Resumo Técnico: CaseLinker

1. Problema e Motivação

O artigo aborda os desafios críticos enfrentados nas investigações de Exploração e Abuso Sexual Infantil (EASI/CSEA), especificamente na análise de grandes volumes de dados de casos fragmentados.

• Fragmentação de Dados: Os dados de casos estão dispersos entre múltiplas organizações, jurisdições e agências, com formatos e níveis de detalhe inconsistentes, dificultando a análise transversal e a identificação de padrões.
• Crise de Escala: O volume de relatórios (ex: 29 milhões de relatórios da NCMEC em 2021) torna a análise manual inviável. O gargalo não é apenas computacional, mas cognitivo, exigindo que investigadores sintetizem informações dispersas sob pressão de tempo.
• Trauma Secundário: Analistas e investigadores sofrem altos índices de estresse traumático secundário (40-60%) devido à exposição repetida a material gráfico e perturbador. Ferramentas existentes frequentemente exigem que os analistas revisitem o conteúdo bruto para extrair inteligência, exacerbando o dano psicológico.
• Lacuna Tecnológica: Existe uma dicotomia entre ferramentas de detecção de conteúdo (focadas em arquivos individuais, como hash de imagens) e plataformas de forense digital (focadas em dispositivos). Falta uma ferramenta centrada no caso que analise a narrativa da investigação, extraia características estruturadas e permita a comparação entre milhares de casos de forma interpretável e auditável.

2. Metodologia e Arquitetura do Sistema

O CaseLinker é um sistema de código aberto projetado com uma arquitetura de cinco camadas modulares, priorizando a interpretabilidade, o bem-estar do analista e a mínima infraestrutura.

Arquitetura de 5 Camadas:

1. Camada de Ingestão:
   • Extrai texto de relatórios PDF (usando pdfplumber) e limpa artefatos.
   • Detecta a organização de origem baseada no nome do arquivo.
   • Projetada para ser extensível (suporte futuro a bancos de dados, APIs, etc.).
2. Camada de Processamento:
   • Agrupamento de Casos (Batching): Divide documentos longos (relatórios anuais) em casos individuais usando correspondência de padrões temporais (ex: "Em Janeiro de 2012").
   • Extração de Características (Feature Extraction): Utiliza uma abordagem híbrida determinística:
     • Regex para dados estruturados: Idade do perpetrador, contagem de vítimas, volume de evidências.
     • Padrões Semânticos: Identifica tópicos (produção, posse, contato físico) e indicadores de gravidade (bebês, violência sexual) através de correspondência de palavras-chave.
   • Vantagem: Não requer dados de treinamento (ao contrário de ML), é totalmente auditável e executável em hardware padrão.
3. Camada de Armazenamento:
   • Utiliza SQLite para portabilidade, permitindo fusão, federacão ou criptografia de bancos de dados.
   • Preserva o texto bruto original para auditoria e reprocessamento.
4. Camada de Agrupamento e Análise:
   • Agrupamento em Duas Etapas:
     1. Externo (Baseado em Tópicos): Classifica casos em clusters pré-definidos (ex: Online-Digital, Posse, Grave, Investigação).
     2. Interno (Similaridade Ponderada): Agrupa casos dentro dos clusters usando a Similaridade de Jaccard Ponderada em 6 dimensões (plataformas, demografia, tópicos, tipo de investigação, gravidade, relacionamento).
   • Triagem de Prioridade: Calcula uma pontuação de risco (escala 5-10) baseada em fatores ponderados (gravidade, número de vítimas, tipo de caso, etc.) para identificar casos críticos.
   • Insights Automatizados: Gera estatísticas sobre plataformas, distribuição de gravidade e padrões de perpetradores.
5. Camada de Visualização:
   • Dashboards interativos (D3.js) focados na segurança psicológica.
   • Princípios de Design: Apresentação estruturada (evita texto bruto desnecessário), estética sóbria, revelação gradual de detalhes e destaque automático de termos-chave para reduzir a necessidade de leitura profunda repetida.

3. Contribuições Principais

1. Arquitetural: Um pipeline modular que transforma relatórios não estruturados em inteligência estruturada e consultável, priorizando a auditabilidade legal (extração determinística).
2. Algorítmica: Uma metodologia de agrupamento de duas etapas que equilibra a interpretabilidade (analistas entendem por que os casos estão agrupados) com a granularidade (detecção de similaridades finas).
3. Design Centrado no Humano: Foco explícito no bem-estar do analista através de triagem de prioridade e visualizações que minimizam a exposição a conteúdo traumático, permitindo a detecção de padrões sem a revisão narrativa repetida.
4. Validação Empírica: Avaliação funcional em um conjunto de dados real (47 casos de relatórios públicos do Arizona ICAC, 2011-2014).

4. Resultados da Avaliação

O sistema foi testado em 47 casos extraídos de relatórios anuais do AZICAC:

• Cobertura de Extração:
  • Relação com a vítima: 100%.
  • Resultado da prosecution: 95,7%.
  • Tópicos do caso: 89,4%.
  • Indicadores de gravidade: 66,0%.
  • Nota: A cobertura menor em contagem de vítimas e plataformas reflete a prática de redação (anonimização) nos relatórios públicos, não uma falha do sistema.
• Desempenho de Agrupamento:
  • O cluster "Online-Digital" apresentou a maior coerência (0,709), indicando padrões consistentes de ofensa baseada em plataformas.
  • Execução extremamente rápida: 11,03 ms para agrupar 47 casos.
• Triagem de Prioridade:
  • Identificou corretamente os casos mais graves (pontuação 10,0) envolvendo vítimas infantis e agressão sexual.
  • Distribuição: 10,6% de alta prioridade, 48,9% média, 40,4% baixa.
• Desempenho do Sistema:
  • Taxa de transferência de 23,2 casos/segundo.
  • Capacidade de processar 10.000 casos em aproximadamente 7 minutos em hardware padrão.
• Insights Gerados: Identificou que 80,8% dos casos envolviam perpetradores desconhecidos (estranhos) e que 57,4% envolviam abuso "hands-on" (contato físico), fornecendo dados para alocação de recursos.

5. Significado e Conclusão

O CaseLinker preenche uma lacuna crítica no ecossistema tecnológico de proteção infantil, oferecendo uma ferramenta leve, de código aberto e interpretável para análise de casos.

• Acessibilidade: Democratiza capacidades de análise forense avançada para agências com recursos limitados, que não podem arcar com plataformas corporativas caras.
• Admissibilidade Legal: Ao evitar "caixas pretas" de IA e usar extração determinística, os resultados são auditáveis e explicáveis em tribunais.
• Sustentabilidade Humana: Reconhece que proteger crianças exige proteger os investigadores. Ao reduzir a exposição a traumas e automatizar a triagem, o sistema visa prevenir o burnout e manter a eficácia cognitiva das equipes de aplicação da lei.

O sistema está disponível como software de código aberto, com arquitetura projetada para ser extensível a novas fontes de dados e algoritmos no futuro.