Banca de DEFESA: PAULO HENRIQUE BATISTA RODRIGUES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : PAULO HENRIQUE BATISTA RODRIGUES
DATA : 18/09/2026
HORA: 10:00
LOCAL: https://teams.microsoft.com/meet/240317634498930?p=tfZKRg3ztJ6dUfrcVC
TÍTULO:

LAWBERT: Uma Abordagem Híbrida para Análise e Classificação Automatizada de Documentos Jurídicos

PALAVRAS-CHAVES:

Processamento de Linguagem Natural Aprendizado de Máquina BERT Classificação Jurídica

PÁGINAS: 51
RESUMO:

A crescente quantidade de documentos produzidos e armazenados em sistemas judiciais demanda meca-nismos capazes de apoiar sua análise e classificação. Nesse contexto, esta dissertação propõe, implementa e avalia o LAWBERT, uma abordagem para análise e classificação automatizada de documentos jurídicos que integra técnicas de Processamento de Linguagem Natural, recuperação de informações e aprendizado de máquina. O LAWBERT utiliza o BERT para representação dos textos, o LeNER-Br para identificação de entidades do domínio jurídico, um mecanismo de Geração Aumentada por Recuperação (RAG) para recuperação de informações relacionadas aos documentos e Random Forest (RF) para classificação. A abordagem contempla ainda as etapas de aquisição, preparação, armazenamento e recuperação dos documentos, integradas a uma infraestrutura de Data Hub. Para avaliar o LAWBERT, foram utilizadas 10.000 petições eletrônicas provenientes da Justiça Federal brasileira, coletadas entre janeiro de 2022 e dezembro de 2023. O LAWBERT foi comparado aos algoritmos Random Forest (RF), Rede Neural Perceptron Multicamadas (MLP-NN) e Descida do Gradiente Estocástico (SGD), considerando o tempo de treinamento, o tempo de predição e a acurácia. Os resultados mostram que o LAWBERT apresentou menores tempos de treinamento e predição nos diferentes conjuntos avaliados. No TRF1, foram observadas as maiores diferenças, com tempo de predição aproximadamente 57 vezes menor e tempo de treinamento cerca de 65 vezes menor em comparação ao SGD. Quanto ao desempenho da classificação, o LAWBERT alcançou acurácia de até 0,90, com variações entre os conjuntos analisados. Esses resultados indicam que a abordagem permite integrar representação semântica, recuperação de informações e classificação de documentos jurídicos, mantendo desempenho de classificação próximo ao dos modelos comparados e apresentando menores tempos de treinamento e predição.

MEMBROS DA BANCA:
Externo à Instituição - ANTENOR PEREIRA MADRUGA FILHO - BTW
Interna - ***.792.641-** - EDNA DIAS CANEDO - UFPE
Interno - 2311780 - FABIO LUCIO LOPES DE MENDONCA
Presidente - ***.225.135-** - GERALDO PEREIRA ROCHA FILHO - UnB