💻 computer science

Predicting Case Processing Duration in Kenyan Magistrate Courts: A Three-Stage Machine Learning Pipeline for Proactive Backlog Management

Este estudo introduz um pipeline de aprendizado de máquina de três estágios, validado em mais de 670.000 casos de tribunais de magistrados quenianos, que utiliza modelos LightGBM e CatBoost para prever durações de processamento de casos e classificar arquivamentos no mesmo dia, permitindo, assim, o gerenciamento proativo de acúmulo de processos por meio de um esquema de risco derivado empiricamente e de uma aplicação web implantada.

Autores originais: Anuary Mulombi, Fidelis Mukudi, Anthony Mile

Publicado 2026-08-10

📖 9 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Anuary Mulombi, Fidelis Mukudi, Anthony Mile

Artigo original sob licença CC BY 4.0 (https://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 uma biblioteca gigante e movimentada onde milhões de livros são constantemente registrados e retirados. Nesta biblioteca, os bibliotecários estão sobrecarregados. Alguns livros são devolvidos no mesmo dia em que foram retirados, mas outros se perdem nas estantes por anos, criando uma enorme pilha de "atraso" (backlog) que ninguém consegue resolver. Isso não é apenas sobre livros; é sobre justiça. Quando processos (os "livros") ficam parados por muito tempo, as pessoas perdem a fé no sistema, e seus direitos a um julgamento justo e célere são adiados. Por muito tempo, os bibliotecários só consegravam contar os livros que já haviam sido processados; eles não tinham como prever quais novos livros ficariam presos na pilha antes mesmo de saírem da mesa.

Entre no mundo do Aprendizado de Máquina (Machine Learning), um ramo da ciência da computação onde ensinamos computadores a encontrar padrões na história, de forma muito semelhante a um detetive estudando antigos locais de crimes para resolver novos mistérios. Em vez de adivinhar, esses computadores analisam milhares de casos passados para aprender o que faz um caso andar rápido ou ficar travado. A ideia central aqui é a análise preditiva: usar dados do passado para prever o futuro. Se um computador puder nos dizer: "Este novo caso se parece com aqueles que levaram cinco anos", podemos impedi-lo de se perder na pilha antes mesmo de começar. É exatamente isso que os pesquisadores deste estudo buscaram fazer para os tribunais no Quênia, transformando um sistema reativo (corrigindo problemas depois que eles acontecem) em um proativo (impedindo que os problemas cresçam).

A Bola de Cristal de Três Estágios para Processos Judiciais

Nos tribunais de magistrados do Quênia, onde ocorre mais de 80% de todos os negócios jurídicos, um enorme acúmulo de processos vem sendo construído. Em meados de 2025, havia mais de 127.000 casos aguardando para serem ouvidos. O sistema de computador existente, chamado Integrated Case Management System (ICMS), é ótimo para registrar o que já aconteceu, mas é cego para o que pode acontecer. Ele não sabe quais novos casos têm probabilidade de se tornar os "super-lentos" que entopem o sistema.

Para resolver isso, os pesquisadores construíram um pipeline de aprendizado de máquina de três estágios. Pense neste pipeline como uma máquina de triagem de alta tecnologia em um correio que não apenas carimba cartas; ela prevê quanto tempo cada carta levará para chegar ao seu destino e sinaliza aquelas que podem se perder.

Estágio 0: A Armadilha de Velocidade do "Mesmo Dia"

O primeiro trabalho desta máquina é identificar os casos "express". Cerca de 29% de todos os casos no Quênia são resolvidos no próprio dia em que são registrados. Os pesquisadores treinaram um modelo de computador para observar um novo caso no momento em que ele chega e perguntar: "Este é um caso rápido ou será uma maratona?"
Eles testaram quatro "cérebros" de computador (algoritmos) diferentes para ver qual era o melhor para isso. O vencedor foi o LightGBM, que identificou corretamente os casos do mesmo dia com um alto nível de precisão (uma pontuação de 0,9148). Se o computador diz "Mesmo Dia", o caso recebe uma luz verde e segue adiante sem mais atrasos. Se diz "Multi-Dias", o caso segue para o próximo estágio.

Estágio 1: A Bola de Cristal do "Tempo de Registro"

Uma vez que um caso é sinalizado como uma maratona de "multi-dias", o sistema precisa adivinhar quanto tempo a corrida levará. Esta é a parte difícil porque o caso ainda nem começou sua jornada. O computador olha apenas para as informações disponíveis no momento em que o caso é registrado: o tipo de caso, quantos advogados estão envolvidos, quão ocupado é o juiz específico e se o tribunal está em uma cidade ou em uma área rural.
Usando dados de quase 673.000 casos passados, o modelo LightGBM provou ser o campeão novamente. Ele conseguiu prever a duração de um caso com uma margem de erro de cerca de 444 dias. Embora isso pareça muito, ele explicou cerca de 62% das razões pelas quais os casos demoram tanto. Isso significa que, apenas olhando a papelada no primeiro dia, o sistema pode dizer a um juiz: "Este caso parece que levará cerca de 1,5 ano" ou "Este pode se arrastar por quatro anos".

Estágio 2: O Rastreador de "Atualização em Tempo Real"

A jornada não termina na mesa de registro. À medida que o caso avança pelo tribunal, ele acumula histórico: audiências são realizadas, adiamentos são concedidos e atrasos acontecem. O terceiro estágio do pipeline é um modelo dinâmico que atualiza a previsão conforme o caso progride.
Imagine um GPS que não fornece apenas um tempo de chegada quando você sai de casa, mas recalcula o tempo toda vez que você encontra um congestionamento. Este modelo de Estágio 2 (alimentado por um outro cérebro de computador chamado CatBoost) pega a nova informação — como o número de audiências que ocorreram ou quanto tempo durou o primeiro encontro — e revisa a estimativa.
Os resultados aqui foram impressionantes. Enquanto a estimativa inicial (Estágio 1) tinha um erro de 444 dias, a estimativa atualizada (Estágio 2) reduziu esse erro para apenas 80,83 dias. Isso mostra que, à medida que o caso avança, o computador torna-se muito melhor em saber exatamente quando terminará.

O Dashboard "JaliHaki": Colocando Tudo em Prática

Os pesquisadores não pararam apenas na matemática; eles construíram uma ferramenta do mundo real chamada JaliHaki (que significa "guardar ou proteger a justiça" em Swahili). Este é um aplicativo web que se conecta diretamente ao sistema de computador do tribunal.

Para Administradores do Tribunal: Mostra um painel com uma lista de casos, codificados por cores de risco. Um caso de "Baixo Risco" é verde e precisa de monitoramento de rotina. Um caso de "Risco Crítico" é vermelho e precisa de atenção imediata de um juiz sênior.
Para Magistrados: Oferece uma visão pessoal de sua carga de trabalho, alertando-os se um caso atribuído a eles está começando a entrar na zona "Crítica".
Para Litigantes (O Público): Oferece uma estimativa em linguagem simples. Em vez de jargões jurídicos confusos, uma pessoa registrando um caso pode ver: "Seu caso tem uma estimativa de levar 5 anos e está atualmente na categoria de Alto Risco".

O Que Impulsiona os Atrasos?

Ao usar uma técnica chamada análise SHAP (que funciona como uma lupa para ver quais fatores importam mais), os pesquisadores descobriram os principais culpados pelos atrasos:

Carga de Trabalho por Magistrado: Quando um juiz tem muitos casos, tudo desacelera.
Representação Legal: Se uma das partes possui advogado ou não altera o cronograma.
Natureza do Caso: Casos criminais tendem a se mover mais rápido (mediana de 90 dias para casos de multi-dias) do que casos civis (mediana de 547 dias).
Atraso na Primeira Menção: Quanto tempo leva para realizar a primeira audiência é um grande preditor do atraso final.
Audiências Acumuladas: Quanto mais audiências um caso possui, mais tempo ele tende a levar.

Curiosamente, o estudo descobriu que os Tribunais Urbanos (em grandes cidades) levavam mais tempo para processar casos de multi-dias (mediana de 275 dias) do que os Tribunais Rurais (mediana de 99 dias). Isso parece contraintuitivo, mas os pesquisadores explicam usando o conceito de Teoria das Filas (Queueing Theory): mesmo que um tribunal urbano seja bem equipado, o volume massivo de casos cria uma "fila de espera" mais longa, atrasando a todos.

O Sistema de Risco de Quatro Níveis

Para tornar as previsões úteis para pessoas reais, a equipe criou um sistema simples de quatro níveis de risco baseado nas previsões do computador:

Baixo Risco (≤ 218 dias): Monitoramento de rotina.
Médio Risco (218–564 dias): Revisão programada.
Alto Risco (564–1.283 dias): Intervenção imediata necessária.
Risco Crítico (> 1.283 dias): Escalar imediatamente para um magistrado sênior.

Este sistema permite que o tribunal identifique os casos de "Risco Crítico" (que compõem cerca de 10,5% dos novos registros) logo no início e tome medidas antes que eles se tornem parte do enorme acúmulo de processos.

O Que o Estudo Faz e Não Faz

Os pesquisadores são cuidadosos ao notar que seu modelo é uma ferramenta de previsão, não uma varinha mágica. Eles afirmam explicitamente que o modelo aprende com dados históricos, o que significa que ele reflete as realidades atuais do sistema judicial, incluindo quaisquer desigualdades existentes entre diferentes condados ou tipos de tribunais. Eles alertam que a precisão do modelo para tribunais rurais pode precisar de mais testes, pois havia menos casos rurais em seus dados.

Eles também esclarecem que o "ano de registro" foi um dos principais preditores, mas não porque os tribunais estão ficando mais rápidos ou mais lentos ao longo do tempo. Em vez disso, é uma peculiaridade matemática: casos registrados recentemente não tiveram tempo suficiente para terminar, então o computador os vê como "mais curtos" simplesmente por serem novos. Os pesquisadores ajustaram isso para garantir que as previsões fossem justas.

A Conclusão

Este estudo prova que, com os dados que os tribunais já possuem, podemos construir um sistema que prevê atrasos de casos com uma precisão surpreendente. Ao usar um pipeline de três estágios, os tribunais do Quênia podem agora passar de reagir aos atrasos para preveni-los. O aplicativo JaliHaki transforma matemática complexa em um painel simples, codificado por cores, que ajuda juízes, escrivães e o público a entender o cronograma da justiça. Embora o modelo não seja perfeito (ainda possui uma margem de erro de cerca de 80 dias para as previsões atualizadas), ele representa um salto enorme no uso da tecnologia para proteger o direito a um julgamento célere. O estudo sugere que, se essas ferramentas forem adotadas, os tribunais poderão identificar os casos que mais precisam de ajuda, desde o momento em que são registrados, garantindo que a justiça não se perca nas estantes.

Resumo Técnico: Predição da Duração do Processamento de Casos em Tribunais de Magistrados no Quênia

Definição do Problema
Os tribunais de magistrados quenianos lidam com mais de 80% dos negócios judiciais do país, mas sofrem com uma severa crise de acúmulo de processos (backlog), que representava 75% do acúmulo nacional em junho de 2025. Embora o Sistema Integrado de Gestão de Casos (ICMS) do Judiciário registre eventos históricos de casos, ele carece de capacidades preditivas para identificar quais novos processos têm probabilidade de sofrer atrasos no momento do registro. Consequentemente, a gestão de casos permanece reativa, identificando o acúmulo apenas após este ter se materializado, o que infringe o direito constitucional à justiça sem demora.

Metodologia
O estudo utiliza uma extração de censo de 744.340 casos encerrados, registrados entre janeiro de 2011 e março de 2026. Após a limpeza e validação, 672.974 registros foram retidos. A pesquisa propõe e valida um pipeline de aprendizado de máquina de três estágios:

Estágio 0 (Triagem): Um classificador binário que distingue entre "despachos no mesmo dia" (28,98% dos casos) e "procedimentos de múltiplos dias". Este estágio utiliza uma divisão estratificada de 80/20 sobre o conjunto de dados completo.
Estágio 1 (Predição no Momento do Registro): Um modelo de regressão que prediz a duração total do caso usando apenas características disponíveis no momento do registro (ex: natureza do caso, representação jurídica, carga de trabalho do magistrado). Este estágio é treinado exclusivamente nos 477.952 casos de múltiplos dias usando uma divisão aleatória de 80/20.
Estágio 2 (Progressão Dinâmica): Um modelo de regressão que atualiza a predição de duração conforme o histórico processual se acumula (ex: número de audiências, atrasos por adiamentos). Este estágio utiliza uma divisão 80/20 baseada no tempo (os 80% mais antigos para treinamento, os 20% mais recentes para teste) para simular a implementação no mundo real.

Dados e Características
O estudo introduz uma classificação formal das estações judiciais em categorias Urbana, Semiurbana e Rural, baseada na Lei de Áreas e Cidades Urbanas do Quênia e dados do Censo. Engenharia de características inclui:

Grupo A (Momento do Registro): Características temporais, proporções de pessoal, proxies de complexidade do caso e especialização do tribunal.
Grupo B (Dinâmico): Histórico processual, como atraso na primeira menção, total de adiamentos e eficiência das audiências.
Exclusão: O resultado final do caso foi explicitamente excluído para evitar vazamento de dados (data leakage).

Seleção e Ajuste de Algoritmos
Quatro algoritmos de conjunto (ensemble) foram avaliados: Random Forest, XGBoost, LightGBM e CatBoost. O ajuste de hiperparâmetros envolveu o ajuste de linha de base (baseline fitting), RandomizedSearchCV e GridSearchCV sob validação cruzada de cinco dobras agrupada (agrupada por court_id) para evitar vazamento de informação. O SHAP (SHapley Additive exPlanations) foi utilizado para interpretabilidade do modelo.

Principais Resultados

Estágio 0 (Classificação): O LightGBM obteve o melhor desempenho com um ROC-AUC de 0,9148 e um recall de 0,8659, triando efetivamente os casos de despacho no mesmo dia.
Estágio 1 (Regressão no Momento do Registro): O LightGBM teve o melhor desempenho com um RMSE de 444,25 dias e um $R^2$ de 0,6157, explicando aproximadamente 62% da variância da duração usando apenas dados do momento do registro.
Estágio 2 (Regressão Dinâmica): O CatBoost alcançou o menor RMSE de 80,83 dias no conjunto de teste cronologicamente retido. Embora o $R^2$ fosse menor (0,2724) devido à censura à direita no conjunto de teste recente, a redução do erro absoluto (de ~444 para ~81 dias) demonstra o valor do histórico processual.
Importância das Características: A análise SHAP identificou a carga de trabalho por magistrado, representação jurídica, natureza do caso, atraso na primeira menção e audiências acumuladas como os principais impulsionadores de atraso.
Classificação de Risco: Um esquema de risco de quatro níveis derivado empiricamente (Baixo, Médio, Alto, Crítico) foi estabelecido usando os percentis da distribuição de duração predita, com limiares em 218, 564 e 1.283 dias.

Implementação: Aplicação Web JaliHaki
Os modelos foram operacionalizados em uma aplicação web baseada em Laravel chamada JaliHaki, integrada a uma API REST em Flask. O sistema fornece:

Painel do Administrador do Tribunal: Exibe a carga de trabalho por nível de risco, métricas de conformidade e permite ações de "Atualizar Predição" para acionar os modelos do Estágio 2.
Painel do Magistrado: Mostra resumos da carga de trabalho ativa e classificações de risco para os casos atribuídos.
Portal do Litigante: Fornece estimativas de duração em linguagem clara e selos de risco no momento do registro.
O fluxo de trabalho é atômico: após a submissão do caso, os Estágios 0 e 1 são invocados; se o caso for de múltiplos dias, um nível de risco é atribuído. O Estágio 2 é acionado sempre que novos procedimentos são registrados.

Significância e Alegações
O artigo alega três contribuições primárias:

Inovação Metodológica: É o primeiro estudo a combinar um classificador de despacho no mesmo dia, um modelo de regressão no momento do registro e um modelo de regressão de progressão dinâmica em um único pipeline para qualquer sistema judicial.
Aplicação Contextual: Aplica esta arquitetura especificamente aos dados dos tribunais de magistrados do Quênia, cobrindo casos civis e criminais, estendendo trabalhos anteriores que eram frequentemente limitados a casos criminais ou análise descritiva.
Integração Operacional: Diferente de estudos anteriores que permanecem teóricos, este trabalho produz uma aplicação web implantável (JaliHaki) que integra o pipeline diretamente aos fluxos de trabalho da administração judicial.

Os autores afirmam que a predição de duração de casos baseada em evidências e significativa é alcançável usando os registros administrativos existentes sem nova infraestrutura de dados. O estudo conclui que a transição de uma gestão de acúmulo reativa para uma proativa é viável, permitindo a identificação imediata de casos de "Risco Crítico" (aprox. 10,5% dos casos de múltiplos dias) que requerem escalonamento para magistrados seniores.

Limitações
Os autores observam três restrições:

Censura à Direita: Casos registrados recentemente têm menos tempo para serem encerrados, afetando as métricas do Estágio 2 e a proeminência da característica filing_year (ano de registro).
Sub-representação Rural: Embora 34% das estações sejam rurais, elas contribuem com apenas 2,3% dos registros de casos, necessitando de validação adicional para o desempenho específico em áreas rurais.
Tratabilidade de Busca: As buscas de hiperparâmetros foram realizadas em subamostras (até 40.000 registros), sugerindo potencial para melhorias marginais com buscas mais exaustivas.