Mineração de textos para classificação de processos judiciais trabalhistas

Abstract

Atualmente existe uma grande quantidade de processos que tramitam na justiça trabalhista brasileira, o que demanda um alto esforço dos servidores do judiciário e demais envolvidos para dar tratamento a todas as demandas. É possível que a aplicação de técnicas de mineração de textos possa contribuir com a identificação automática de informações relevantes dos processos. Assim, este trabalho aplicou algoritmos de classificação em um conjunto de 241 mil documentos do tipo Recursos Ordinários, extraídos de processos do PJe instalado na Justiça do Trabalho, com o objetivo de encontrar o assunto principal de processos do 2 o grau, considerando 35 assuntos possíveis. Foram comparados os algoritmos Multinomial Naïve Bayes, Multi-Layer Perceptron, Random Forest e SVM. Identificou-se baixo desempenho dos modelos para se encontrar o assunto principal, que negocialmente, pode ser uma escolha subjetiva na maior parte dos processos. Nesta abordagem, chegouse à uma micro precisão máxima de 46,03% com o Multi-Layer Perceptron. Ao fazer uma análise considerando o acerto dos modelos visando não apenas o assunto principal, mas avaliando se o modelo acertou qualquer um dos assuntos existentes no processo, chegouse a uma micro precisão de 75,21% com o Random Forest. Assim, mostrou-se que é possível extrair conhecimento dos documentos para identificação de assuntos, embora a identificação do assunto principal tenha apresentado baixo desempenho.