Resumo Técnico: bundesrecht – Uma Biblioteca Aberta e um Corpus para o Processamento de Referências Legislativas Alemãs

1. Definição do Problema

As referências legislativas são fundamentais para a compreensão da linguagem jurídica, servindo para invocar definições, exceções, procedimentos e consequências jurídicas. No entanto, processar essas referências em textos jurídicos alemães de forma automática é excepcionalmente difícil devido à combinação da escrita jurídica compacta com um sistema alvo profundamente estruturado.

As referências legislativas alemãs exibem uma variabilidade superficial significativa:

• Compactação: Elas frequentemente combinam múltiplos alvos em uma única expressão (ex: § 2 Abs. 1 Nr. 1, Nr. 7, Abs. 2 UrhG).
• Abreviações e Contexto: Utilizam abreviações especiais (ex: i.V.m. para in Verbindung mit) e herdam contexto através de partes separadas por vírgulas.
• Profundidade Hierárquica: As referências podem apontar para níveis granulares abaixo da lei ou parágrafo principal, tais como Absatz (parágrafo), Satz (sentença), Nummer (número), Buchstabe (letra) ou Unterbuchstabe (subletra).
• Intervalos e Continuações: Utilizam indicadores de intervalo (ex: §§ 12–15) e marcadores de continuação (ex: f. e ff.).

As ferramentas existentes para o PLN jurídico alemão abordam tipicamente apenas tarefas adjacentes: ou realizam o parsing de referências de documentos sem resolvê-las, ou acessam o texto legislativo apenas quando a string de citação já é explícita e precisa. Há uma carência de um recurso aberto que funcione como um pipeline de ponta a ponta, transformando strings de citação brutas em provisões legislativas resolvidas dentro de um corpus estruturado.

2. Metodologia

O artigo apresenta o bundesrecht, um recurso aberto que compreende uma biblioteca de software em Python e um corpus estruturado em JSONL da legislação federal alemã. O sistema processa referências legislativas através de três etapas distintas, porém integradas:

2.1 Parsing (Análise Sintática)

O parser mapeia strings de citação brutas para objetos estruturados (LawReference). Ele identifica a abreviação da lei (ex: BGB, UrhG) e a hierarquia interna da referência, incluindo Paragraph (ou Artikel), Absatz, Satz, Nummer, Buchstabe e Halbsatz. O parser distingue entre diferentes níveis de granularidade, garantindo que referências ao mesmo parágrafo, mas a diferentes subcláusulas, sejam representadas distintamente.

2.2 Normalização

O normalizador converte referências brutas ou analisadas em formas canônicas, individualmente resolvíveis. Esta etapa é crítica para lidar com formas compactas que não são diretamente passíveis de busca.

• Expansão: Ele expande intervalos (ex: §§ 12–15 torna-se referências individuais para 12, 13, 14, 15).
• Herança de Contexto: Ele resolve alvos implícitos em strings compostas (ex: expandindo Nr. 1, Nr. 7 para referências completas).
• Tratamento de Conectores: Processa i.V.m. (in Verbindung mit) e marcadores de continuação (f. expande para o próximo parágrafo; ff. é mantido como está, a menos que um valor de expansão seja fornecido).
• Saída: O normalizador produz uma lista de referências canônicas, cada uma pronta para resolução independente.

2.3 Resolução

O resolvedor vincula referências canônicas a provisões específicas em um corpus legível por máquina.

• Estrutura do Corpus: O corpus é derivado de Gesetze im Internet e preserva a hierarquia interna dos estatutos até o nível de Unterbuchstabe.
• Busca Sensível à Profundidade: O resolvedor não apenas combina a lei e o parágrafo; ele navega pela estrutura aninhada para encontrar o Absatz, Satz ou Nummer específico.
• Resolução Parcial: Se um alvo de nível inferior exato (ex: um número de sentença específico) estiver ausente, o resolvedor retorna a provisão mais próxima disponível (ex: o parágrafo contendo-o) junto com uma nota indicando a profundidade da resolução e o nível ausente. Isso suporta tarefas de jusante onde correspondências parciais ainda são valiosas.

3. Principais Contribuições

• Pipeline de Ponta a Ponta: O bundesrecht é o primeiro recurso aberto que cobre o processamento de referências legislativas alemãs, desde a string de citação bruta até a provisão legislativa resolvida.
• Biblioteca Estruturada: Uma biblioteca Python disponível no PyPI que separa o parsing, a normalização e a resolução, permitindo que os usuários utilizem componentes individuais ou o pipeline completo.
• Corpus Estruturado: Um conjunto de dados JSONL contendo 6.873 leis e regulamentos federais alemães, preservando a estrutura hierárquica das provisões (seções, parágrafos, sentenças, números, letras) em vez de achatá-las em texto plano.
• Deduplicação Canônica: O sistema demonstra a capacidade de agrupar variantes superficiais do mesmo alvo legislativo de forma mais confiável do que a correspondência de strings, ao normalizar as referências para formas canônicas.

4. Resultados de Avaliação

Os autores avaliaram o parser e o normalizador utilizando um conjunto de dados de 2.944 referências jurídicas alemãs anotadas manualmente (de Darji et al., 2023). O resolvedor não foi avaliado contra este conjunto de dados devido à falta de texto de nível inferior exato nas anotações.

Métricas:

1. Correspondência Exata Estrita (Strict Exact-Match): Requer que o conjunto de valores extraídos para uma linha seja idêntico ao conjunto anotado.
2. Extração de Informação Micro (Micro Information Extraction): Calcula Precisão, Recall e F1 baseando-se em valores extraídos individualmente em todas as referências.

Descobertas:

• Correspondência Exata: As taxas de correspondência ao nível de campo excederam 98,6% para todos os campos avaliados (Artikel, Absatz, Satz, Nummer, Buchstabe).
• Scores de Micro F1:
  • Artikel: 99,6%
  • Absatz: 99,3%
  • Satz: 97,3%
  • Nummer: 96,6%
  • Buchstabe: 80,0% (Desempenho inferior atribuído à raridade deste campo no conjunto de dados, com apenas 29 valores anotados).
• Análise de Erros: A maioria das incompatibilidades ocorreu em casos estruturalmente atípicos, como referências a diretivas da UE ou notações não padronizadas (ex: N1.1), e não em falhas gerais de parsing.

A avaliação também confirmou que as referências normalizadas agrupam variantes de superfície de citação reais de forma muito mais confiável do que a correspondência de strings brutas.

5. Significância e Alegações

O artigo alega que o bundesrecht preenche uma lacuna crítica no PLN jurídico alemão ao fornecer um recurso unificado que conecta a extração de citação bruta à resolução do texto legislativo. Sua significância reside em:

• Viabilizar Tarefas de Jusante: Suporta recuperação, resposta a perguntas jurídicas, geração aumentada por recuperação (RAG) e a criação de conjuntos de dados jurídicos interligados, ao fornecer referências estruturadas e resolvidas.
• Lidar com a Complexidade: Aborda o desafio específico da escrita jurídica alemã, onde formas compactas exigem expansão e normalização antes de serem resolvidas.
• Acessibilidade Aberta: Ao lançar tanto a biblioteca quanto o corpus, permite que a comunidade construa sobre uma base padronizada para o processamento de referências legislativas.

Os autores mantêm uma postura modesta, observando que, embora o parser e o normalizador tenham um desempenho forte, a avaliação do componente de resolução contra um padrão ouro para correspondência de texto de nível inferior permanece uma tarefa para trabalhos futuros.