Utilização de redes neurais para previsão da duração de tramitação de processos judiciais no Superior Tribunal de Justiça (STJ)

Abstract

A morosidade na tramitação dos processos judiciais representa um desafio significativo para o Poder Judiciário brasileiro, impactando negativamente a eficiência institucional e a percepção pública sobre a justiça. Este estudo teve por objetivo desenvolver e validar um modelo preditivo baseado em redes neurais artificiais, especificamente Multi-Layer Perceptron (MLP), visando aprimorar a precisão na previsão do tempo integral de tramitação dos processos judiciais no Superior Tribunal de Justiça (STJ). Utilizou-se uma metodologia quantitativa exploratória e explicativa, com destaque para técnicas avançadas de aprendizado de máquina e otimização de hiperparâmetros por RandomizedSearchCV. A base de dados analisada foi extraída do Painel Justiça em Números, disponibilizado pelo Conselho Nacional de Justiça (CNJ), abrangendo mais de 600 mil processos baixados pelo STJ entre janeiro de 2023 e junho de 2024. O algoritmo apresentou resultados significativos, com coeficiente de determinação (R²) de 0,9243 e erro absoluto médio (MAE) de 71 dias. Adicionalmente, a análise de SHapley Additive exPlanations (SHAP Values) identificou o "Órgão Julgador" como a variável mais influente na previsão da duração dos processos, demonstrando sua relevância no contexto estudado. Como contribuição prática, o modelo desenvolvido pode ser integrado ao sistema de gestão processual do STJ, otimizando a alocação estratégica de recursos e proporcionando intervenções antecipadas em casos potencialmente morosos. Este estudo amplia o campo acadêmico sobre aplicações de inteligência artificial no Judiciário.