Modelo de Machine Learning para decisão sobre acordos em processos judiciais na esfera civil: o desafio para apuração massificada em Instituição Financeira
Carregando...
Tipo
Tese
Data de publicação
2024-09-05
Periódico
Citações (Scopus)
Autores
Silva, Wellington Prattes da
Orientador
Vallim Filho, Arnaldo Rabello de Aguiar
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Yoshikuni, Adilson Carlos
Peters, Marcos Reinaldo Severino
Santos, Fernando de Almeida
Peters, Marcos Reinaldo Severino
Santos, Fernando de Almeida
Programa
Controladoria e Finanças Empresariais
Resumo
Este estudo investiga o uso de aprendizado de máquina (Machine Learning - ML) para estruturar um processo técnico decisório que auxilie na previsão de acordos judiciais em processos cíveis envolvendo instituições financeiras. A relevância do tema é reforçada por dados do Conselho Nacional de Justiça (CNJ), que indicam 79,5 milhões de processos aguardando decisão até junho de 2023, com quase 16 milhões de novos processos apenas em 2023. A metodologia envolveu a coleta de dados dos Tribunais de Justiça dos estados brasileiros e a aplicação de técnicas de ML, como Regressão Logística, Floresta Aleatória, Árvore de Decisão, Modelos Lineares Generalizados, Deep Learning e Naive Bayes. Os modelos foram treinados e validados com a ferramenta RapidMiner, utilizando tanto a funcionalidade AutoModel quanto modelos construídos manualmente. Os resultados mostraram que a Regressão Logística e a Floresta Aleatória foram os mais eficazes, com acurácia acima de 92% e coeficientes Kappa que indicam concordância quase perfeita, além de uma análise de matrizes de confusão que revelou alta proporção de verdadeiros positivos e negativos. Para validar os modelos, foi realizada uma análise adicional de processos que estavam sem sentença no início do estudo. A validação final demonstrou uma precisão de 93% para acordos e 79% para não acordos, com sensibilidade de 80% e especificidade de 92%, comprovando a eficácia dos modelos preditivos. A originalidade do estudo reside na integração de ML com abordagens teóricas jurídicas, como a Jurimetria, a teoria do processo duplo e da complexidade, resultando em um Processo Técnico Decisório robusto para acordos judiciais. As implicações práticas incluem a melhoria na gestão de riscos e na redução de custos para instituições financeiras, além de provisões mais precisas que afetam positivamente os resultados contábeis e financeiros. As principais contribuições incluem a construção de um Processo Técnico Decisório eficaz, que integra técnicas avançadas de Machine Learning com abordagens teóricas jurídicas para prever acordos judiciais. As limitações envolvem a dependência da qualidade dos dados e a necessidade de ajustes contínuos dos modelos. Conclui-se que a combinação de ML, Jurimetria e teorias jurídicas proporciona uma ferramenta valiosa para apoiar decisões judiciais, destacando a importância de modelos bem calibrados para aumentar a eficiência e a justiça no sistema jurídico.
Descrição
Palavras-chave
contabilidade gerencial estratégica , acordo judicial , jurimetria , machine learning , instituições financeiras , modelos preditivos , provisão