From Punishment to Protection: Charting Six Decades of U.S. Juvenile Justice Through Topic Modeling and LLM-Assisted Analysis

Resumo Técnico: Da Punição à Proteção: Mapeando Seis Décadas da Justiça Juvenil nos EUA por meio de Modelagem de Tópicos e Análise Assistida por LLM

Problema
O litígio na justiça juvenil nos Estados Unidos abrange dois fluxos distintos: casos de delinquência (jovens acusados de crimes) e casos de assistência à criança (crianças em risco dentro das famílias). Ao longo dos últimos cinquenta anos, esses fluxos evoluíram dramaticamente, mas a leitura doutrinária tradicional tem dificuldade em identificar padrões de longo prazo através dos mais de 60.000 acórdãos de tribunais de apelação entre 1970 e 2025. A pesquisa existente baseia-se em dados administrativos (prisões, volume de casos) ou erudição de políticas públicas, nenhum dos quais rastreia como as questões jurídicas que os tribunais são solicitados a decidir mudaram ao longo do tempo. Além disso, o estudo de tendências jurídicas multidecada é dificultado pela disponibilidade desigual de dados, normas de confidencialidade e pelo "descompasso temporal", onde o vocabulário jurídico e a doutrina mudam significativamente entre as eras. Este estudo aborda a lacuna na análise sistemática da jurisprudência de tribunais de apelação para compreender a evolução da doutrina da justiça juvenil e identifica riscos críticos para ferramentas de suporte à decisão baseadas em IA treinadas em tais corpora históricos.

Metodologia
O estudo emprega um pipeline de seis estágios, de ponta a ponta, combinando modelagem de tópicos computacional com assistência de Modelos de Linguagem de Grande Escala (LLM) para analisar 60.470 acórdãos de tribunais de apelação do CourtListener (1970–2025).

1. Construção e Pré-processamento de Dados: As opiniões foram coletadas via API, desduplicadas e limpas. A normalização de texto removeu textos padronizados (boilerplate) e fragmentos de citações, preservando o vocabulário doutrinário. Frases jurídicas de múltiplas palavras foram tokenizadas como unidades únicas para garantir a consistência ao longo das décadas.
2. Modelagem de Tópicos Global-Local: Uma arquitetura híbrida foi utilizada para garantir a comparabilidade entre décadas.
   • Um modelo BERTopic Global (usando embeddings de sentença MPNet, UMAP para redução de dimensionalidade e HDBSCAN para agrupamento) foi ajustado ao corpus completo para estabelecer um espaço de tópicos compartilhado, resultando em 182 tópicos substantivos.
   • Modelos Locais por Década foram ajustados independentemente para cada uma das seis décadas (1 anos 1970–2020s).
   • Alinhamento: Os tópicos locais foram mapeados para o inventário global usando similaridade de Jaccard sobre conjuntos de palavras principais (limiar $\ge$ 0,20). Isso permitiu o rastreamento de tópicos estáveis, ao mesmo tempo em que isolou tópicos de "subtemas" específicos de cada era que o modelo global não conseguiu capturar.
3. Diagnósticos de Qualidade: A qualidade dos tópicos foi avaliada por meio de pontuações de coerência UMass e sobreposição lexical de vizinhos mais próximos. Apenas 182 dos agrupamentos iniciais foram retidos como tópicos substantivos, cobrindo 54,7% do corpus; o restante foi excluído como outlier ou texto padronizado.
4. Computação de Tendências: A prevalência foi calculada como uma parcela normalizada por década (opiniões atribuídas a um tópico divididas pelo total de opiniões atribuídas naquela década) para permitir a comparação direta entre décadas de tamanhos variados. Inclines lineares foram ajustados para identificar tendências de ascensão, queda e estabilidade.
5. Classificação e Análise Assistida por LLM:
   • Indução de Temas: Um LLM (Claude) analisou metadados de tópicos (palavras principais, contagens, coerência, tendências) para propor uma taxonomia de 10 temas.
   • Atribuição de Tópicos: O LLM atribuiu cada um dos 182 tópicos a exatamente um tema.
   • Análise Baseada em Evidências: Para tópicos de alto interesse selecionados, o LLM recebeu "pacotes de evidências" contendo textos completos de acórdãos do tópico global, tópicos locais mapeados e subtemas não mapeados. O LLM foi instruído a gerar narrativas jurídicas e arcos doutrinários estritamente baseados no texto fornecido, evitando a dependência de conhecimento jurídico pré-treinado.

Principais Contribuições

• Metodológica: O artigo introduz um pipeline reprodutível e auditável para análise jurídica trans-decadal. Combina uma arquitetura BERTopic global-local com diagnósticos de qualidade integrados e um fluxo de trabalho de dois passos via LLM para descoberta de temas e análise de tendência baseada em evidências.
• Empírica: Fornece a primeira documentação quantitativa de grande escala do reequilíbrio doutrinário na justiça juvenil dos EUA ao longo de seis décadas, identificando 182 tópicos jurídicos distintos organizados em 10 temas.
• Estrutura de Risco: Estabelece uma estrutura de risco de IA baseada em evidências, identificando cinco diretrizes específicas para ferramentas de suporte à decisão na justiça juvenil com base nos padrões de dados observados.

Resultados
A análise revela uma mudança fundamental no sistema de justiça juvenil: de um foco em adjudicação e procedimento para supervisão e assistência à criança.

• Mudanças Temáticas:

  • Ascendentes: Assistência à Criança e Dependência (5,6% para 16,7%) e Registro de Ofensores Sexuais (o tópico de maior crescimento, subindo de 5,0% para 12,9%) são as áreas de crescimento mais rápido. Probação/Supervisão e Detenção/Custódia também viram crescimento significativo antes dos declínios recentes nos volumes de casos.
  • Descendentes: Questões Processuais e Probatórias (caindo de 12,6% para 6,7%) declinaram conforme os direitos de devido processo (estabelecidos por Kent, Gault, Winship) tornaram-se direito consolidado. Transferência Judicial (transferência para o tribunal de adultos) caiu drasticamente (4,6% para 1,0%) à medida que os estados se moveram para estatutos de transferência automática. O caso da Pena de Morte Juvenil declinou após a decisão Roper.
  • Estáveis: Ofensas Juvenis e Adjudicação permaneceram o maior tema (~22–27%), mas viram um declínio relativo conforme outras áreas cresceram.

• Arcos Doutrinários (Análise de LLM):

  • Registro de Ofensores Sexuais (T0): Evoluiu de um foco em devido processo e transferência nas décadas de 1970/80 para um regime complexo de mandatos de registro (Wetterling, Megan's Law, Adam Walsh) nas décadas de 1990/2000, seguido por resistência judicial em relação à proporcionalidade e revisão individualizada nas décadas de 2010/2020.
  • Tráfico de Drogas (T2): Mudou de um modelo de reabilitação na década de 1970 para uma era de "Guerra às Drogas" punitiva (mínimos obrigatórios, responsabilidade de cúmplice) nos anos 80/90, e finalmente para um foco nos danos distintos da fentanil e na recusa de fundir acusações de tráfico nos anos 2010/2020.
  • Assistência à Criança (T6): Transformou-se de uma proteção cautelosa dos direitos parentais (exigindo dano real) para uma doutrina onde a dependência de metanfetamina é tratada como presumivelmente incompatível com a criação segura, impulsionada pelos prazos da ASFA e pelo padrão "as crianças não podem esperar".

• Deriva Vocabular: O estudo descobriu que o vocabulário jurídico muda significamente por década. Por exemplo, termos como "conhecimento carnal" (1970s) deram lugar a "registro de ofensor sexual" (1990s+), e "crack cocaine" (1980s) deu lugar a "fentanil" (2010s+). Modelos globais frequentemente perdem esses subtemas específicos de cada era, que constituem uma parte significativa do litígio.

Significância e Alegações
O artigo afirma que a análise de grande escala e reprodutível de jurisprudência de tribunais de apelação é possível e praticamente útil para a erudição jurídica, mas também destaca limitações críticas para aplicações de IA neste domínio.

1. Dois Sistemas Paralelos: O estudo demonstra que a delinquência e a assistência à criança estão se movendo em direções opostas e desenvolveram vocabulários e lógicas distintas. Ferramentas de IA treinadas em um corpus combinado correm o risco de fundir esses sistemas, levando a raciocínios ou recuperações imprecisas.
2. Descompasso Temporal e Deriva Vocabular: Ferramentas treinadas em dados históricos sem estratificação temporal podem apresentar padrões jurídicos superados (ex: prisão perpétua obrigatória pré-Miller) como direito atual. Além disso, a deriva vocabular significa que ferramentas calibradas em termos de uma era podem falhar em recuperar casos relevantes de outras eras.
3. Fragmentação Jurisdicional: A área de crescimento mais rápido (registro de ofensores sexuais) é altamente fragmentada em variantes específicas de cada estado que rótulos de tópicos globais não conseguem capturar. Ferramentas de IA devem indexar esses subtemas para evitar perder litígios críticos.
4. Tendência vs. Conduta: O artigo enfatiza que as linhas de tendência medem atividade jurídica (o que os tribunais foram solicitados a decidir), não conduta (com que frequência ocorrem ofensas). Um declínio nos casos de transferência reflete mudanças estatutárias que removeram a discricionariedade judicial, não necessariamente uma queda nas ofensas graves.

Os autores concluem que abordar esses riscos — calibração temporal, alinhamento de vocabulário, especificidade jurisdicional e a separação dos sistemas de delinquência e assistência — é um requisito fundamental para qualquer ferramenta de suporte à decisão baseada em IA usada na justiça juvenil. O pipeline serve como um modelo para auditar o raciocínio jurídico e garantir que as ferramentas de IA reflitam padrões modernos em vez de bases punitivas obsoletas.