Análise de Padrões em Casos Jurídicos com Mineração de Processos e Machine Learning
##plugins.themes.bootstrap3.article.sidebar##
Publicado
Sep 14, 2026
##plugins.themes.bootstrap3.article.main##
Resumo
A morosidade na tramitação de processos judiciais representa um desafio crítico para a eficiência do sistema de justiça. Este artigo apresenta uma metodologia que integra Mineração de Processos e Machine Learning para analisar o tempo de processamento de casos na Justiça Comum brasileira. A abordagem inicia com a aplicação do algoritmo K-means, utilizando a representação bag of activities, para agrupar processos com fluxos de trabalho similares. Posteriormente, esses aglomerados são subdivididos com base na duração dos traços, classificando-os em categorias de execução rápida, média e lenta. A etapa final emprega o algoritmo PrefixSpan para identificar padrões sequenciais de atividades recorrentes dentro de cada perfil temporal. Os resultados demonstram comportamentos processuais característicos e sequências de atividades predominantes para cada faixa de duração, fornecendo subsídios essenciais para a otimização da gestão judiciária e o aprimoramento dos fluxos de trabalho nos tribunais.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Como Citar
Silva, V., de França, M., Verçosa, L., da Cruz, J., & Bezerra, B. (2026). Análise de Padrões em Casos Jurídicos com Mineração de Processos e Machine Learning. Revista De Engenharia E Pesquisa Aplicada, 11(4), 1-9. https://doi.org/10.25286/repa.v11i4.3948
Seção
Edição Especial Ingenia
Referências
[1] CONSELHO NACIONAL DE JUSTIÇA (CNJ). Justiça em Números 2024: ano-base 2023. Brasília: CNJ, 2024. Disponível em:https://www.cnj.jus.br/pesquisas-judiciarias/justica-em-numeros/. Acesso em: 07 dez. 2025.
[2] VAN DER AALST, W. M. P. Process Mining: Data Science in Action. 2. ed. Berlin: Springer, 2016.
[3] LAKSHMANAN, G. T.; ROZSNYAI, S.; WANG, F. Extracting clinical pathways from medical process logs. In: BUSINESS PROCESS MANAGEMENT WORKSHOPS. 2013, Beijing. Proceedings... Berlin: Springer, 2013. p. 398-409.
[4] SURIADI, S. et al. Measuring Patient Flow Variations: A Cross-Organisational Process Mining Approach. In: ASIA PACIFIC BUSINESS PROCESS MANAGEMENT CONFERENCE, 2., 2014, Brisbane. Proceedings... Cham: Springer, 2014. p. 43-58. (Lecture Notes in Business Information Processing, v. 181).
[5] VERÇOSA, L. F. V.; BASTOS-FILHO, C. J. A.; BEZERRA, B. L. D. An Approach for Analysing Law Processes based on Hierarchical Activities and Clustering. In: IEEE LATIN AMERICAN CONFERENCE ON COMPUTATIONAL INTELLIGENCE (LA-CCI), 2023, Recife. Proceedings... IEEE, 2023. p. 1-6.
[6] CONSELHO NACIONAL DE JUSTIÇA (CNJ). Base de Dados do Poder Judiciário Nacional (DataJud). Disponível em: https://www.cnj.jus.br/sistemas/datajud/. Acesso em: 07 dez. 2025.
[7] DOGAN, O.; OZTAYSIT, K. O. Process Mining and Clustering Analysis in Judicial Systems. Expert Systems with Applications, [S.l.], v. 202, 15 Sept. 2022, p. 117216.
[8] PEDREGOSA, F. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, p. 2825-2830, 2011.
[9] FOURNIER-VIGER, P.; LIN, J. C.-W.; KIRAN, R. U.; KOH, Y. S.; THOMAS, R. A Survey of Sequential Pattern Mining. Data Science and Pattern Recognition, v. 1, n. 1, p. 54-77, 2017.
[10] PEI, J. et al. PrefixSpan: Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth. In: INTERNATIONAL CONFERENCE ON DATA ENGINEERING (ICDE), 17., 2001, Heidelberg. Proceedings... Washington, DC: IEEE Computer Society, 2001. p. 215-224.
[2] VAN DER AALST, W. M. P. Process Mining: Data Science in Action. 2. ed. Berlin: Springer, 2016.
[3] LAKSHMANAN, G. T.; ROZSNYAI, S.; WANG, F. Extracting clinical pathways from medical process logs. In: BUSINESS PROCESS MANAGEMENT WORKSHOPS. 2013, Beijing. Proceedings... Berlin: Springer, 2013. p. 398-409.
[4] SURIADI, S. et al. Measuring Patient Flow Variations: A Cross-Organisational Process Mining Approach. In: ASIA PACIFIC BUSINESS PROCESS MANAGEMENT CONFERENCE, 2., 2014, Brisbane. Proceedings... Cham: Springer, 2014. p. 43-58. (Lecture Notes in Business Information Processing, v. 181).
[5] VERÇOSA, L. F. V.; BASTOS-FILHO, C. J. A.; BEZERRA, B. L. D. An Approach for Analysing Law Processes based on Hierarchical Activities and Clustering. In: IEEE LATIN AMERICAN CONFERENCE ON COMPUTATIONAL INTELLIGENCE (LA-CCI), 2023, Recife. Proceedings... IEEE, 2023. p. 1-6.
[6] CONSELHO NACIONAL DE JUSTIÇA (CNJ). Base de Dados do Poder Judiciário Nacional (DataJud). Disponível em: https://www.cnj.jus.br/sistemas/datajud/. Acesso em: 07 dez. 2025.
[7] DOGAN, O.; OZTAYSIT, K. O. Process Mining and Clustering Analysis in Judicial Systems. Expert Systems with Applications, [S.l.], v. 202, 15 Sept. 2022, p. 117216.
[8] PEDREGOSA, F. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, v. 12, p. 2825-2830, 2011.
[9] FOURNIER-VIGER, P.; LIN, J. C.-W.; KIRAN, R. U.; KOH, Y. S.; THOMAS, R. A Survey of Sequential Pattern Mining. Data Science and Pattern Recognition, v. 1, n. 1, p. 54-77, 2017.
[10] PEI, J. et al. PrefixSpan: Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth. In: INTERNATIONAL CONFERENCE ON DATA ENGINEERING (ICDE), 17., 2001, Heidelberg. Proceedings... Washington, DC: IEEE Computer Society, 2001. p. 215-224.