Uso de Modelos de Aprendizado de Máquina para Predição de Decisões Condenatórias de Dano Moral

Abstract

O judiciário brasileiro enfrenta um crescente volume de litigiosidade, provocando grande atraso na solução de disputas e impactando negativamente os que dela dependem. Neste contexto, há o incentivo à adoção de tecnologias de Inteligência Artificial (IA) para otimizar a resolução de conflitos, mas também a necessidade de que tais soluções sejam transparentes ao usuário final. O presente trabalho tem como objetivo central o desenvolvimento de um modelo preditivo de regressão para estimar valores de indenização por danos morais em disputas consumeristas de transporte aéreo, com foco em sua explicabilidade. Essas estimativas serão posteriormente uti- lizadas para incentivar a celebração de acordos. A metodologia envolveu o pré-processamento de uma base de dados com 1178 sentenças judiciais, o treinamento e a avaliação de múltiplos algoritmos de aprendizado de máquina e a aplicação da técnica de Inteligência Artificial Expli- cável (XAI) para interpretar os resultados. O modelo DecisionTree foi selecionado, com Erro Médio Percentual Absoluto (MAPE) de 25.63%, capaz de gerar predições de valor e identificar os fatores de maior impacto em cada decisão. As variáveis de maior impacto na predição foram Intervalo de Atraso, Cancelamento de Vôo e Intervalo de Extravio de Bagagem. O modelo está disponível no website: https://concilia.ufsc.br. Conclui-se que a abordagem é tecnicamente viável e oferece um instrumento de auxílio às partes em processos de conciliação, fornecendo estimativas transparentes e justificáveis que contribuem para a promoção da pacificação social e para o avanço dos sistemas de resolução de disputas online (ODR).

The Brazilian judiciary faces a growing volume of litigation, causing significant delays in dis- pute resolution and negatively impacting those who depend on it. In this context, there is a demand to adopt Artificial Intelligence (AI) technologies to optimize conflict resolution, but also a need for such solutions to be transparent to the end user. The central objective of this work is to develop a predictive regression model to estimate compensation values for moral damages in consumer disputes involving air transport, focusing on its explainability. These es- timates will later be used to encourage settlements. The methodology involved pre-processing a database with 1178 court rulings, training and evaluating multiple machine learning algorithms, and applying the Explainable Artificial Intelligence (XAI) technique to interpret the results. The DecisionTree model was selected, with a Mean Absolute Percentage Error (MAPE) of 25.63%, capable of generating valuable predictions and identifying the factors with the greatest impact on each decision. The variables with the greatest impact on the prediction were Delay Inter- val, Flight Cancellation, and Baggage Loss Interval. The model is available on the website: https://concilia.ufsc.br. It is concluded that the approach is technically feasible and offers a tool to assist parties in conciliation processes, providing transparent and justifiable estimates that contribute to the promotion of social pacification and the advancement of online dispute resolution (ODR) systems.