Resumo Técnico: Ontologia para Policiamento – Aprendizado de Conhecimento Conceitual para Compreensão Semântica e Raciocínio em Relatórios de Aplicação da Lei

1. Declaração do Problema

Os relatórios de incidentes de aplicação da lei consistem em metadados estruturados (por exemplo, números de caso, códigos de infração) e narrativas em linguagem natural não estruturados. Embora os dados estruturados suportem filtragem básica e contagem, detalhes investigativos críticos — como a sequência cronológica de eventos, papéis específicos dos participantes, métodos de entrada e itens roubados — estão frequentemente embutidos exclusivamente no texto narrativo. Acessar esses detalhes sistematicamente é difícil devido ao volume de relatórios, variação linguística e à necessidade de redação de Informações Pessoalmente Identificáveis (PII) para privacidade. Os métodos atuais, que dependem de correspondência de strings superficiais ou revisão manual, criam gargalos para investigadores e analistas. O desafio central é converter essas narrativas não estruturadas e redigidas em "fatos vinculados a evidências" que sejam legíveis por máquina, auditáveis e capazes de suportar raciocínio lógico sem perder a rastreabilidade ao texto fonte.

2. Metodologia

Os autores propõem uma estrutura simbólica que transforma narrativas policiais em uma ontologia formal usando um pipeline de múltiplos estágios. A abordagem evita aprendizado de máquina para a camada final de raciocínio, confiando, em vez disso, em compreensão de linguagem natural (NLU) simbólica e representação de conhecimento.

A. Pré-processamento e Redação

• Extração: Relatórios em PDF são processados via Reconhecimento Óptico de Caracteres (OCR) para extrair a seção narrativa, convertendo o texto para caso de sentença e removendo artefatos.
• Redação: Um sistema baseado em regras usando reconhecimento de entidades nomeadas spaCy, expressões regulares e metadados redige PII (nomes, endereços, datas, detalhes de veículos).
• Pseudonimização: As entidades são substituídas por espaços reservados padronizados (por exemplo, [PESSOA_1], Vítima, Suspeito), mantendo um log de mapeamento para garantir rastreabilidade.

B. Análise Semântica (A Camada Semântica)

O texto redigido é analisado em grafos de Representação de Significado Abstrato (AMR) usando o analisador AMRlib (um modelo BART-large).

• Estrutura do Grafo: A AMR representa o significado da sentença como um grafo de predicados (eventos) e seus argumentos (participantes).
• Fundamentação de Papéis: Os pseudônimos são mapeados para tipos semânticos específicos (por exemplo, Pessoa, Veículo) e papéis (por exemplo, Agente, Paciente) dentro do grafo.
• Recursos Lexicais: O sistema utiliza uma cadeia de bancos de dados lexicais para normalizar predicados e argumentos:
  • PropBank: Fornece sentidos de verbos e papéis de argumentos.
  • VerbNet (via SemLink): Mapeia sentidos do PropBank para classes de verbos semânticos.
  • WordNet: Fornece hierarquias de hiperônimos para tipagem "é-um" de argumentos (por exemplo, distinguir uma "janela" como parte estrutural).

C. Construção e Mapeamento da Ontologia

Os grafos AMR extraídos são mapeados para uma ontologia OWL 2 construída no Protégé.

• Estrutura: A ontologia inclui um TBox (esquema de classes), RBox (esquema de propriedades) e ABox (fatos de instância). Classes-chave incluem Evento, Entidade e PapelDeParticipação.
• Regras de Mapeamento: Estruturas predicado-argumento (por exemplo, roubar-01 :ARG0 x :ARG1 y) são convertidas em asserções de ontologia (por exemplo, EventoDeRoubo(e), temAgente(e,x)).
• Restrições de Lógica de Descrição (DL): O sistema impõe invariantes estruturais, como garantir que toda participação esteja vinculada a um evento e que tipos específicos de eventos (por exemplo, EventoDeRoubo) exijam participantes específicos (por exemplo, um Item roubado).

D. Tipagem de Eventos e Pontuação de Confiança

O sistema atribui tipos de eventos (por exemplo, EventoDeEntradaForçada, EventoDeRoubo) e calcula uma pontuação de confiança $c(e) \in [0,1]$.

• Tipagem em Dois Estágios:
  1. Estágio da Família de Predicados: Gera tipos candidatos grosseiros com base na família do verbo.
  2. Estágio Sensível a Argumentos: Refina o tipo com base nos tipos semânticos dos argumentos (por exemplo, fortalecendo uma interpretação de "roubo" se o objeto for um item de propriedade).
• Cálculo de Confiança: A pontuação é uma soma heurística de:
  • Pontuação Base: Determinada pela categoria do evento (por exemplo, eventos centrais de incidentes começam em 0,55).
  • Fundamentação Lexical: Bônus para mapeamento completo PropBank→VerbNet→WordNet.
  • Suporte Estrutural: Bônus para correspondência de padrões esperados (por exemplo, presença de um item roubado).
  • Penalizações: Deduções para ambiguidade, negação ou linguagem incerta.
  • Pontuação Final: Uma mistura ponderada do prior de regra (70%) e da pontuação baseada em evidências (30%).

E. Raciocínio Temporal

O sistema constrói grafos temporais onde os nós são eventos e as arestas são relações de precedência.

• Arestas Baseadas em Pistas: Derivadas de marcadores temporais no texto (por exemplo, "então", "antes", "depois").
• Axiomas de Domínio: Regras lógicas impõem precedência com base no procedimento policial (por exemplo, EventoDeEntradaForçada tipicamente precede EventoDeRoubo).

3. Contribuições Principais

• Extração de Fatos Vinculados a Evidências: Um pipeline que converte narrativas redigidas em fatos estruturados rastreáveis a sentenças específicas, abordando o gargalo da revisão manual.
• NLU Simbólica para Policiamento: Uma demonstração de que métodos simbólicos (AMR + Ontologia) podem lidar com a variação linguística e as restrições de privacidade de relatórios policiais sem depender de modelos de aprendizado de máquina de caixa preta para o raciocínio final.
• Construção de Grafos Temporais: A integração de pistas linguísticas e axiomas de domínio para reconstruir cronologias de eventos a partir de texto não estruturado.
• Confiança Auditável: Um mecanismo de pontuação que quantifica a confiabilidade dos eventos extraídos, permitindo que analistas filtrem resultados com base em limiares de confiança.

4. Resultados

A estrutura foi avaliada em um corpus de 450 relatórios de crimes contra propriedade (Arrombamento, Furto, Roubo de Veículo Automotor, Assalto, Propriedade Roubada) do Departamento de Polícia de Rochester.

• Desempenho de Extração:
  • O sistema extraiu 6.686 eventos e 6.652 quadros.
  • 54,1% dos eventos extraídos alcançaram uma pontuação de confiança $\ge 0,80$.
  • 93,7% dos eventos foram mapeados com sucesso através do caminho semântico completo PropBank→VerbNet→WordNet.
  • A cobertura de ARG1 (paciente/objeto) foi alta (78,8%), enquanto a cobertura de ARG0 (agente) foi menor (29,8%), refletindo a tendência narrativa de nomear explicitamente objetos, mas obscurecer identidades de atores.
• Preenchimento de Slots de Quadro:
  • Pontos de entrada foram preenchidos em 41,8% dos casos.
  • Métodos de entrada em 33,4%.
  • Itens roubados em 22,8%.
• Ordenação Temporal:
  • 102 arestas temporais foram extraídas em todo o corpus.
  • 78,4% dessas arestas foram derivadas de axiomas de domínio, enquanto apenas 21,6% vieram de pistas textuais explícitas.
• Revisão Humana:
  • Um estudo com 6 revisores em 5 narrativas redigidas mostrou 100% de concordância entre o sistema e a maioria humana para: Início do incidente, Itens roubados, Pistas de tempo e Papéis dos participantes.
  • A concordância foi de 80% para Envolvimento de veículo, Roubo declarado e Confiança geral.
  • A concordância foi de 40% para Entrada forçada, indicando que esta permanece uma tarefa de interpretação desafiadora.
  • As pontuações de Precisão/Revocação/F1 para "Itens roubados" e "Pistas de tempo" foram perfeitas (100%).

5. Significado e Alegações

O artigo afirma que técnicas de NLU simbólica podem recuperar efetivamente detalhes de incidentes de narrativas redigidas que estão ausentes nos metadados estruturados. O significado reside na capacidade de:

1. Escalar a Análise: Automatizar a extração de fatos vinculados a evidências de grandes volumes de relatórios.
2. Manter a Privacidade: Processar texto redigido sem comprometer a capacidade de raciocinar sobre estruturas de eventos.
3. Garantir Rastreabilidade: Cada fato extraído é vinculado de volta à sentença fonte e ao caminho semântico específico usado, permitindo auditabilidade.
4. Gerenciar Incerteza: O sistema de pontuação de confiança sinaliza explicitamente extrações incertas (por exemplo, interpretações de entrada forçada) em vez de forçar uma classificação definitiva, o que é crucial para contextos legais e investigativos.

Os autores afirmam explicitamente que o sistema foi projetado para apoiar a investigação e a revisão, não para substituir o julgamento humano ou tirar conclusões sobre indivíduos sem supervisão humana. O trabalho estende a iniciativa OpenBWC adicionando um pipeline de NLU simbólica para uso interno da polícia.