Modelo de Machine Learning para decisão sobre acordos em processos judiciais na esfera civil: o desafio para apuração massificada em Instituição Financeira
| dc.contributor.advisor | Vallim Filho, Arnaldo Rabello de Aguiar | |
| dc.contributor.author | Silva, Wellington Prattes da | |
| dc.date.accessioned | 2025-03-01T15:58:16Z | |
| dc.date.available | 2025-03-01T15:58:16Z | |
| dc.date.issued | 2024-09-05 | |
| dc.description.abstract | 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. | |
| dc.description.sponsorship | CNPQ - Conselho Nacional de Desenvolvimento Científico e Tecnológico | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/40063 | |
| dc.language.iso | pt_BR | |
| dc.subject | contabilidade gerencial estratégica | |
| dc.subject | acordo judicial | |
| dc.subject | jurimetria | |
| dc.subject | machine learning | |
| dc.subject | instituições financeiras | |
| dc.subject | modelos preditivos | |
| dc.subject | provisão | |
| dc.title | Modelo de Machine Learning para decisão sobre acordos em processos judiciais na esfera civil: o desafio para apuração massificada em Instituição Financeira | |
| dc.type | Tese | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/2511892257148568 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0003-4100-4975 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/7660684654658807 | |
| local.contributor.board1 | Yoshikuni, Adilson Carlos | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/6436446845747176 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0003-4611-6933 | |
| local.contributor.board2 | Peters, Marcos Reinaldo Severino | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/2958522536547146 | |
| local.contributor.board3 | Santos, Fernando de Almeida | |
| local.contributor.board3Lattes | http://lattes.cnpq.br/4527505611889742 | |
| local.contributor.board3Orcid | https://orcid.org/0000-0002-1716-2802 | |
| local.contributor.coadvisor | Oyadomari, José Carlos Tiomatsu | |
| local.contributor.coadvisorLattes | http://lattes.cnpq.br/5722412463663652 | |
| local.contributor.coadvisorOrcid | https://orcid.org/0000-0003-3059-3102 | |
| local.description.abstracten | This study investigates the use of Machine Learning (ML) to structure a technical decision-making process that assists in predicting judicial settlements in civil cases involving financial institutions. The relevance of the topic is reinforced by data from the National Council of Justice (CNJ), which indicates 79.5 million cases awaiting a decision as of June 2023, with nearly 16 million new cases filed in 2023 alone. The methodology involved collecting data from the State Courts of Justice across Brazil and applying ML techniques such as Logistic Regression, Random Forest, Decision Tree, Generalized Linear Models, Deep Learning, and Naive Bayes. The models were trained and validated using the RapidMiner tool, utilizing both the AutoModel functionality and manually constructed models. The results showed that Logistic Regression and Random Forest were the most effective, with accuracy above 92% and Kappa coefficients indicating almost perfect agreement, along with a confusion matrix analysis that revealed a high proportion of true positives and true negatives. To further validate the models, an additional analysis was performed on cases that had no verdict at the beginning of the study. The final validation demonstrated an accuracy of 93% for settlements and 79% for non-settlements, with sensitivity of 80% and specificity of 92%, confirming the effectiveness of the predictive models. The originality of the study lies in the integration of ML with theoretical legal approaches, such as Jurimetrics, the dual-process theory, and complexity theory, resulting in a robust Technical Decision-Making Process for judicial settlements. The practical implications include improved risk management and cost reduction for financial institutions, as well as more accurate provisions that positively impact accounting and financial results. The main contributions include the development of an effective Technical Decision Making Process, which integrates advanced Machine Learning techniques with legal theoretical approaches to predict judicial settlements. The limitations involve the dependency on data quality and the need for continuous adjustments to the models. It is concluded that the combination of ML, Jurimetrics, and legal theories provides a valuable tool to support judicial decisions, highlighting the importance of well-calibrated models to enhance efficiency and justice in the legal system. | |
| local.keywords | strategic management accounting | |
| local.keywords | judicial agreement | |
| local.keywords | jurimetrics | |
| local.keywords | machine learning | |
| local.keywords | financial institutions | |
| local.keywords | predictive models | |
| local.keywords | provision | |
| local.publisher.department | Centro de Ciências Sociais e Aplicadas (CCSA) | |
| local.publisher.program | Controladoria e Finanças Empresariais | |
| local.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA |