💬 NLP

LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction

Este artigo propõe um novo quadro de inferência causal que integra o conhecimento prévio de Grandes Modelos de Linguagem (LLMs) com a descoberta causal estatística para refinar a extração de fatores jurídicos e resolver ambiguidades estruturais, resultando em um modelo de previsão de julgamentos legais com maior precisão e robustez.

Autores originais: Yuzhi Liang, Lixiang Ma, Xinrong Zhu

Publicado 2026-03-13

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yuzhi Liang, Lixiang Ma, Xinrong Zhu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um juiz tentando decidir a sentença de um caso criminal. Você tem um monte de papéis (o texto do caso) cheios de detalhes: nomes de pessoas, lugares, datas, e o que realmente aconteceu. O seu trabalho é ler tudo isso e aplicar a lei correta.

Agora, imagine que você tem um assistente de inteligência artificial (IA) tentando fazer o mesmo trabalho. O problema é que a maioria dos assistentes de IA atuais funciona como um alguém que apenas memoriza padrões superficiais.

O Problema: O Assistente "Adivinhador"

Os modelos atuais olham para o texto e dizem: "Ah, quando vejo a palavra 'carro' e 'noite', geralmente é um roubo. Vou chutar roubo!".
Eles não entendem a lógica por trás da decisão. Eles apenas veem correlações estatísticas.

O risco: Se você mudar uma vírgula ou adicionar uma palavra sem sentido no texto, o assistente pode mudar totalmente a resposta, mesmo que o significado do crime seja o mesmo. É como se ele estivesse adivinhando com base em dicas aleatórias, não na justiça.

A Solução: O "Juiz Especialista" com LLM

Os autores deste artigo criaram um novo sistema que funciona como um juiz especialista que não apenas lê, mas entende a lógica causal (o que causou o quê). Eles usaram uma tecnologia chamada LLM (Modelo de Linguagem de Grande Escala, como o ChatGPT, mas treinado especificamente para leis) para ajudar.

Eles dividiram o processo em três etapas mágicas:

1. A Peneira Mágica (Extraindo os Fatos Certos)

Imagine que o texto do caso é um rio cheio de pedras, folhas e lama.

O jeito antigo: Tentava pegar qualquer coisa que parecesse importante, mas acabava pegando muita lama (nomes de pessoas, datas irrelevantes, lugares).
O jeito novo: Eles usam uma peneira de dois passos. Primeiro, uma peneira matemática simples pega tudo que parece importante. Depois, o LLM (o especialista) entra, lê o que foi pego e diz: "Ei, isso aqui é só o nome do cachorro da vítima, não é crime. Isso aqui é 'roubo à mão armada', isso sim é crime!".
Resultado: O sistema limpa o texto, removendo o "ruído" e deixando apenas os elementos legais puros que realmente importam para a lei.

2. O Mapa de Causas (Desembaraçando a Lógica)

Agora que temos os fatos certos, precisamos entender como eles se conectam.

O problema: Em textos jurídicos, às vezes é difícil saber o que causou o quê. É como um emaranhado de fios. A IA tradicional fica confusa e desenha mapas errados.
O jeito novo: O sistema usa o LLM como um "consultor jurídico" que conhece a lógica do tribunal. Quando a IA não tem certeza se o fato A causou o fato B, ela pergunta ao consultor: "Com base na lei e na lógica, faz sentido que A tenha causado B?".
Resultado: O consultor ajuda a desenhar um mapa de causalidade correto, mostrando claramente: "O fato X levou ao crime Y". Isso evita que a IA invente conexões que não existem.

3. O Foco do Juiz (Tomando a Decisão)

Com o mapa de causas pronto, o modelo de IA final (o "juiz") começa a ler o caso novamente.

O truque: Em vez de ler tudo com a mesma atenção, o modelo usa o mapa de causas para saber onde focar. Se o mapa diz que "o uso de uma arma" é a causa principal do crime, o modelo aumenta o volume (a atenção) nessa parte do texto e diminui o volume nas partes irrelevantes.
Resultado: A decisão final é muito mais precisa e robusta, porque ela é baseada na lógica da lei, não apenas em palavras-chave.

Por que isso é incrível? (Os Resultados)

Os autores testaram esse sistema em vários bancos de dados de casos reais (em chinês e inglês).

Precisão: O novo sistema acertou muito mais do que os modelos antigos, especialmente em casos onde os crimes são muito parecidos e difíceis de distinguir (como roubo vs. furto).
Robustez: Se você mudar pequenas coisas no texto (como pontuação), o sistema não entra em pânico. Ele continua entendendo a lógica.
Poucos Dados: Mesmo com poucos exemplos para treinar (o que é comum em leis específicas), o sistema aprende rápido porque usa o "conhecimento prévio" do especialista (o LLM).

Em Resumo

Pense nisso como a diferença entre um aluno que decora respostas (modelos antigos) e um juiz experiente que entende a lei (o novo modelo).

O aluno decora: "Se vir 'carro', é roubo".
O juiz entende: "O carro foi usado como ferramenta para o assalto, o que configura um crime específico, independentemente de como a frase foi escrita".

Este trabalho mostra como podemos usar a inteligência artificial não apenas para "adivinhar", mas para raciocinar como um especialista humano, tornando a justiça preditiva mais justa, precisa e confiável.

Resumo Técnico: Desambiguação de Estrutura Causal Assistida por LLM e Extração de Fatores para Previsão de Julgamentos Jurídicos

1. Problema Identificado

A Previsão de Julgamento Jurídico (LJP - Legal Judgment Prediction) baseada em Modelos de Linguagem Pré-treinados (PLMs) atuais enfrenta limitações críticas:

Correlações Espúrias: Os métodos existentes dependem excessivamente de correlações estatísticas superficiais entre os fatos do caso e o resultado do julgamento, em vez de modelar a lógica causal subjacente e os elementos constitutivos legais. Isso torna os modelos frágeis a pequenas perturbações no texto (ex: pontuação) que não alteram o significado semântico.
Extração de Fatores Imprecisa: A extração de elementos legais (fatores-chave) em textos jurídicos é ruidosa. Métodos baseados em estatística (como YAKE) confundem componentes narrativos de alta frequência com elementos legais substantivos, introduzindo ruído (nomes, locais, datas).
Incerteza Estrutural Causal: A descoberta causal tradicional em textos jurídicos sofre com a equivalência de Markov. Devido à esparsidade das características textuais, algoritmos como o GFCI (Greedy Fast Causal Inference) frequentemente geram grafos parciais com direções de arestas incertas, forçando suposições heurísticas ou aleatórias que comprometem a interpretabilidade jurídica.

2. Metodologia Proposta

O artigo propõe um framework de inferência aprimorado que integra o conhecimento prior de Grandes Modelos de Linguagem (LLMs) com a descoberta causal estatística. A arquitetura opera em quatro etapas principais:

A. Mecanismo Híbrido de Extração de Fatores Legais (Coarse-to-Fine)

Filtragem Estatística Inicial: Utiliza o algoritmo não supervisionado YAKE para identificar candidatos a palavras-chave, seguido de amostragem uniforme para garantir cobertura de evidências de cauda longa e evitar viés de frequência.
Refinamento Semântico com RAG e LLM: Um LLM atua como um especialista jurídico. Utilizando Retrieval-Augmented Generation (RAG) e uma cadeia de raciocínio (Chain-of-Thought), o modelo:
1. Realiza a parsing semântica para resolver polissemia legal.
2. Avalia a relevância dos elementos com base na teoria dos elementos constitutivos do crime.
3. Aplica filtragem multidimensional (POS e NER) para remover entidades irrelevantes (nomes de pessoas, locais, datas).
4. Realiza validação e correção para garantir coerência lógica.
Agrupamento Semântico: Os fatores refinados são agrupados via K-means para unificar nós semanticamente redundantes.

B. Desambiguação de Estrutura Causal Assistida por LLM

Descoberta Inicial: O algoritmo GFCI gera um Grafo Ancestral Parcial (PAG), identificando arestas determinísticas, de confusão não observada e arestas ambíguas (direção incerta).
Desambiguação Probabilística: Para as arestas ambíguas, o LLM atua como uma "base de conhecimento macia". Com base em prompts que incluem fatos do caso e leis relevantes, o LLM avalia a plausibilidade das direções causais ( $u \to v$ , $v \to u$ , ou nenhuma ligação direta).
Restrições de Domínio: O processo aplica restrições de lógica judicial (fatos determinam julgamentos, não o inverso) e restrições temporais (causa precede efeito) para podar grafos inválidos.

C. Amostragem de Grafos Causais e Estimativa de Força

Amostragem Multi-Gráfico: Geram-se múltiplos grafos causais determinísticos ( $Q$ grafos) a partir do PAG, respeitando as probabilidades de desambiguação do LLM.
Avaliação de Qualidade: Cada grafo é pontuado pelo Critério de Informação Bayesiano (BIC).
Estimativa de Força Causal: Utiliza-se Propensity Score Matching (PSM) para calcular o Efeito Médio de Tratamento (ATE) nas arestas, quantificando a força causal entre fatores e o resultado.

D. Modelo de Previsão Consciente de Causalidade

Um modelo pré-treinado (ALBERT) codifica o texto do caso.
Restrição de Atenção: Uma função de perda auxiliar ( $L_{causal}$ ) é introduzida para alinhar os pesos de atenção do modelo com a força causal estimada. Isso força o modelo a focar nos tokens que possuem forte relação causal com o veredito, em vez de apenas correlações estatísticas.

3. Principais Contribuições

Paradigma de Identificação de Fatores: Integração de triagem estatística com raciocínio semântico de LLMs para extração de alta precisão de elementos legais, eliminando ruído de fundo.
Mecanismo de Desambiguação Estrutural: Uso de LLMs como base de conhecimento para resolver a incerteza estrutural causada pela equivalência de Markov, gerando grafos causais juridicamente compliantes.
Modelo de Previsão Consciente de Causalidade: Construção de um modelo que utiliza grafos causais explícitos para guiar o mecanismo de atenção, melhorando a robustez e a interpretabilidade.

4. Resultados Experimentais

O método foi testado em cinco conjuntos de dados (incluindo LEVEN, QA, CAIL, LEDGAR e Overruling) e comparado com 12 baselines (incluindo BERT, RoBERTa, e modelos baseados em LLMs).

Desempenho Geral: O modelo proposto superou consistentemente os baselines de última linha (SOTA), alcançando a melhor ou segunda melhor precisão em todos os conjuntos de dados. Por exemplo, no conjunto CAIL, atingiu 89.31% de precisão, superando o BERT+CRF (88.81%) e o CASAM (86.19%).
Cenários de Poucos Dados (Few-Shot): O modelo demonstrou superioridade significativa em cenários com dados escassos (1% e 5% dos dados de treinamento). Com 1% dos dados, superou todos os baselines, indicando alta eficiência de dados e adaptabilidade a recursos limitados.
Robustez e Interpretabilidade:
- Experimentos de Ablação: Confirmaram que cada componente (extração híbrida, desambiguação por LLM e restrição de atenção) contribui positivamente para o desempenho.
- Análise de Perturbação: O modelo manteve a estabilidade da força causal estimada sob perturbações controladas (fatores de confusão aleatórios e tratamentos placebo), provando que não está aprendendo correlações espúrias.
- Seleção de Arestas: A estratégia de seleção de arestas baseada em LLM superou significativamente a amostragem aleatória de arestas, provando que a melhoria vem da lógica semântica e não apenas da densidade do grafo.

5. Significado e Impacto

Este trabalho representa um avanço significativo na interseção entre Inteligência Artificial Jurídica e Inferência Causal.

Superação de Limitações Estatísticas: Ao substituir a dependência puramente estatística por um raciocínio causal estruturado e validado por conhecimento jurídico, o modelo oferece maior confiabilidade e resistência a ataques de adversários baseados em ruído textual.
Interpretabilidade: A capacidade de gerar e utilizar grafos causais explícitos torna o processo de decisão do modelo mais transparente e alinhado com a lógica jurídica humana ("fatos determinam julgamentos").
Aplicabilidade Prática: A abordagem é particularmente eficaz para distinguir acusações criminais semelhantes (ex: fraude vs. extorsão), onde a distinção depende de nuances causais e não apenas de palavras-chave, um desafio histórico para modelos de PLN.

Em suma, o artigo propõe um ciclo fechado robusto que vai da extração de fatos não estruturados até a previsão de julgamento, mediado por uma estrutura causal refinada por LLMs, estabelecendo um novo padrão para modelos de previsão jurídica robustos e explicáveis.