Resumo Técnico: Do Estatuto ao Fluxo de Controle: Árvores Deônticas Baseadas em Intervalos para o Parsing de Escopo Defensível

1. Definição do Problema: Omissão Silenciosa de Escopo (SSO)

Agentes de cumprimento de regras projetados para executar políticas e regulamentos frequentemente falham via Omissão Silenciosa de Escopo (SSO - Silent Scope Omission). Neste modo de falha, um modelo aplica uma regra geral, mas silencia a aplicação de exceções aninhadas, contra-exceções ou cláusulas de sobreposição. O resultado resultante parece complacente e passa em verificações leves, mas falha em casos críticos onde as cláusulas de "derrota" (ex: "a menos que", "exceto", "desde que") determinam o desfecho final.

Embora frequentemente enquadrada como uma questão de sistemas de agentes, os autores identificam o gargalo subjacente como a compreensão estatutária e de políticas, especificamente a capacidade de recuperar a estrutura não monotônica de textos jurídicos onde cláusulas posteriores restringem as anteriores. Os benchmarks de PLN jurídico existentes (ex: LexGLUE, LegalBench) tipicamente enfatizam resultados de tarefas finais (QA, implicação, predição de julgamento). Essas métricas podem recompensar uma decisão final correta mesmo quando o modelo falha em recuperar a estrutura interna de escopo/sobreposição, mascarando assim as omissões estruturais que causam a SSO.

2. Metodologia: NormBench e SG-DT

2.1 Benchmark NormBench

Para diagnosticar e mitigar a SSO, os autores introduzem o NormBench, um benchmark composto por 2.290 itens de linguagem de provisão em três domínios:

• NormBench-ZH: Provisões estatutárias codificadas em chinês (leis nacionais, regulamentos administrativos, políticas locais).
• NormBench-EN: Regras em inglês de leis fiscais dos EUA, GDPR da UE e políticas corporativas.
• Translinguagem: Pares de tradução oficiais ZH–EN para testar a invariância estrutural.

O conjunto de dados é organizado de controlado (estatutos codificados) para o "mundo real" (políticas operacionais) e inclui 1.790 provisões subjacentes únicas. Ele é anotado com uma representação intermediária específica projetada para o parsing de escopo defensível.

2.2 Árvores Deônticas Baseadas em Intervalos (SG-DT)

A principal contribuição metodológica é o SG-DT, uma representação intermediária (IR) do tipo compilador que ancora cada ramo lógico a intervalos imutáveis de texto de origem. Diferente da geração livre padrão, o SG-DT impõe quatro restrições de design:

1. Auditabilidade Baseada em Intervalos (Span-grounded): Cada nó é um ponteiro para um intervalo de texto específico, permitindo o mapeamento determinístico para assinaturas subsequentes.
2. Decidibilidade sob Defensibilidade: As exceções são compiladas em Guardas de Exclusão Explícitas. Um ramo de regra geral inclui explicitamente uma folha de exclusão apontando para o gatilho da exceção, garantindo que a regra se aplique apenas se a exceção não for atendida. Isso evita a queda silenciosa do escopo final.
3. Avaliação Determinística: A estrutura suporta pontuação estrutural exata e compilação em procedimentos de decisão executáveis.
4. Aprendibilidade: A representação é densa e amigável para seq2seq, evitando ontologias que exijam especialistas.

Detalhes do Esquema:

• Ramos ($B_i$): Definidos por um Âncora (intervalo de gatilho), Modalidade (ex: Obrigação, Proibição), Árvore de Condição ($C$) e Efeitos ($E$).
• Defensibilidade: Tratada via uma Política de Exclusão Explícita. Se uma regra possui um gatilho de exceção $T$, o ramo geral inclui uma folha de exclusão ($\neg T$), e o ramo da exceção inclui $T$ como uma precondição positiva. Isso garante a disjunção lógica ($B_{gen} \land B_{exc} \equiv \text{False}$) sem regras de prioridade heurísticas.
• Profundidade de Recursão ($D$): Definida como o comprimento da cadeia de derrota induzida pela exclusão (ex: $D \ge 2$ para exceções aninhadas).

3. Principais Contribuições

1. NormBench & SG-DT: Um benchmark padronizado e uma IR para avaliar a recuperação de escopo estrutural em textos jurídicos, cobrindo 2.290 itens em domínios controlados e de uso real.
2. Análise de Patologia: Identificação de duas barreiras principais para agentes jurídicos confiáveis:
   • O Gargalo da Recursão: Degradação de desempenho impulsionada pela profundidade lógica (exceções aninhadas) em vez do comprimento do contexto.
   • A Armadilha da Auditabilidade: Modelos recuperam intervalos relevantes com alta fidelidade, mas falham em montar o fluxo de controle correto (anexo de exceções).
3. Intervenção Específica ao Mecanismo: Demonstração de que a utilidade do SG-DT é condicional. Ele melhora significativamente os resultados em casos ativos de exceção/propensos à SSO, onde o resultado depende de um derrotador, mas os ganhos agregados podem ser mistos ou negativos quando a estrutura adicionada é desnecessária ou a fidelidade do parser é baixa.

4. Resultados Experimentais

4.1 Recuperação de Estrutura Intrínseca (Parsing SG-DT)

Avaliações de LLMs de fronteira (ex: GPT-5.2, DeepSeek-V3.2, Claude-Opus-4.5) revelam um Gap de Fundamentação Estrutural (Structure-Grounding Gap):

• Alta Fidelidade, Baixa Lógica: Modelos alcançam alto SpanFaith (0.77) e baixa alucinação, mas baixo Edge-F1 (0.24). Eles conseguem "citar" a regra, mas falham em conectar as exceções corretamente.
• O Paradoxo do Domínio: LLMs de propósito geral de fronteira superam significamente os LLMs jurídicos especializados (ex: ChatLaw, LawGPT). Modelos de domínio jurídico sofrem falhas catastróficas de fundamentação (Edge-F1 ~0.04), sugerindo que seu treinamento prioriza a fluência conversacional em vez de uma disciplina rigorosa de ponteiros baseados em intervalos.
• Decaimento da Recursão: O desempenho cai drasticamente quando a profundidade do derrotador aumenta ($D \ge 2$). Por exemplo, o Edge-F1 do GPT-5.2 cai de 0.22 ($D=0$) para 0.07 ($D \ge 2$).

4.2 Isomorfismo Translinguagem

Em pares bilíngues (ZH–EN), os modelos frequentemente produzem árvores lógicas estruturalmente diferentes para a mesma provisão, apesar de uma qualidade monolíngue semelhante.

• Iso-F1 < 0.40: Mesmo quando a similaridade de edição da árvore (Tree-ES) é moderada, as árvores ZH e EN raramente são isomórficas.
• Ambiguidade de Tradução: Pequenas diferenças na forma como as pistas de escopo (ex: "a menos que" vs. "desde que") são renderizadas podem inverter para qual derrotador uma condição se anexa, criando um risco de "fluxo de controle divergente".

4.3 Utilidade de Jusante (Raciocínio Estatutário)

Usar o SG-DT como uma saída intermediária restrita melhora a fidelidade de toda a árvore e a recuperação de derrotadores, mas os benefícios são específicos ao mecanismo:

• Casos Ativos de Exceção: O SG-DT proporciona ganhos claros (ex: +4.2% no LegalBench para DeepSeek-V3.2) quando os fatos do caso disparam uma exceção ativa.
• Casos Simples: Em casos sem derrotadores ativos, adicionar a estrutura SG-DT pode introduzir overhead ou degradar o desempenho (ex: GPT-4o-mini apresenta quedas de precisão).
• Recursive-CoT: Combinar SG-DT com Chain-of-Thought Recursivo não melhora consistentemente a precisão e pode, às vezes, anular os ganhos ao se desviar da fronteira de decisão nítida.

5. Significância e Alegações

O artigo alega que o principal modo de falha em agentes jurídicos não é a falta de recuperação ou fluência, mas uma falha em materializar exceções aninhadas dentro do fluxo de controle.

• Valor Diagnóstico: NormBench e SG-DT fornecem uma camada diagnóstica necessária que separa falhas de recuperação de falhas de raciocínio, isolando especificamente a patologia da "Omissão Silenciosa de Escopo".
• Auditabilidade: Ao fundamentar cada ramo lógico em intervalos de texto imutáveis e impor guardas de exclusão explícitas, o SG-DT permite a compilação e auditoria determinísticas, abordando a natureza de "caixa preta" do raciocínio jurídico atual por LLMs.
• Utilidade Pragmática: Os autores alegam modestamente que o SG-DT não é uma solução universal de substituição. Seu valor é maior em cenários de alto risco e com muitas exceções, onde o custo da SSO é elevado. Para regras mais simples, o overhead estrutural pode não ser justificado.

O trabalho posiciona o SG-DT como uma representação intermediária voltada para agentes que faz a ponte entre o texto estatutário bruto e procedimentos de decisão executáveis e auditáveis, indo além da extração de componentes superficiais para o modelamento explícito de escopo defensível.