ArguGenCourt: Courtroom Argument Generation using Judicial Multi-agent Large Language Models

No mundo de alto risco do direito, a decisão de um juiz é raramente um ato solitário de leitura de um arquivo. É o culminar de uma conversa dinâmica e, muitas vezes, tensa. Um caso começa com fatos, mas é moldado pelo vai e vem entre um juiz, que busca clareza, e dois lados opostos: o peticionário, que traz o caso adiante, e o respondente, que se defende contra ele. Durante décadas, pesquisadores tentaram ensinar computadores a prever o desfecho dessas batalhas jurídicas. Eles alimentaram máquinas com vastas bibliotecas de casos passados, esperando que os algoritmos pudessem detectar os padrões que levam a um veredito específico. No entanto, a maioria dessas tentativas tratou o direito como um quebra-cabeça estático, focando apenas nos fatos escritos de um caso, enquanto ignoravam o argumento vivo e pulsante que acontece no tribunal. Eles negligenciaram, em grande parte, o fato de que a decisão final muitas vezes depende de quão bem um advogado consegue argumentar um ponto em tempo real, respondendo às perguntas de um juiz e contrapondo as alegações de um oponente.

Essa lacuna de compreensão foi o que uma equipe de pesquisadores de instituições da Índia e da Universidade de Glasgow buscou preencher. Eles fizeram uma pergunta simples, mas profunda: pode a inteligência artificial não apenas ler um caso, mas realmente simular a conversa de um tribunal? Para descobrir, eles construíram um ambiente digital onde programas de computador, atuando em funções jurídicas distintas, pudessem conversar entre si. Eles não queriam apenas que o computador adivinhasse o vencedor; eles queriam ver se o computador poderia gerar o tipo de argumento que um advogado real faria, completo com a nuance, estratégia e responsividade exigidas em um julgamento real. O objetivo era criar um sistema que pudesse ajudar advogados a se prepararem para perguntas inesperadas ou ajudar estudantes de direito a praticar em um ambiente seguro e realista, tudo isso enquanto testavam se essas conversas digitais poderiam, de fato, melhorar a precisão na previsão de resultados jurídicos.

Os pesquisadores criaram um sistema que chamaram de ArguGenCourt, que funciona como um tribunal virtual povoado por três agentes de inteligência artificial. Um agente desempenha o papel de juiz, outro o de peticionário e o terceiro o de respondente. Diferente das tentativas anteriores que dependiam de um único programa de computador para fazer todo o pensamento, essa configuração força os agentes a interagir. O juiz faz perguntas baseadas nos detalhes do caso, e o peticionário e o respondente devem formular respostas que defendam suas posições ou desafiem o outro lado. O sistema é projetado para lembrar o fluxo da conversa, garantindo que, quando o juiz fizer uma pergunta de acompanhamento, as respostas dos advogados sejam consistentes com o que disseram anteriormente. Isso mimetiza a continuidade de um julgamento real, onde um advogado não pode simplesmente repetir um ponto sem abordar as preocupações específicas do juiz.

Para tornar esses advogados digitais eficazes, os pesquisadores tiveram que ensiná-los a argumentar. Eles experimentaram diferentes maneiras de fornecer exemplos de bons argumentos à IA. Um método era simplesmente dar à IA os fatos do caso e pedir que ela falasse, uma técnica conhecida como aprendizado zero-shot (zero-shot learning). Outra abordagem envolvia mostrar à IA exemplos de casos passados que fossem semelhantes ao que ela estava lidando no momento. Os pesquisadores descobriram que a estratégia mais bem-sucedida foi usar um método que chamaram de recuperação de precedente local (local precedent retrieval). Nessa abordagem, o sistema varre um banco de dados de 1.428 casos passados da Suprema Corte para encontrar os que mais se assemelham ao caso atual. Em seguida, ele extrai as palavras reais ditas por advogados naqueles julgamentos passados similares e as utiliza como guia para a conversa atual. Isso é análogo a um advogado entrando em um tribunal com um caderno de notas de casos que aconteceram exatamente como o seu, usando esses exemplos do mundo real para moldar seus próprios argumentos.

Os resultados desta simulação foram impressionantes. Quando os pesquisadores compararam os argumentos gerados pelo seu sistema multiagente com transcrições reais de tribunais reais, descobriram que o sistema que utilizava a recuperação de precedente local produzia argumentos significativamente melhores do que aqueles gerados por métodos mais simples. A qualidade dos argumentos melhorou cerca de 12 por cento em comparação com a abordagem básica onde a IA não recebia exemplos. O sistema não produziu apenas texto que parecia linguagem jurídica; ele produziu argumentos que estavam semanticamente alinhados com o raciocínio jurídico real. Para medir isso, a equipe desenvolveu uma nova ferramenta de avaliação chamada ArguEval. Esta ferramenta não apenas conta palavras correspondentes, o que pode ser enganoso no direito, mas analisa se o significado e a intenção do argumento do computador correspondem à intenção do argumento de um advogado humano real. A avaliação mostrou que o sistema multiagente, onde o juiz, o peticionário e o respondente conversam entre si, superou consistentemente sistemas onde um único agente tentava fazer tudo sozinho.

O verdadeiro teste deste sistema, no entanto, não foi apenas o quão bem ele soava, mas se ele poderia realmente ajudar a resolver problemas jurídicos. Os pesquisadores pegaram os argumentos gerados pelo seu tribunal de IA e os utilizaram como entrada para uma tarefa que prevê o julgamento final de um caso. Eles queriam ver se alimentar um modelo de previsão com essas conversas ricas e simuladas tornaria o modelo melhor em adivinhar o desfecho do que se fosse fornecido apenas os fatos brutos. Os resultados confirmaram sua hipótese. Quando o modelo de previsão foi guiado pelos argumentos gerados através da simulação multiagente, sua precisão na previsão do veredito melhorou em 14 por cento sobre o método de linha de base. Isso sugere que a qualidade do argumento importa profundamente. Um computador que entende o vai e vem de um julgamento, em vez de apenas os fatos estáticos, pode fazer previsões muito mais precisas sobre como um juiz irá decidir.

O estudo também destacou a importância das funções específicas dentro da simulação. Os pesquisadores descobriram que, quando os agentes eram permitidos colaborar e responder uns aos outros, o sistema capturava a complexidade do raciocínio jurídico muito melhor do que quando trabalhavam isoladamente. O agente juiz, por exemplo, foi capaz de fazer perguntas de esclarecimento que forçaram o peticionário e o respondente a refinar seus pontos, levando a um conjunto de argumentos mais robusto. Essa interação dinâmica foi crucial. Demonstrou que o caminho para uma decisão jurídica não é uma linha reta do fato ao veredito, mas um caminho sinuoso de investigação e resposta. Ao simular esse caminho, os pesquisadores mostraram que a inteligência artificial pode ir além da simples correspondência de padrões para se envolver em uma forma de raciocínio que espelha a prática jurídica humana.

Embora o sistema tenha mostrado grande potencial, os pesquisadores foram cautelosos ao notar suas limitações. A simulação foi conduzida utilizando dados da Suprema Corte dos Estados Unidos, e os argumentos foram gerados por modelos de linguagem de grande escala que, embora poderosos, ainda são simulações do pensamento humano. O estudo não alegou que esses agentes de IA poderiam substituir advogados ou juízes humanos. Em vez disso, posicionou o sistema como uma ferramenta de preparação e educação. A capacidade de gerar contra-argumentos realistas pode ajudar advogados praticantes a antecipar as perguntas que um juiz possa fazer ou os pontos que um oponente possa levantar. Para estudantes de direito, oferece uma maneira de praticar em um ambiente realista sem a pressão de um tribunal real. Os pesquisadores vislumbram um futuro onde tais ferramentas sejam expandidas para cobrir mais áreas do direito e integradas com bases de conhecimento jurídico mais profundas, potencialmente preenchendo a lacuna entre o estudo teórico do direito e sua aplicação prática.

Em última análise, este trabalho representa uma mudança na forma como pensamos sobre a inteligência artificial no campo jurídico. Ele desloca o foco de simplesmente prever o desfecho de um caso para compreender o processo que leva a esse desfecho. Ao construir um sistema que simula a conversa de um tribunal, os pesquisadores mostraram que a qualidade do argumento é tão importante quanto os fatos em si. As descobertas sugerem que, para verdadeiramente entender o direito, as máquinas devem aprender a argumentar, não apenas a ler. À medida que a tecnologia evolui, esses tribunais digitais podem se tornar parceiros inestimáveis na busca pela justiça, oferecendo uma nova maneira de explorar as complexidades do raciocínio jurídico e preparando a próxima geração de mentes jurídicas para as realidades do tribunal.