Identificação automática de casos repetitivos no MPDFT

Abstract

O Ministério Público do Distrito Federal e Territórios (MPDFT) aprecia um volume de casos da ordem de 200 mil novos feitos anualmente. Entre os casos apreciados é notável a ocorrência de casos semelhantes ou repetitivos. O tratamento destes casos pode ser mais célere se os casos semelhantes puderem ser encontrados rapidamente para servirem como embasamento para o caso em tratamento. Até então, o problema é abordado de modo descentralizado entre as diversas equipes de trabalho do órgão. Este trabalho tem o objetivo de avaliar o uso de técnicas de recuperação de informações para viabilizar a identificação automatizada de casos semelhantes. Como prova de conceito, as técnicas de indexação sintática (TF-IDF e BM25) e semântica (Latent Semantic Indexing - LSI e Latent Dirichlet Allocation - LDA) foram avaliadas com o uso de bases de documentos de duas áreas do MPDFT: Procuradorias de Justiça Criminal e Procuradorias de Justiça Criminal Especializada. Além disso, avaliamos o enriquecimento dos modelos obtidos com o uso dos dados cadastrais acumulados acerca dos casos, e também com as citações às normas jurídicas observadas nos documentos. Os modelos foram avaliados com o uso de bases de referência produzidas a partir de amostras extraídas das bases de documentos das Procuradorias de Justiça Criminal e Criminal Especializada. A métrica utilizada para medir a performance dos modelos foi a Normalized Discounted Cumulated Gain - NDCG. Ao final dos experimentos, concluímos que, no âmbito das bases de documentos analisadas, não houve diferença significativa de performance entre as técnicas de indexação semântica e sintática. Além disso, não foi verificado ganho de performance significativo com o enriquecimento dos modelos. Considerando isto, elegemos a técnica BM25 como mais adequada por ter bom equilíbrio entre performance e simplicidade.