Automatic Construction of a Legal Citation Graph from 100 Million Ukrainian Court Decisions: Large-Scale Extraction, Topological Analysis, and Ontology-Driven Clustering

Resumo Técnico: Construção Automática de um Gráfico de Citações Legais a partir de 100 Milhões de Decisões Judiciais Ucranianas

Declaração do Problema
O Registro Estatal Unificado de Decisões Judiciais (EDRSR) representa o maior corpus judicial aberto da Europa continental, contendo mais de 100 milhões de decisões. Apesar do seu tamanho, este recurso permaneceu amplamente subutilizado para análise legal computacional. A pesquisa existente sobre redes de citações legais concentrou-se em jurisdições de common law (por exemplo, EUA, Países Baixos, Dinamarca), onde as convenções de citação são explícitas e os conjuntos de dados são menores (10³–10⁵ decisões). Sistemas legais continentais como o da Ucrânia apresentam desafios distintos: as citações visam artigos legislativos em vez de casos anteriores, os formatos são inconsistentes devido a variações morfológicas e abreviações, e o volume colossal (1,1 TB de texto) exige processamento em escala industrial. Nenhum trabalho anterior tentou a extração de citações na escala de 100 milhões de decisões.

Metodologia
O artigo propõe um pipeline de três etapas: extração em larga escala, análise topológica e agrupamento orientado por ontologia.

1. Pipeline de Extração em Larga Escala:

   • Fonte de Dados: 100,7 milhões de decisões judiciais (99,5 milhões de textos completos) do EDRSR, abrangendo o período de 2000 a 2026.
   • Técnica: Um pipeline baseado em expressões regulares processa os dados partição por partição usando multiprocessamento Python e cursores PostgreSQL no lado do servidor.
   • Tipos de Alvo: Seis tipos de citação são extraídos: (1) Referências a artigos de códigos (por exemplo, "ст. 625 ЦК України"), (2) Referências a leis nomeadas, (3) Referências constitucionais, (4) Referências entre casos, (5) Referências a leis por número e (6) Referências a decisões do Supremo Tribunal.
   • Desempenho: O pipeline processa aproximadamente 200.000 linhas/segundo em um único servidor de 16 núcleos, completando a extração de 502 milhões de links de citação em cerca de 5 horas.
   • Validação: Em uma amostra manualmente anotada de 200 decisões (1.903 citações), o pipeline alcançou 100% de precisão em todos os seis tipos. Um proxy de revocação de 0,86 foi observado ao verificar cruzadamente contra registros armazenados, sendo a lacuna de 14% atribuída a diferenças de normalização (por exemplo, expansão de intervalos de artigos) e não a citações substantivas perdidas.

2. Construção do Gráfico:

   • Gráfico Bipartido ($G_B$): Os nós representam decisões ($D$) e artigos legislativos ($L$). As arestas conectam uma decisão à legislação que ela cita.
   • Projeção de Cocitação ($G_L$): Um gráfico unipartido onde artigos legislativos são conectados se citados juntos na mesma decisão. Os pesos das arestas refletem a frequência de cocitação, servindo como proxy para a relevância semântica.
   • Gráfico de Similaridade de Decisões ($G_D$): Um gráfico conectando decisões que citam legislação comum (computado preguiçosamente).

3. Análise e Construção de Ontologia:

   • Detecção de Comunidades: O algoritmo Louvain é aplicado à projeção de cocitação para identificar clusters de artigos legislativos.
   • Derivação de Ontologia: Esses clusters formam uma ontologia legal construída automaticamente, onde as classes correspondem a domínios legais (por exemplo, Civil, Penal) e os indivíduos são os artigos específicos. Esta abordagem baseia-se na hipótese distribucional ("você conhecerá uma lei pelas decisões que a citam") sem exigir dados rotulados ou modelos de incorporação.

Principais Resultados

• Escala e Eficiência: O estudo extraiu com sucesso 502 milhões de arestas de citação conectando decisões a 18,4 milhões de artigos legislativos únicos. Este conjunto de dados é três a quatro ordens de magnitude maior que estudos anteriores de citações legais.
• Propriedades Topológicas:
  • Distribuição de Lei de Potência: A distribuição de grau dos artigos legislativos segue uma lei de potência com expoente $\alpha = 1,57 \pm 0,008$. Isso posiciona a rede ucraniana entre o Tribunal de Justiça da UE ($\alpha \approx 1,7$) e o Supremo Tribunal dos EUA ($\alpha \approx 2,1$), indicando uma cauda pesada onde um pequeno conjunto de artigos "hub" (por exemplo, códigos processuais) é citado por milhões de decisões.
  • Divergência de Centralidade: A centralidade PageRank diverge significativamente das contagens brutas de citações (Spearman $\rho = 0,70$). Por exemplo, o Artigo 19 da Constituição ocupa o 42º lugar pela contagem bruta, mas o 3º lugar pelo PageRank, refletindo seu papel estrutural como ponte entre domínios legais.
• Recuperação Ontológica: A detecção de comunidades no gráfico de cocitação recupera com sucesso domínios legais estabelecidos (Civil, Penal, Administrativo, Comercial) com pontuações de modularidade ($Q$) entre 0,44 e 0,55. A estrutura mostra alta estabilidade temporal (Informação Mútua Normalizada $NMI = 0,83–0,86$ em períodos de quatro anos), confirmando o gráfico como uma representação durável da ordem jurídica.
• Poder Preditivo: Um modelo de regressão logística usando características de citação (volume histórico, taxa de crescimento, etc.) prevê os 1.000 artigos mais citados no futuro com uma AUC de 0,9984, superando significativamente uma baseline de frequência ingênua.
• Dinâmicas Temporais e Detecção de Crises:
  • Reformas Legislativas: O gráfico captura mudanças de fase quantitativas correspondentes a grandes reformas, como o lançamento do Código de Processo Penal de 2012 e a reforma judicial de 2017.
  • Impacto da Guerra: A invasão russa de 2022 é detectada como um pico de entropia de citação ($H: 11,02 \to 13,49$) e o surgimento de novos nós relacionados à legislação de guerra (por exemplo, Artigo 111-1 do Código Penal sobre colaboração).

Significado e Alegações
O artigo alega três contribuições primárias:

1. Extração Escalável: Demonstra que o processamento de linguagem natural (PLN) legal em escala industrial pode ser alcançado em hardware comercial usando métodos simples baseados em expressões regulares, alcançando alta precisão sem infraestrutura especializada.
2. Ontologia Orientada por Dados: Fornece a primeira ontologia legível por máquina para relações de estatutos ucranianos, derivada inteiramente da prática judicial em vez de curadoria de especialistas. Isso aborda uma lacuna estrutural em sistemas de LLM controlados por ontologia, fornecendo uma camada de domínio que fundamenta o raciocínio legal em padrões de uso reais.
3. História Legal Quantitativa: O gráfico de citações serve como um registro de alta resolução de transições de regimes legislativos, capaz de detectar mudanças sistêmicas (reformas, invasões) através de mudanças na entropia e densidade de citações.

Os autores posicionam este trabalho como uma extensão dos programas de extração de conhecimento e modelagem semântica distribucional propostos por Palagin et al., aplicados aqui a uma escala e domínio previamente não tentados no PLN ucraniano. A ontologia resultante é operacionalizada como a camada de domínio para sistemas de memória de fluxo de trabalho em análise legal assistida por LLM, permitindo correções humanas informadas das saídas da IA. O pipeline de extração, o código de análise e as estatísticas agregadas são lançados como dados abertos.