Recuperação de Informações aplicada a área jurı́dica

Rhuan Barros1
1
Instituto de Informática – Universidade Federal do Rio Grande do Sul (UFRGS)
Porto Alegre – RS – Brazil; rhuanbarros@gmail.com

Resumo. A área jurı́dica vem se tornando cada vez mais foco de aplicações
técnológicas cujo objetivo é melhorar a recuperação de informações. Nesse
ı́nterim, algumas conferências especilizadas vem incentivando pesquisadores a
desenvolver novas ferramentas e a discutirem os impactos que ainda podem ser
desenvolvidos. Entretanto, é possı́vel observar que o ramo ainda não apresenta
resultados de pesquisas consolidados. Assim, este trabalho busca relacionar os
diversos esforços em busca da otimização da recuperação de informações de
documentos jurı́dicos, de modo a relacionar os principais resultados e tecnolo-
gias utilizadas.

1. Introdução
O Direito representa papel extremamente importante na sociedade não somente para ad-
vogados ou para operadores do Direito de modo geral, como também para os cidadãos no
seu dia-a-dia. Advogados precisam diariamente realizar pesquisas por leis e resoluções,
além de processos judiciais de modo a buscar inspiração para a construção de novos ar-
gumentos.
Por outro lado, juı́zes e operadores do Direito precisam conhecer as sentenças
de desembargadores de nı́veis superiores de modo a embasar suas decisões. Também os
cidadãos precisam buscar conhecimento jurı́dico para compreenderem decisões judiciais a
que sejam sentenciados, além de buscar conhecimento das Leis que regem suas atividades
de modo a não realizarem infrações legais.
Em virtude da grande importância que o Direito tem na sociedade, o Congresso
Nacional Brasileiro encomendou uma pesquisa para avaliar a razoabilidade do estabe-
lecimento de valores de danos morais pelo Poder Judiciário [Salama et al. 2010]. Essa
pesquisa analisou manualmente 1044 acórdãos em busca de dados concretos sobre danos
morais, como valores para pagamento sentenciados em cada ramo da Justiça. Conforme
relatado pelos autores, houve grande dificuldade para acessar a imensa quantidade de
decisões que tratam do cálculo de danos morais.
Ademais, novas soluções tecnológicas estão sendo implementadas com intuito
de aumentar a eficiência judiciária brasileira. Assim, em 2011 o Conselho Nacional de
Justiça (CNJ) iniciou a implantação do Processo Judicial Eletrônico (PJe), o qual permite
a tramitação do processo de maneira digital em sistema computacional [PJE ].
Apesar disso, pouco foi investido pelo Governo Brasileiro em ferramentas que oti-
mizem a recuperação de informações jurı́dicas. Como observado por [Barros et al. 2018]
os sistemas de buscas governamentais apresentam simples consultas por palavras-chave
ou com operadores lógicos em uma interface defasada, além de apresentarem resultados
em alguns momentos inconsistentes.
 Desse modo, torna-se imensamente importante a aplicação de técnicas de
recuperação de informações no contexto jurı́dico de forma a se obter conhecimento de
maneira otimizada e precisa. Assim, objetivando fomentar a pesquisa nessa área, são rea-
lizadas conferências especı́ficas, como a International Conference on AI and Law (ICAIL)
que levou a criação do Artificial Intelligence and Law Journal, com publicações a partir de
1992. Também é realizado o Jurix, com foco principalmente no contexto legal europeu, e
o JURISIN no Japão. Além disso, durante certo tempo foi realizado o NAiL, International
Workshop on Network Analysis in Law.
Enfim, este artigo busca relacionar os principais trabalhos que aprimoram a
recuperação de informações em contextos relacionados ao Direito. Desse modo, os traba-
lhos dicutidos foram relacionados em função das principais tecnologias utilizadas.
Assim, primeiramente foram abordados conceitos pertencentes ao Direito e
também são realizadas algumas diferenciações entre Legal Expert Systems (LES) and
Legal Information Retrieval (LIR). Por isso, são expostos trabalhos que abordam a mo-
delagem conceitual de casos judiciais e argumentos que são utilizados fundamentalmente
pelos LES. Por outro lado, são discutidos os trabalhos que utilizam ontologias para a
representação de conceitos. Além disso, são analisados os trabalhos que realizam extração
de informações que otimizam sistemas de buscas por meio de agregações. Finalmente,
são comentados artigos que tratam de outras aplicações não relacionadas nas categorias
anteriores.
Este artigo contribui relacionando as principais pesquisas aplicadas a recuperação
de informações em bases de dados jurı́dicas. Assim, são evidenciadas as principais
técnicas utilizadas nos trabalhos além dos respectivos resultados obtidos. Desse modo,
novos pesquisadores podem obter uma visão geral do contexto histórico e dos principais
assuntos abordados nos trabalhos, afim de focar esforços a aprofundar a sua pesquisa em
tópicos de interesse.

2. Fundamentação Teórica
2.1. Terminologias do Direito
Jurisprudência é o conjunto das decisões dos tribunais, no exercı́cio da aplicação da lei.
Representa a visão do tribunal, em determinado momento, sobre as questões legais leva-
das a julgamento[TSE ]. Desse modo, um processo judicial trabalhista inicia em 1o Grau
sendo sentenciado por um juiz singular. As partes inconformadas com a decisão podem
apresentar recurso e recorrer aos Tribunais, também chamados de 2o Grau de jurisdição.
Os Tribunais Regionais do Trabalho são compostos por diversos juı́zes, chama-
dos desembargadores, os quais são organizados em Turmas Recursais com 3 julgadores.
Assim, quando o recurso é encaminhado ao Tribunal, ele é distribuı́do aleatoriamente
para uma das Turmas Recusais para ser realizado um julgamento colegiado, chamado de
“acórdão”. O Tribunal Regional do Trabalho da 3a Região, por exemplo, é composto por
10 Turmas Recursais.
Além disso, um acórdão é constituı́do pelo voto dos Desembargadores componen-
tes da turma que recebeu o processo para ser julgado e do acórdão que contém a decisão
colegiada. Também é constituı́do de uma ementa que é “Resumo da matéria e conclusão
de um acórdão” [STF ]. Desse modo, a ementa é composta de palavras chaves para fa-
cilitar a pesquisa jurisprudencial, além de ser composto de termos constantes do tesauro
jurı́dico.
2.2. Recuperação de informações
A recuperação de informações em sistemas de busca baseia-se na correspondência entre as
palavras-chaves e os termos nos documentos. Um documento que menciona um termo de
busca com mais frequência, geralmente tem maior relação com a pesquisa [Larson 2010].
Para realizar a ordenação de resultados, é necessário assinalar um peso para cada
termo nos documentos da coleção. A proposta mais simples é considerar a quantidade de
ocorrências do termo em cada documento como “Term Frequency” (TF) [Larson 2010]).
Entretanto, nem todas as palavras nos documentos são importantes. Há palavras
como preposições que não precisam ser indexadas. Além disso, há palavras, como, por
exemplo, “auto” em uma coleção da indústria automobilı́stica, que praticamente vai ter
essa palavra em todos os seus documentos. Para atenuar esse efeito, é importante reduzir
o peso dessas palavras conforme sua frequência aumenta na coleção. Desse modo, a
proposta é definir uma variável chamada “Document Frequency” (DF), constituı́da pela
quantidade de documentos que contém o termo. Assim, a variável é introduzida como
“Inverse Document Frequency” (IDF) de modo que o IDF de um termo raro é alto e de
um termo frequente é baixo [Larson 2010].
A combinação é dada por TF-IDFt,d = T Ft,d × IDFt .
Esse ı́ndice assinala um peso que é alto, quando o termo ocorre muitas vezes em
um pequeno número de documentos; baixo quando o termo ocorre poucas vezes em um
documento, ou ocorre em muitos documentos; baixo quando o termo ocorre em pratica-
mente todos os documentos.

3. Histórico
Primeiramente, é importante salientar o trabalho de [Loevinger 1948] o qual cunhou o
termo “jurimetrics”, que representa a união de teoria jurı́dica e modelos estatı́sticos com
o objetivo de explorar a jurisprudência e produzir análises descritivas e estudos preditivos
[Zabala and Silveira 2014].
Ademais, os primeiros trabalhos relevantes na área de recuperação de informação
legais em sistemas computacionais foram desenvolvidos sob a perspectiva de sistemas
especialistas. O trabalho desenvolvido por [Waterman and Peterson 1981] foi uma das
primeiras propostas de modelos computacionais para a realização de raciocı́nio jurı́dico
de modo a prover conselhos para soluções de disputas. Esse sistema calcula sua resposta
baseada em regras heurı́sticas encadedas se-então. Assim, foi necessário modelar os con-
ceitos contidos na doutrina e em leis de modo a alimentar o sistema para a computação
das respostas.
Após certo amadurecimento da área surgiram certa conferências, como a Interna-
tional Conference on AI and Law (ICAIL) em 1987. Na sequência, na Europa, a con-
ferência Jurix começou a ser realizada a partir de 1988.

4. Modelagem computacional legal

Os primeiros trabalhos relevantes em modelagem conceitual de argumentos foram pu-
blicados por [Ashley 1989] o qual introduziu o HYPO e por [Gordon 1987]. Esses dois
 Figura 1. Exemplo de modelagem conceitual de [Ashley 1989]

trabalhos apresentavam abordagens diferentes, o HYPO utilizava a abordagem de siste-

mas baseado em casos, já o trabalho de Gordon utilizava abordagem baseada em regras.
O sistema de HYPO utiliza um framework de Dimensões para permitir que o
software manipule informações legais. Esse template é composto pelo nome do fator
legal que ele representa e por um número chamado de “Focal Slot”. No caso da Figura 1,
o campo “Focal Slot” recebe o número de informações confidenciais divulgadas a outra
empresa. Além disso, cada Dimensão tem também outras Dimensões como pré-requisitos
e outras informações que ajudam a comparar dimensões. Nessa imagem, é possı́vel ver
três casos judiciais sendo comparados na Dimensão “Trade secrets misppropriation”.

5. Representação conceitual
5.1. Ontologias
Ontologias apresentam papel crucial no desenvolvimento de representações conceituais e
seus relacionamentos em todas as área de domı́nio. Essa tecnologia permite a indexação
e o processamento computacional de documentos baseados em seu conteúdo semântico.
Uma das principais aplicações de ontologia é na expansão de consultas [Ashley 2017].
Por outro lado, o Direito tem o conceito de Tesauro Jurı́dico amplamente consoli-
dado, o qual apresenta um vocabulário moderado contendo definições teminológicas para
os termos compartilhados pelos profissionais que atuam na área. Entretanto não há uma
ontologia completa devidamente consolidada na área do Direito.
No Brasil, o trabalho de [Constâncio 2017] estruturou uma ontologia jurı́dica com
termos da Justiça Comum composto por 10.210 classes e 12.595 rótulos. Essa ontologia
 Figura 2. Exemplo de modelagem ontológica de [Constâncio 2017]

foi desenvolvida com base no Tesauro Jurı́dico mantido pelo Superior Tribunal de Justiça
brasileiro. Na Figura 2, é possı́vel observar a classe ontológica ”AbandonoColetivoDe-
Trabalho”e sua superclasse ”CrimeContraAOrganizaçãoDoTrabalho”.
Além disso, há esforços internacionais para a padronização não somente de
representações de conhecimentos legais, como também de suas estruturas por meio de
marcações. Alguns desses padrões são, aliás, implementados pelo governo brasileiro,
como é o caso do Uniform Resource Name (URN) e do padrão de esquema XML pro-
posto internacionalmente [LEX 2018].
O LexML é um site desenvolvido pelo governo brasileiro cujo objetivo é esta-
belecer padrões abertos, integração, estruturação e disponibilização de informações le-
gislativas e jurı́dicas [LEX 2018]. Esse portal apresenta uma base de dados de mais de
30 milhões de documentos jurı́dicos indexados com URNs que permitem o mapeamento
persistente e exato de um indentificador a um documento legal. Além disso, os docu-
mentos estão devidamente estruturados em XML seguindo padrões internacionais, como
o Projeto NIR (Norme in Rete) e Akoma Ntoso (Architecture for Knowledge-Oriented
Management of African Normative Texts using Open Standards and Ontologies).

5.2. Type Systems

Um Type System define estruturas semânticas. Pode ser compreendido como um tipo
especial de ontologia utilizado para a marcação de texto, o qual busca a identificação
e processamento de diferentes tipos de informações [Ashley 2017], [Wu et al. 2013]. O
Apache UIMA (Unstructured Information Management Application) é um exemplo que
emprega anotações nos documentos de modo a organizar e pré-processar partes do texto
que correspondem a certos Type Systems.
 Esses anotadores automáticos analisam certas partes dos documentos e assinalam
um tipo semântico, que pode ser uma classe ontológica. Esse sistema apresenta estrutura
semelhante a uma ontologia, contendo grafos de conceitos relacionados hierarquicamen-
tes em tipos e subtipos de modo que o sistema possam interpretá-los.
Pesquisadores [Grabmair et al. 2015] desenvolveram uma versão aplicada a área
legal, o LUIMA (Legal UIMA). Esse sistema foca em extrair argumentos e fatos jurı́dicos
úteis de modo a permitir a recuperação de informações jurisprudenciais e também sua
aplicação em sistemas especialistas.
Os Type Systems são codificados na linguagem Java na plataforma Apache UIMA
formando um pipeline de instruções. Essas instruções vão gerar a marcação no texto
como um rótulo, o Type System. As intruções do Type System podem empregar diversas
técnicas de PLN além de classes ontológicas e outros Type System previamente identifi-
cados no pipeline.

6. Aprendizado de máquina
Os sistemas desenvolvidos por [Sebastiani 2002] e [Privault et al. 2010] utilizam um pro-
cesso iterativo de modo a classificar manualmente e automáticamente documentos rele-
vantes ao processo de busca de documentos jurı́dicos. O processo inicia com a selação
de alguns documentos relevantes pelo especilista. Esses documentos são utilizados como
sementes para um algoritmo de aprendizado de máquina que aprende um modelo proba-
bilı́stico.
Após, o algoritmo reaplica o modelo ao corpus e obtém novos documentos classi-
ficados que são novamente passados ao especialista para análise. Desse modo, o especi-
lista consegue acessar documentos semelhantes aos ingressados no inı́cio da pesquisa.
Além disso, outras pesquisas como [Morelock et al. 2004] e [Koniaris et al. 2016]
focam no desenvolvimento de aplicações que extraiam e anotem automaticamante partes
estruturais de documentos judiciais. Assim, a pesquisa de [Morelock et al. 2004] que
foi patenteada pela NexisLexis aplica um algoritmo para reconhecer passagens do texto
que contenham fatos legais, discussões ou que não contenham discussões, ou ambos. O
algoritmo marca os documentos com essas informações, além da localização relativa no
documento.
As features usadas para realizar a identificação e classificação das passagens fo-
ram a posição relativa dos parágrafos, número de citações, quantidade de verbos no
passado, quantidade de datas, palavras determinı́sticas como “conclusão”, “requerente”,
“apelante”, por exemplo. Foi utilizado o algoritmo de Redes Bayesianas para o cálculo
do peso das features.
Outra aplicação de algoritmos de classificação por aprendizado de máquina super-
visionado é o trabalho de [Barros et al. 2018]. A pesquisa busca realizar a anotação au-
tomática de acórdãos judiciais com a informação de provimento ou não da apelação. As-
sim, essa anotação pode ser empregada em sistemas de busca legais como uma marcação
ao lado de cada resultado da pesquisa. Desse modo, o advogado não precisar abrir cada
documento e ler para saber se o apelante teve seu requerimento deferido.
Tal conhecimento tem aplicação particulamente importante no contexto da Justiça
do Trabalho pois ela permite identificar quais as tendências de opinião de determinados
 Figura 3. Exemplo de resultados obtidos com técnicas de aprendizado de
máquina [Barros et al. 2018]

desembargadores. Como pode ser observado na Figura 3, fica evidente tendencias de

posicionamentos diferentes dentro de um mesmo tribunal.
Além da pesquisa de [Waterman and Peterson 1981], também houve o desenvolvi-
mento do IBM Debater [Dvo ], uma versão modificada do IBM Watson desenvolvida para
reconhecer e extrair argumentos de textos. Assim, a partir de uma questão legal apresen-
tada, o software pesquisa milhões de artigos na wikipedia e suas sentenças e extrai textos
de modo a gerar argumentos contras e a favor da questão. Tal sistema utiliza uma grande
base de dados de perguntas em conjunto com possı́veis respostas. Essas respostas foram
anotadas no corpus com uma tecnologia proprietária baseada no Apache UIMA, a qual é
utilizada para aprender as principais features e seus pesos para o modelo computacional.

7. Considerações finais
É possı́vel observar que a aplicação de técnicas de recuperação de informações especı́ficas
a área jurı́dica necessita de maiores pesquisa se comparadas a outras áreas como a me-
dicina [Wu et al. 2013]. Isso se deve ao fato que o ramo do Direito tem suas necessida-
des particulares de recuperação de informações. Seus documentos agregam alguns dos
pontos considerados mais complicados na área de Processamento de Linguagem Natural
[Jurafsky 2000], como por exemplo, ambiguidade de sentenças e interpretação contextual.
Entretanto, a aplicação da tecnologia de Type System demonstra possı́veis capa-
cidades de agregar conhecimento semântico contextual em função da sua estrutura em
pipeline de processamento [Grabmair et al. 2015] aliada a marcadores ontológicos. Por
outro lado, tecnicas de aprendizado de máquina supervisionado tem demonstrado grandes
resultados em relação a capacidade de extrair modelos probabı́listicos para representação
textual [Morelock et al. 2004], [Koniaris et al. 2016] e [Barros et al. 2018].
A anotação de documentos para o desenvolvimento de algoritmos de aprendizado
de máquina supervisionada, de modo geral, demanda grande esforço e tempo de pesqui-
sadores. Entretanto, tal atividade pode facilmente ser conduzida se grandes organizações,
como tribunais, escritórios de advocacia ou até mesmo o Congresso Nacional, se envol-
verem com o objetivo de desenvolver a área de informática legal.
Alguns esforços já estão sendo realizados pelo governo brasileiro, com é o caso do
portal LexML [LEX 2018] que aderiu a diversões padrões internacionais de representação
de conceitos jurı́dicos. Além disso, esse portal disponibiliza ao público, e também a pes-
quisadores, em seu acervo, mais de 30 milhões de documentos jurı́dicos, proporcionando
também o livre acesso aos dados pelos cidadãos.
Na tabela 1, são relacionadas as pesquisas abordadas neste trabalho, de modo
a gerar uma apresentação concisa das sobre a recuperação de informações legais e as
principais tecnologias empregadas. É importante observar que há outros pesquisas não
relacionadas neste trabalho, como por exemplo, [Carter et al. 2016] que utiliza técnicas
de topic modeling para analisar as principais matérias de direito abordadas em aproxima-
damente um século de decisões jurisprudencias australianas. Entretanto, tal artigo não foi
abordado aqui profundamente em virtude do seu foco principalmente sociológico e não
computacional.
Como pesquisa futura seria interessante realizar um comparativo do estado da arte
entre a Informática Biomédica e a inteligência artificial aplicada ao Direito. Pois, há
ı́ndicios de que o ramo de inteligência artificial de Processamento de Linguagem Natural
aplicado a documentos da Medicina está mais consolidado que no Direito.

Referências
Glossário jurı́dico :: Stf - supremo tribunal federal. http://www.stf.jus.br/
portal/glossario/. (Accessed on 05/27/2018).
Ibm’s watson can now debate its opponents. https://io9.gizmodo.com/
ibms-watson-can-now-debate-its-opponents-1571837847. (Ac-
cessed on 05/27/2018).
Pje atinge a marca de 7,4 mi de processos judiciais - por-
tal cnj. http://www.cnj.jus.br/noticias/cnj/
81864-pje-atinge-a-marca-de-7-4-mi-de-processos-judiciais.
(Accessed on 05/27/2018).
Tribunal superior eleitoral. http://www.tse.jus.br/. (Accessed on 05/27/2018).
(2018). Lexml brasil: Rede de informação legislativa e jurı́dica. http://www.lexml.
gov.br/. (Accessed on 05/27/2018).
Ashley, K. D. (1989). Toward a computational theory of arguing with precedents. In
Proceedings of the 2nd international conference on Artificial intelligence and law,
pages 93–102. ACM.
Ashley, K. D. (2017). Artificial Intelligence and Legal Analytics: New Tools for Law
Practice in the Digital Age. Cambridge University Press.
Barros, R., Peres, A., Wives, L., Lorenzi, F., and Jaccottet, E. (2018). Case law analysis
with machine learning in brazilian court. Lecture Notes in Computer Science.
Carter, D. J., Brown, J., and Rahmani, A. (2016). Reading the high court at a distance:
Topic modelling the legal subject matter and judicial activity of the high court of aus-
tralia, 1903-2015. UNSWLJ, 39:1300.
 Tabela 1. Pesquisas relacionadas neste trabalho
Trabalho Área de Pesquisador Resultados
pesquisa
Toward a computational the- Modelagem Ashley:1989 Framework para modelagem
ory of arguing with prece- computa- de casos judiciais baseado em
dents. cional casos (CBR, Case Based Re-
legal asoning)
Oblog-2: a hybrid knowledge Modelagem Gordon:1987 Framework para modelagem
representation system for de- computa- de casos judiciais baseado em
feasible reasoning. cional regras
legal
Ontologia para um Motor de Ontologia, Constancio, 2017 Desenvolvimento de uma on-
Busca Semantica para Re- Recuperação tologia jurı́dica brasileira e
cuperacao Jurisprudencial no de expansão de consultas em
Brasil informações motor de busca.
Introducing LUIMA: an ex- Type Sys- Grabmair et al, Anotação automática de do-
periment in legal conceptual tem 2015 cumentos jurı́dicos
retrieval of vaccine injury de-
cisions using a UIMA type
system and tools
Machine learning in automa- Aprendizado Sebastiani, 2002 Modelo probabilı́stico para
ted text categorization de máquina classificação de similaridade
A new tangible user interface Aprendizado Privault, 2010 Modelo probabilı́stico para
for machine learning docu- de máquina classificação de similaridade
ment review e realimentação de relevantes
em motor de busca
System and method for iden- Aprendizado Morelock, 2004 Modelo probabilı́stico para
tifying facts and legal discus- de máquina anotação automática de docu-
sion in court case law docu- mentos e identificação de sua
ments. estrutura
Towards automatic structu- Aprendizado Koniaris, 2016 Modelo probabilı́stico para
ring and semantic indexing of de máquina anotação automática de docu-
legal documents mentos e identificação de sua
estrutura
Case Law Analysis with Ma- Aprendizado Barros, Rhuan, Modelo probabilı́stico para
chine Learning in Brazilian de máquina Peres, Andre, classificiação de documentos;
Court Lorenzi Fabiana, Dados jurimétricos.
Krug, Leandro
and Jaccottet,
Etiene, 2018
IBM’s Watson Can Now De- Sistema es- Dvorsky:2014 Sistema especializado em res-
bate Its Opponents pecialista ponder perguntas jurı́dicas
(Question answering)
Constâncio, A. S. (2017). Ontologia para um motor de busca semântica para recuperação
jurisprudencial no brasil.
Gordon, T. F. (1987). Oblog-2: A hybrid knowledge representation system for defeasible
reasoning. In Proceedings of the 1st international conference on Artificial intelligence
and law, pages 231–239. ACM.
Grabmair, M., Ashley, K. D., Chen, R., Sureshkumar, P., Wang, C., Nyberg, E., and
Walker, V. R. (2015). Introducing luima: an experiment in legal conceptual retrieval
of vaccine injury decisions using a uima type system and tools. pages 69–78.
Jurafsky, D. (2000). Speech & language processing.
Koniaris, M., Papastefanatos, G., and Vassiliou, Y. (2016). Towards automatic structuring
and semantic indexing of legal documents. page 4.
Larson, R. R. (2010). Introduction to information retrieval. Journal of the American
Society for Information Science and Technology, 61(4):852–853.
Loevinger, L. (1948). Jurimetrics–the next step forward. Minn. L. Rev., 33:455.
Morelock, J. T., Wiltshire Jr, J. S., Ahmed, S., Humphrey, T. L., and Lu, X. A. (2004).
System and method for identifying facts and legal discussion in court case law docu-
ments. US Patent 6,772,149.
Privault, C., O’Neill, J., Ciriza, V., and Renders, J.-M. (2010). A new tangible user
interface for machine learning document review. Artificial Intelligence and Law,
18(4):459–479.
Salama, B. M., Püschel, F., Hirata, A., Corrêa, A. R., and Rodriguez, J. R. (2010). Dano
moral no brasil.
Sebastiani, F. (2002). Machine learning in automated text categorization. ACM computing
surveys (CSUR), 34(1):1–47.
Waterman, D. A. and Peterson, M. A. (1981). Models of legal decisionmak-ing: Research
design and methods, the rand corporation.
Wu, S. T., Kaggal, V. C., Dligach, D., Masanz, J. J., Chen, P., Becker, L., Chapman,
W. W., Savova, G. K., Liu, H., and Chute, C. G. (2013). A common type system for
clinical natural language processing. Journal of biomedical semantics, 4(1):1.
Zabala, F. and Silveira, F. (2014). Jurimetria: estatı́stica aplicada ao direito. Revista
Direito e Liberdade, 16,(1), pages 87–103.