Normas algorítmicas de segundo grau: modelagem cognitiva judicial baseada em aprendizado de máquina para reestruturação autopoiética do processo eletrônico no Tribunal de Justiça de São Paulo

Abstract

A presente tese propõe uma nova modelagem ? epistemológica e computacional ? para a classificação de decisões judiciais no processo eletrônico brasileiro, com base nas evidências demonstradas no Tribunal de Justiça de São Paulo. Fundamentada na abordagem sistêmica de Humberto Maturana e Francisco Varela, com extensão da teoria sistêmica de Niklas Luhmann aplicada ao Direito, a pesquisa articula fundamentos interdisciplinares entre Direito e Ciência da Computação para enfrentar os gargalos institucionais decorrentes da ambiguidade textual e da heterogeneidade decisória que comprometem a eficiência processual. A investigação partiu da hipótese de que os sistemas judiciais não devem apenas ser informatizados, mas inteligentemente adaptados para lidar com as contingências da linguagem natural jurídica. Para isso, foram utilizados métodos supervisionados de classificação multirrótulo baseados em Random Forest e One-vs-Rest, treinados sobre um conjunto classificado de 3.600 decisões judiciais de citação e 4.000 decisões de emendas, com rótulos geradores de coordenadas operacionais, processuais e substanciais do Direito. O texto foi vetorizado via TF-IDF com parâmetros ajustados, e os modelos foram avaliados a partir das métricas: Subset Accuracy, Hamming Loss, Jaccard Score, F1-Score (Samples) e medidas macro e micro. Os resultados obtidos revelaram desempenho consistente para a proposta de impacto nos fluxos e subfluxos processuais. A tese propõe ainda um framework de validação qualitativa das decisões classificadas, com base na triangulação entre métricas estatísticas, análise semântica dos comandos judiciais e padrões de ambiguidade linguística. Como inovação metodológica, o estudo emprega um script estruturado em Python, cujos elementos foram detalhadamente justificados conforme as necessidades específicas da tarefa jurídica. Conclui-se que a aplicação de técnicas de aprendizagem de máquina à classificação multirrótulo de decisões judiciais é não apenas viável, mas essencial à construção de um Judiciário mais autônomo, eficiente e coerente. A pesquisa contribui para o avanço do campo da Jurimetria e propõe uma virada epistemológica no modo como o Direito se relaciona com a linguagem e com os sistemas automatizados, abrindo caminho para uma justiça algorítmica alinhada com os princípios de autopoiese, acoplamento estrutural e coordenação de ações.

Abstract: This thesis proposes a new epistemological and computational framework for the classification of judicial decisions within the Brazilian electronic legal process, based on empirical evidence from the São Paulo State Court. Grounded in the systemic approach of Humberto Maturana and Francisco Varela, and extended by Niklas Luhmann?s systems theory as applied to Law, the research articulates interdisciplinary foundations between Law and Computer Science to confront institutional bottlenecks caused by textual ambiguity and decisional heterogeneity that compromise procedural efficiency. The investigation is based on the hypothesis that judicial systems should not merely be digitized, but intelligently adapted to handle the contingencies of legal natural language. For this purpose, supervised multi-label classification methods were employed?specifically, Random Forest with a One-vs-Rest strategy?trained on a labeled dataset of 3,600 citation-related decisions and 4,000 amendment-related decisions, each annotated with labels that reflect procedural, operational, and substantive legal coordinates. The textual data was vectorized using TF-IDF with tuned parameters, and model performance was assessed using Subset Accuracy, Hamming Loss, Jaccard Score, Sample-based F1-Score, and macro/micro metrics. The results demonstrated consistent performance supporting the proposed intervention in procedural workflows and subflows. The thesis further proposes a qualitative validation framework for classified decisions, based on triangulation between statistical metrics, semantic analysis of judicial commands, and patterns of linguistic ambiguity. As a methodological innovation, the study employs a Python-based script, with all elements thoroughly justified according to the specific demands of legal classification tasks. It is concluded that applying machine learning techniques to multi-label classification of judicial decisions is not only feasible, but essential for building a more autonomous, efficient, and coherent Judiciary. The research advances the field of Legal Analytics (Jurimetrics) and proposes an epistemological shift in how Law relates to language and automated systems, paving the way for an algorithmic justice grounded in the principles of autopoiesis, structural coupling, and coordination of actions.