinhadas com a restrição institucional de revisar um número fixo de casos semanalmente.

Principais Resultados

• Desempenho do Modelo: Classificadores de conjunto, especificamente Florestas Aleatórias (Random Forests), superaram consistentemente outros algoritmos. O modelo de Random Forest alcançou uma Precisão@300 média de 0,735 (aproximadamente 0,74), superando significativamente a linha de base empírica (0,253) e uma linha de base de seleção aleatória (0,258). O desempenho permaneceu estável quando testado com dados estendendo-se até janeiro de 2025.
• Importância dos Atributos (Feature Importance): A análise revelou que sinais dinâmicos e longitudinais foram os preditores mais fortes. Os atributos mais influentes incluíram o número de eventos "iniciados" (reinicializações formais devido a transferências de unidade) no último ano, o tempo desde o último evento e a duração desde a abertura do caso. Atributos estáticos, como o tipo de crime inicial ou a presença de um suspeito preso, contribuíram menos para o poder preditivo.
• Função de Supervisão: Ao ser aplicado aos 1.000 casos ranqueados inferiores (menor probabilidade de resolução), o modelo de Random Forest sinalizou uma média de 318,6 casos (31,9%) como potencialmente tendo ultrapassado os limites de prescrição estatutária sob o limiar médio. Isso indica um acúmulo sistemático de casos juridicamente dormentes no backlog.
• Robustez: A identificação de casos potencialmente prescritos permaneceu estável através de diferentes configurações de Random Forest e famílias de modelos, sugerindo que o sinal reflete a dinâmica estrutural do backlog e não artefatos específicos do modelo.

Significância e Alegações
O artigo posiciona este trabalho como uma contribuição para a literatura sobre IA no governo, especificamente dentro do Sul Global e de contextos de recursos limitados. Os autores fazem as seguintes alegações modestas sobre a significância do sistema:

1. Governança de Duplo Propósito: O estudo demonstra que um único framework algorítmico pode apoiar simultaneamente a eficiência operacional (ao priorizar casos resolvíveis) e a prestação de contas institucional (ao sinalizar casos para revisão legal). Isso desafia a noção de que ferramentas de IA no governo devem ser limitadas a ganhos de eficiência.
2. Integração de Baixo Custo Operacional (Low-Overhead): O sistema é projetado como uma ferramenta de suporte à decisão que se integra aos fluxos de trabalho existentes sem exigir reestruturação organizacional ou mudanças na discricção do promotor. Ele fornece listas ranqueadas para auxiliar o julgamento humano, em vez de automatizar decisões.
3. Validação Empírica na América Latina: Ao documentar o design e a validação de um sistema de ML em um ministério público mexicano, o artigo oferece insights sobre governança algorítmica em ambientes com estruturas jurídicas e desafios de infraestrutura digital distintos, contrastando com a literatura centrada nos EUA e Europa Ocidental.
4. Validação Futura: Os autores afirmam explicitamente que, embora a validação retrospectiva seja forte, a utilidade do sistema no mundo real ainda não foi comprovada. Eles propõem um Ensaio Controlado Aleatorizado (RCT) para avaliar causalmente se a priorização informada pelo modelo aumenta as taxas de resolução de casos ou reduz o tempo de conclusão em comparação com o status quo.

Limitações e Considerações Éticas
Os autores reconhecem que o modelo depende de dados administrativos que podem refletir vieses históricos ou desigualdades estruturais. Eles enfatizam que o sistema não determina a prescrição legal, mas sim fornece uma lista curta baseada em risco para revisão administrativa. Consequentemente, todos os outputs são formulados como recomendações para verificação humana, e os autores planejam realizar diagnósticos de equidade para monitorar disparidades entre municípios e tipos de crimes. Nota-se que o modelo não é diretamente transferível para outras jurisdições sem adaptação substancial devido às diferenças nos procedimentos legais e estruturas de dados.