💬 NLP

Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning

O artigo apresenta o Legal2LogicICL, um novo framework de aprendizado com poucos exemplos que utiliza recuperação aumentada por geração para transformar casos jurídicos em fórmulas lógicas com maior generalização e precisão, superando a escassez de dados anotados ao equilibrar similaridade e diversidade nos exemplos de treinamento e mitigar vieses induzidos por entidades, além de introduzir o novo conjunto de dados Legal2Proleg para avaliação.

Autores originais: Jieying Xue, Phuong Minh Nguyen, Ha Thanh Nguyen, May Myo Zin, Ken Satoh

Publicado 2026-04-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Jieying Xue, Phuong Minh Nguyen, Ha Thanh Nguyen, May Myo Zin, Ken Satoh

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 ou um advogado tentando resolver um caso complexo. Você tem um monte de documentos escritos em linguagem humana, cheia de nomes de pessoas, datas específicas e detalhes confusos. Agora, imagine que você precisa transformar essa história bagunçada em uma "receita de bolo" lógica e perfeita, que um computador possa ler e seguir passo a passo para dar um veredito.

Esse é o desafio que o artigo "Legal2LogicICL" tenta resolver.

Aqui está a explicação do trabalho, usando analogias simples:

1. O Problema: O Tradutor que Esquece a Receita

Antes, os computadores tentavam aprender a fazer essa tradução (de texto jurídico para lógica) apenas lendo milhares de exemplos e memorizando padrões, como um aluno que decora a resposta de uma prova sem entender a matéria.

O problema: Se o computador encontrasse um caso novo, com nomes diferentes ou uma estrutura ligeiramente distinta, ele se perdia. Era como se ele tivesse aprendido a receita do "Bolo de Cenoura da Vovó Maria", mas quando alguém pedia um "Bolo de Cenoura da Vovó Ana", ele não sabia fazer.
A falta de dados: Para treinar esses computadores, precisava-se de muitos exemplos anotados por humanos, o que é caro e demorado.

2. A Solução: O "Mestre Xamã" com um Caderno de Dicas

Os autores criaram um novo método chamado Legal2LogicICL. Em vez de forçar o computador a decorar tudo, eles usam a inteligência dos Modelos de Linguagem Grandes (LLMs) — que são como assistentes superinteligentes que já "leram" quase tudo na internet.

A mágica acontece usando uma técnica chamada Aprendizado com Poucos Exemplos (Few-Shot Learning). É como se você fosse a um tribunal e, antes de julgar o caso atual, olhasse rapidamente para 3 ou 4 casos antigos parecidos para ver como outros juízes decidiram.

3. O Grande Truque: A "Caixa de Ferramentas" Inteligente

O segredo do artigo não é apenas olhar para casos antigos, mas escolher os melhores casos antigos para mostrar ao computador. Eles criaram um sistema de seleção muito esperto com dois filtros:

A. O Filtro de "Semelhança" (O Espelho)

O sistema procura casos que falem sobre o mesmo assunto. Se o seu caso é sobre um aluguel de carro, ele busca outros casos de aluguel de carro. Isso garante que o computador entenda o contexto.

B. O Filtro de "Diversidade" (O Mapa de Estradas)

Aqui está a inovação principal. O sistema percebe que, às vezes, casos parecidos têm nomes de pessoas diferentes (ex: "João" vs. "Maria") e detalhes específicos que confundem o computador.

A analogia: Imagine que você quer ensinar alguém a dirigir. Se você só mostrar fotos de carros vermelhos, a pessoa pode achar que só carros vermelhos existem.
A solução do artigo: Eles criam um "modelo abstrato" (um template). Em vez de olhar para "João alugou um Fiat", o sistema olha para a estrutura: "Alguém alugou um Veículo".
O sistema então mistura casos que são parecidos no assunto (para dar contexto) com casos que são parecidos na estrutura lógica (para ensinar a regra), mas que têm nomes e detalhes diferentes (para evitar que o computador decore apenas os nomes).

4. O Resultado: Um Advogado Robusto

Ao usar essa mistura inteligente de exemplos (alguns muito parecidos, outros com a mesma estrutura mas detalhes diferentes), o computador aprende a regra, não apenas a história.

Sempre que possível: O sistema não precisa ser re-treinado do zero. Ele usa o que já sabe e olha para as "dicas" certas na hora da pergunta.
Resistência a erros: Se o texto diz "o carro" em vez de "um carro", o sistema entende que a lógica é a mesma, mesmo que a palavra mude.

5. O Novo Dicionário: Legal2Proleg

Os autores também criaram um novo conjunto de dados (uma espécie de dicionário de casos e regras lógicas) chamado Legal2Proleg. É como se eles tivessem escrito um livro de receitas de lógica jurídica para que outros pesquisadores pudessem testar se seus computadores estão aprendendo de verdade.

Resumo em uma frase

O Legal2LogicICL é como ensinar um computador a ser um juiz inteligente, não dando a ele um livro de regras para decorar, mas sim mostrando-lhe uma seleção inteligente de casos passados: alguns que são parecidos com o atual para dar contexto, e outros que são estruturalmente iguais mas com nomes diferentes, para garantir que ele entenda a lógica por trás da lei, e não apenas memorize os nomes das pessoas envolvidas.

Isso torna o sistema mais justo, mais preciso e capaz de lidar com casos novos que nunca viu antes.

Resumo Técnico: Legal2LogicICL

1. Problema Identificado

O raciocínio jurídico baseado em lógica exige a transformação de descrições de casos jurídicos em linguagem natural para fórmulas lógicas estruturadas (especificamente no formato PROLEG), que podem ser processadas por sistemas de inferência simbólica.

Desafios Principais:
- Escassez de Dados: A falta de dados anotados de alta qualidade limita o treinamento de modelos supervisionados (fine-tuning).
- Generalização: Métodos existentes (baseados em padrões, tradução neural ou NER) sofrem com baixa generalização, altos custos de anotação e fragilidade a variações superficiais no texto.
- Viés de Entidades: Em textos jurídicos, menções específicas de entidades (nomes de partes, ativos, identificadores de contratos) dominam as representações semânticas. Isso faz com que sistemas de recuperação baseados em similaridade semântica tradicional selecionem exemplos que se assemelham apenas superficialmente (mesmas entidades), mas falham em capturar a estrutura lógica subjacente diversa.
- Barreira de Usabilidade: O sistema PROLEG exige fórmulas lógicas como entrada, criando uma barreira para profissionais jurídicos sem expertise em modelagem lógica.

2. Metodologia Proposta: Legal2LogicICL

Os autores propõem o Legal2LogicICL, um framework baseado em In-Context Learning (ICL) e Retrieval-Augmented Generation (RAG) que utiliza Grandes Modelos de Linguagem (LLMs) sem necessidade de fine-tuning supervisionado.

O núcleo da metodologia é uma estratégia de seleção de few-shot (poucos exemplos) diversificada e híbrida, composta por duas etapas principais:

A. Seleção de Demonstração (Demonstration Selection)
O framework utiliza o algoritmo DiverseSim para selecionar exemplos de treinamento a partir de um repositório, equilibrando similaridade e diversidade através de dois níveis:

Nível Semântico (Baseado em Casos): Recupera casos jurídicos semanticamente semelhantes à consulta (query) usando embeddings vetoriais.
Nível Estrutural (Baseado em Templates): Para mitigar o viés induzido por entidades específicas, os casos são transformados em templates (abstrações onde entidades concretas são substituídas por tipos de entidades, ex: {Borrower}, {Lender}). A similaridade é calculada sobre esses templates, garantindo que exemplos com estruturas lógicas semelhantes, mas entidades diferentes, sejam selecionados.

Mecanismo de Diversidade (DiverseSim):
O algoritmo introduz um parâmetro de controle de diversidade ( $\lambda$ ). A pontuação de ranking para seleção de exemplos combina:

Similaridade com a consulta ( $\lambda \times \text{sim}(e_{query}, e_{doc})$ ).
Penalidade de redundância baseada na similaridade máxima com os exemplos já selecionados ( $-(1-\lambda) \times \max(\text{sim}(e_{doc}, e_{selected}))$ ).
Isso garante que o conjunto de few-shot seja relevante para a tarefa, mas também diversificado em termos de padrões de raciocínio.

B. Construção de Prompt e Inferência
O prompt final para o LLM é uma combinação híbrida de:

Exemplos baseados em casos reais (para contexto semântico).
Exemplos baseados em templates (para diversidade estrutural).
O LLM recebe o caso jurídico de entrada e os exemplos selecionados, gerando as fórmulas de fatos lógicos (PROLEG) correspondentes.

3. Contribuições Chave

Framework Legal2LogicICL: Uma nova abordagem que transforma casos jurídicos em lógica PROLEG usando ICL, eliminando a necessidade de fine-tuning e reduzindo a dependência de grandes conjuntos de dados anotados.
Estratégia de Diversidade Híbrida: A introdução de uma seleção de exemplos que equilibra similaridade semântica e diversidade estrutural (via templates), mitigando especificamente o viés de entidades comuns em textos jurídicos.
Dataset Legal2Proleg: Criação de um novo dataset de avaliação contendo alinhamentos entre casos jurídicos e fórmulas lógicas PROLEG. Diferente de datasets anteriores (como LegalCaseNER), este dataset possui maior diversidade de templates, tipos de contratos e questões jurídicas, evitando o overfitting por sobreposição de templates entre treino e teste.
Análise de Viés de Entidades: Evidência empírica de que a similaridade baseada apenas em texto cru falha em capturar padrões jurídicos quando as entidades mudam, e que a abstração para templates resolve esse problema.

4. Resultados Experimentais

Os experimentos foram conduzidos em diversos LLMs (Qwen, Llama, Phi-4, GPT-5) utilizando o dataset Legal2Proleg e LegalCaseNER.

Generalização em Cenários de Poucos Dados:
- Em cenários com baixa disponibilidade de dados de treino (20% de dados "vistos"), o método proposto (Legal2LogicICL) manteve uma acurácia de 83%, enquanto modelos supervisionados baseados em NER (LegalCaseNER) caíram drasticamente para 16,61%.
- O framework demonstrou robustez superior à variação na proporção de dados de treino.
Impacto da Diversidade ( $\lambda$ ):
- Um valor moderado de $\lambda$ (0.6) produziu consistentemente os melhores resultados, confirmando que um equilíbrio entre similaridade e diversidade é crucial.
Eficácia da Estratégia Híbrida:
- A combinação de exemplos baseados em casos e templates (3c+3t) superou todas as outras configurações, incluindo o uso exclusivo de 5 exemplos baseados em casos. Isso prova que a diversidade estrutural é tão importante quanto a relevância semântica.
Análise de Erros:
- Erros no Legal2LogicICL foram majoritariamente relacionados a variações superficiais (artigos definidos/indeterminados, pontuação), que não afetam a lógica subjacente.
- Em contraste, o método NER falhou em detectar limites de entidades compostas e confundiu tipos de entidades semanticamente similares, levando a fórmulas lógicas inválidas.
Métricas: O uso da métrica Soft-Match (que avalia a estrutura lógica e a similaridade semântica das entidades, ignorando diferenças superficiais) mostrou que a precisão semântica real é ainda maior do que a métrica Exact-Match sugere.

5. Significado e Impacto

Raciocínio Jurídico Interpretável: O trabalho oferece uma ponte prática entre a linguagem natural complexa e sistemas de raciocínio lógico formal, permitindo que decisões jurídicas sejam auditáveis e explicáveis.
Adaptação de Domínio sem Treinamento: Demonstra que LLMs podem ser adaptados eficazmente para tarefas jurídicas complexas sem fine-tuning, reduzindo custos computacionais e de dados.
Solução para Viés de Entidades: A metodologia de "templates agnósticos a entidades" resolve um problema fundamental na recuperação de informações jurídicas, onde a similaridade superficial frequentemente mascara a dissimilaridade estrutural.
Fundação para Futuras Pesquisas: O dataset Legal2Proleg e o framework proposto estabelecem um novo padrão para a avaliação de parsing semântico jurídico, incentivando o desenvolvimento de sistemas de IA jurídica mais robustos e generalizáveis.

Em suma, o Legal2LogicICL representa um avanço significativo na automação do raciocínio jurídico, provando que a diversidade controlada em exemplos de few-shot learning é a chave para superar as limitações de generalização em domínios altamente estruturados e ricos em entidades.