💻 computer science

Freeing the Law with LOCUS: A Local Ordinance Corpus for the United States

Este artigo apresenta o LOCUS, um corpus abrangente e legível por máquina de quase todas as leis municipais e distritais dos EUA disponíveis publicamente, derivadas via OCR de fontes fragmentadas, acompanhado de camadas de acesso harmonizadas e modelos de IA especializados para permitir a pesquisa e análise jurídica em larga escala de leis locais.

Autores originais: Denis Peskoff, Joe Barrow, Christopher Vu, Diag Davenport

Publicado 2026-06-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Denis Peskoff, Joe Barrow, Christopher Vu, Diag Davenport

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a lei como uma biblioteca imensa e de múltiplas camadas. Durante anos, a IA jurídica (programas de computador que compreendem o direito) foi muito boa em ler os "livros grandes" nas prateleiras superiores: leis federais, estatutos estaduais e casos judiciais. Estas são as regras que se aplicam a todos no país ou a um estado inteiro.

Mas há um nível inteiro de porão na biblioteca que foi trancado e preenchido com poeira: as leis locais. Estas são as regras que sua cidade ou condado criam sobre coisas como zoneamento (onde você pode construir uma casa), níveis de ruído, licenças comerciais e controle de animais.

O artigo apresenta o LOCUS (Local Ordinance Corpus for the United States), que é essencialmente um projeto massivo para desbloquear esse porão, limpar os livros e colocá-los em uma prateleira digital onde os computadores possam finalmente lê-los.

Aqui está uma divisão do que eles fizeram, usando analogias simples:

1. O Problema: Uma Biblioteca Sem Catálogo

Antes do LOCUS, encontrar leis locais era como tentar encontrar uma receita específica em uma biblioteca onde cada cidade tinha seu próprio livro de receitas, mas:

Os livros estavam em diferentes idiomas (formatos).
Alguns eram manuscritos, outros eram datilografados e alguns eram apenas fotocópias de fotocópias (PDFs digitalizados).
Não havia uma lista mestra dizendo qual cidade tinha qual livro.
Você não podia simplesmente perguntar a um bibliotecário (um mecanismo de busca) sobre "todas as regras sobre estacionamento na América", porque os livros estavam espalhados por milhares de sites diferentes projetados para humanos navegarem, não para computadores escanearem.

2. A Solução: O Projeto "LOCUS"

Os autores construíram um pipeline gigante para consertar isso. Pense nisso como uma equipe de robôs com olhos e cérebros superpoderosos:

Os Coletores: Eles enviaram robôs para visitar milhares de sites de cidades e condados para baixar os livros de leis.
Os Tradutores (OCR): Como muitas leis eram apenas imagens de texto (PDFs digitalizados), eles usaram uma IA especial (chamada LightOnOCR) para "ler" as imagens e transformá-las em texto digital, como converter uma carta manuscrita em um documento do Word.
Os Organizadores: Eles limparam o texto, removendo números de página e cabeçalhos, e retalharam os livros massivos em "leis" individuais (como separar uma única receita de um livro de receitas inteiro).
Os Rotuladores: Eles usaram IA para etiquetar cada lei com rótulos como "Isto é sobre edifícios", "Isto é sobre negócios" ou "Isto é sobre ruído".

3. O Resultado: Um Mapa "Harmonizado por Condado"

O produto final é um conjunto de dados que cobre 9.239 cidades e condados. No entanto, para torná-lo útil para pesquisa, eles criaram uma versão simplificada chamada "Camada de Acesso Harmonizada por Condado".

A Analogia: Imagine que você quer estudar o clima em todos os EUA. Você não precisa de um relatório separado para cada esquina; você precisa de um relatório confiável para cada condado.

Para cada condado dos EUA, o LOCUS escolhe o "maior" livro de leis locais disponível (seja o livro do próprio condado ou o livro da maior cidade dentro daquele condado).
Isso não significa que resolve todas as questões jurídicas (como "Posso construir um galpão neste quintal específico?"), mas oferece aos pesquisadores uma base sólida e comparável para estudar as leis locais em todo o país.

4. Dando às Leis uma "Pontuação de Personalidade"

Uma das partes mais legais do artigo é que eles não apenas organizaram o texto; eles deram às leis "pontuações" em quatro traços de personalidade específicos. Eles treinaram a IA para ler uma lei e adivinhar como ela se sente em uma escala:

Opacidade (Confuso vs. Claro): Esta lei é escrita em inglês simples ou é um labirinto confuso de jargões?
Paternalismo (Protegendo Você vs. Protegendo Outros): Esta lei está tentando impedir que você se machuque (como um toque de recolher para crianças) ou está tentando impedir que você machuque outros (como uma ordem de ruído)?
Discricionariedade de Aplicação (Rígido vs. Flexível): A lei dá aos policiais muita margem para decidir o que fazer ou é uma regra rígida de "sim/não"?
Saliência do Problema (Urgente vs. Menor): Esta lei trata o assunto como uma grande emergência ou como um incômodo menor?

Exemplo: Uma lei que diz "Ninguém com menos de 16 anos pode ir a um festival sem um adulto" recebe uma pontuação alta de Paternalismo (está protegendo a criança) e uma pontuação baixa de Opacidade (é muito clara).

5. Por Que Isso Importa

Os autores descobriram que as leis locais não são apenas uma bagunça aleatória. Elas têm uma estrutura oculta.

Cidades tendem a focar em "incômodo" (ruído, animais, ordem pública).
Condados tendem a focar em "zoneamento" (uso do solo, permissões de construção).
Diferentes partes do país têm "sabores" diferentes de leis (ex: as leis da Flórida tendem a ser muito confusas/opacas, enquanto outras leis estaduais são mais claras).

O Ponto Principal

O artigo afirma que, ao "libertar" essas leis locais de seus formatos empoeirados e fragmentados e transformá-las em um conjunto de dados limpo e pesquisável, eles construíram a infraestrutura para a próxima geração de IA jurídica.

Eles não estão alegando que a IA pode agora agir como um juiz ou dar aconselhamento jurídico. Em vez disso, eles estão dizendo: "Finalmente construímos o mapa e a biblioteca. Agora, os pesquisadores podem começar a fazer grandes perguntas sobre como as leis locais funcionam, como elas diferem ao longo do país e como elas afetam a vida cotidiana das pessoas."

Resumo Técnico: Libertando a Lei com o LOCUS

Definição do Problema
O progresso na IA jurídica concentrou-se amplamente em estatutos federais, jurisprudência e contratos, deixando uma camada crítica do direito americano amplamente ausente de corpora legíveis por máquina: as ordenanças locais. Embora os códigos locais governem domínios essenciais do cotidiano, como zoneamento, habitação, licenciamento comercial, saúde pública e controle de animais, eles permanecem fragmentados em plataformas de fornecedores comerciais projetadas para navegação humana, em vez de pesquisa em massa. Essas plataformas carecem de um registro central, utilizam estruturas de navegação inconsistentes e frequentemente apresentam o conteúdo como PDFs gerados dinamicamente ou documentos digitalizados. Consequentemente, não há um acesso sistemático em escala nacional à legislação local, o que dificulta a recuperação, a análise comparativa de políticas e o desenvolvimento de benchmarks de raciocínio jurídico que exijam a navegação por camadas sobrepostas de jurisdição (estado, condado e município).

Metodologia
Os autores introduzem o LOCUS (Local Ordinance Corpus for the United States), um corpus abrangente e uma camada de acesso harmonizada por condado. O pipeline de construção envolve quatro estágios primários:

Coleta de Dados: A equipe coletou dados brutos de 9.239 cidades e condados, totalizando aproximadamente 7 milhões de páginas em mais de 9.000 PDFs. Eles empregaram automação de navegador e lógica específica de cada fornecedor para extrair os códigos, enfrentando desafios como limites de montagem de PDF no lado do servidor, colisões de nomes de arquivos, medidas anti-bot e cidades consolidadas multi-condado.
OCR e Pré-processamento: Para lidar com diversos layouts de documentos (digitalizados, nativos digitais, coluna única/dupla), o pipeline utiliza o LightOnOCR-2-1B, um modelo de linguagem-visão de 1 bilhão de parâmetros baseado no Qwen-3. Este modelo converte imagens de páginas em Markdown. O pós-processamento subsequente remove artefatos (cabeçalhos, rodapés), mescla o conteúdo que atravessa as fronteiras das páginas e segmenta o texto em leis individuais com base em cabeçalhos de seção.
Anotação e Classificação:
- Filtragem de Substantividade: Uma abordagem zero-shot usando o GPT-5.4-nano identifica e remove conteúdo estrutural (ex: tabelas de conteúdo) para reter apenas leis substantivas.
- Classificação: Três classificadores (treinados no ModernBERT-base) categorizam as leis por Função (Regras, Aplicação, Estrutural, Contexto, Processo), Tópico (Edificações, Negócios, Zoneamento, Perturbação, Outros) e Substantividade.
Pontuação Dimensional: Para analisar características jurídicas além da simples categorização, os autores treinaram modelos de regressão para pontuar as ordenanças em quatro dimensões contínuas: Discricionariedade de Aplicação, Opacidade, Paternalismo e Saliência do Problema. Essas pontuações foram geradas via um método de comparação pareada "LLM-as-a-Judge" (200.000 comparações usando GPT-5.4-nano) e calibradas utilizando o sistema de classificação bayesiana TrueSkill. As pontuações resultantes foram normalizadas para z-scores para treinar os regressores finais do ModernBERT.
Estratégia de Harmonização: Para criar uma camada de acesso utilizável, o LOCUS adota uma simplificação transparente: para cada um dos 3.144 condados dos EUA, ele seleciona o código local mais substancial (ou a ordenança do condado ou o código do município de maior porte) com base na extensão do documento. Isso cobre 2.309 condados, representando a maioria da população dos EUA.

Principais Contribuições

Corpus LOCUS-v1: Um lançamento contendo 2.211.516 fragmentos de texto derivados de quase todos os códigos municipais e de condados publicamente disponíveis, cobrindo 9.239 jurisdições.
Camada de Acesso Harmonizada por Condado: Um substrato geográfico reproduzível que cobre os 2.309 maiores condados, permitindo busca e comparação em escala nacional.
Metadados Estruturados: O corpus inclui rótulos de função e tópico para cada segmento, bem como pontuações contínuas para opacidade, paternalismo, discricionariedade de aplicação e saliência do problema.
Suíte de Modelos: Uma coleção de classificadores e pontuadores baseados em ModernBERT liberada junto com o conjunto de dados para facilitar a análise a jusante da legislação local.
Pipeline de Processamento: Uma metodologia aberta para converter leis locais fragmentadas e não legíveis por máquina em Markdown estruturado usando OCR e anotação baseada em LLM.

Resultados e Análise

Cobertura: O corpus bruto abrange 9.239 cidades e condados. A camada harmonizada cobre 2.309 condados, contabilizando a maioria da população dos EUA.
Distribuição de Conteúdo: A maior parte do corpus consiste em leis substantivas (Regras e Aplicação), cobrindo principalmente edificações, licenciamento de negócios, zoneamento e perturbação.
Desempenho do Modelo: Os pontuadores treinados baseados em BERT alcançaram alta correlação com o ground truth do TrueSkill, com coeficientes de correlação de Pearson variando de 0,82 a 0,94 entre as quatro dimensões.
Achados Empíricos:
- Opacidade vs. Paternalismo: Estas dimensões são apenas fracamente correlacionadas ( $r=0,11$ ), indicando que capturam características jurídicas distintas.
- Diferenças Jurisdicionais: Códigos de condados contêm substancialmente mais material de zoneamento, enquanto códigos municipais contêm mais regulamentação de perturbação e ordem pública.
- Variação Regional: As leis da Flórida foram encontradas como significativamente mais opacas que outros estados. No Nordeste, os condados parecem menos focados em zoneamento e mais orientados para a aplicação da lei em comparação com a média nacional, refletindo diferentes histórias institucionais.
- Padrões Estruturais: Os códigos locais exibem uma arquitetura documental recorrente (ex: disposições gerais seguidas por regulamentação de negócios, depois zoneamento), sugerindo que a posição dentro de um código carrega peso semântico.

Significância e Alegações
O artigo posiciona o LOCUS não como uma teoria final da autoridade jurídica local, mas como infraestrutura para recuperação jurídica, extração regulatória e análise comparativa de políticas. Os autores argumentam que "libertar a lei" não é meramente um problema de acesso, mas de representação. Ao tornar a lei local observável em escala nacional, o LOCUS transforma um corpo fragmentado de autoridade pública em um objeto estruturado para análise computacional.

Os autores enfatizam que, embora a camada harmonizada simplifique a complexidade jurisdicional, ela fornece um substrato necessário para futuros benchmarks que testem a capacidade de um sistema de raciocinar sobre autoridades sobrepostas (estado vs. local, cidade vs. condado). O conjunto de dados permite o estudo de dimensões jurídicas (como opacidade e paternalismo) em uma escala anteriormente impossível, movendo a IA jurídica de uma simples recuperação de texto para o raciocínio necessário para navegar na natureza em camadas do direito americano. O artigo conclui que reconhecer as variações estruturais e funcionais na legislação local é essencial para construir sistemas de IA jurídica confiáveis.