Towards Intelligent Legal Document Analysis: CNN-Driven Classification of Case Law Texts

Resumo Técnico: Classificação de Tratamento de Citações em Documentos Jurídicos via CNN

1. Problema e Contexto

O sistema judiciário global enfrenta um volume exponencial de documentos de jurisprudência (casos de lei). A classificação manual desses documentos é lenta, propensa a erros e cognitivamente exigente devido a características específicas do domínio jurídico:

• Linguagem formalizada e complexa: Estruturas sintáticas longas e terminologia altamente especializada.
• Jargão específico: Uso frequente de termos em latim e fórmulas de citação repetitivas.
• Limitações das abordagens atuais: Embora modelos baseados em Transformers (como BERT) ofereçam alta precisão, eles exigem recursos computacionais massivos, grandes volumes de dados de treinamento e possuem alta latência de inferência, tornando-os menos viáveis para pipelines de análise em tempo real ou em ambientes com recursos limitados.

O objetivo deste trabalho é desenvolver um framework leve, eficiente e de alta precisão para a classificação de "tratamento de citação" (como um julgamento atual se refere a uma autoridade citada: cited, distinguished, overruled, positive, neutral, negative).

2. Metodologia Proposta

Os autores propõem um pipeline de aprendizado profundo que combina pré-processamento linguístico, embeddings sensíveis a subpalavras e uma arquitetura de Rede Neural Convolucional (CNN) unidimensional.

• Pré-processamento e Normalização:

  • Limpeza de texto (remoção de URLs, números, pontuação e boilerplate jurídico).
  • Lematização: Uso de um lematizador baseado em WordNet para reduzir a variabilidade morfológica (ex: unificar "citing", "cited", "cites" para "cite"), permitindo que o modelo foque na intenção semântica em vez de variações superficiais.
  • Remoção de stopwords e tokens curtos.

• Representação Vetorial (Embeddings):

  • Utilização de FastText treinado no corpus lematizado.
  • Vantagem: O FastText decomõe palavras em n-gramas de caracteres, fornecendo representações robustas para termos jurídicos raros, citações em latim e palavras fora do vocabulário (OOV), superando limitações de embeddings de nível de palavra padrão.

• Arquitetura do Modelo (CNN Multi-Kernel):

  • Um classificador CNN 1D com três ramos paralelos de convolução, utilizando tamanhos de kernel diferentes: k = {2, 3, 5}.
    • Kernel 2: Captura pistas curtas (bigramas de citação).
    • Kernel 3: Identifica frases jurídicas de comprimento médio (trigramas).
    • Kernel 5: Codifica contextos clausais mais longos (5-gramas).
  • As mapas de características de todos os ramos são agrupados (Global Max Pooling), concatenados e passados por uma camada totalmente conectada com softmax para a classificação final.
  • O modelo é treinado de ponta a ponta, ajustando os embeddings do FastText juntamente com os parâmetros convolucionais.

3. Contribuições Principais

1. Pipeline Leve de Alta Precisão: Uma arquitetura CNN + FastText + Lematização que atinge precisão próxima à de transformers (97,26%) com uma latência de inferência 13 vezes menor que a do BERT.
2. Tratamento Efetivo da Morfologia Jurídica: Validação empírica de que a combinação de lematização e embeddings de subpalavras (FastText) lida melhor com variantes morfológicas e termos fora do vocabulário do que baselines de aprendizado profundo padrão.
3. Estratégia de Pré-processamento Específica para Domínio: Um pipeline reutilizável adaptado à semântica de casos de lei, que generaliza para outros corpora de tratamento de citação sem necessidade de engenharia de características manual específica para a tarefa.

4. Resultados Experimentais

O modelo foi avaliado em um corpus público de 25.000 documentos jurídicos anotados, com divisão de 75% (treino) e 25% (teste).

• Desempenho de Precisão:

  • Acurácia: 97,26%
  • F1-Score Macro: 96,82%
  • AUC-ROC: 97,83% (o mais alto entre todos os sistemas comparados).
  • O modelo superou baselines estabelecidos, incluindo BERT fine-tuned (97,12% de acurácia), LSTM + FastText (95,68%) e CNN com embeddings aleatórios (93,51%).

• Eficiência Computacional:

  • Parâmetros: Apenas 5,1 milhões (vs. 110 milhões do BERT).
  • Latência de Inferência: 0,31 ms por documento (vs. 4,25 ms do BERT).
  • Tempo de Treinamento por Época: 26,8 segundos (vs. 215,6 segundos do BERT).
  • Uso de Memória GPU: 1,3 GB.

• Análise de Erros:

  • A matriz de confusão mostrou que os erros residuais estão concentrados em categorias semanticamente adjacentes (ex: Positive vs. Neutral e Distinguished vs. Overruled), o que reflete a ambiguidade linguística inerente ao próprio texto jurídico, difícil até mesmo para anotadores humanos experientes.

• Estudo de Ablação:

  • A combinação de kernels {2, 3, 5} provou ser superior a configurações com kernels únicos ou duplos, confirmando que a extração de padrões em múltiplas escalas é crucial para a discriminação de citações.

5. Significado e Conclusão

Este trabalho demonstra que arquiteturas convolucionais cuidadosamente projetadas, quando combinadas com pré-processamento linguístico adequado (lematização) e embeddings ricos em morfologia (FastText), podem competir com modelos transformers pesados em tarefas de classificação jurídica.

A principal implicação é a viabilidade de soluções escaláveis e economicamente eficientes para análise de documentos jurídicos em tempo real, permitindo que instituições judiciais e escritórios de advocacia automatizem a triagem de casos sem a necessidade de infraestrutura computacional massiva. O modelo oferece um equilíbrio ideal entre precisão, interpretabilidade e eficiência de implantação, preenchendo uma lacuna importante na literatura de IA jurídica.