Por que usar R para jurimetria?

A dificuldade de acessar e mastigar os dados leva à necessidade de utilizar ferramentas computacionais adequadas

A jurimetria parte do princípio de que o direito é construído a partir das decisões tomadas nos tribunais. Para entender fenômenos jurídicos, precisamos colher, organizar e analisar dados sobre o que as pessoas discutem e decidem.

Na prática, jurimetria é uma área de pesquisa áspera. Os agentes não informam nem conhecem muito bem a estrutura dos Tribunais, o acesso à informação é limitado e, quando conseguimos acesso, os dados apresentam buracos.

A dificuldade de acessar e mastigar os dados leva à necessidade de utilizar ferramentas computacionais adequadas. E acredito fortemente que o R contém o toolkit mais poderoso possível nesse sentido.

R e o ciclo da ciência de dados

Sempre que dou aulas de programação, faço a discussão sobre o grande hype que existe sobre o termo ciência de dados. Minha posição atual sobre o tema é que a definição de ciência de dados varia conforme a experiência pessoal de cada um. Cientistas da computação atribuirão ciência de dados a temas como aprendizado de máquina ou com paralelização. Profissionais da TI ligarão ciência de dados com bases de dados relacionais ou ferramentas de Business Intelligence. Estatísticos afirmarão que ciência de dados é um outro nome para estatística. Outros profissionais mais interessados no marketing utilizarão diversos termos diferentes que colocados lado a lado não significam nada. Como o tema é popular, cada área vai tentar ao máximo se apropriar do termo, tornando a definição ciência de dados abstrata, incoerente e inócua.

Mas nem tudo está perdido. Mais importante do que definir o que é ciência de dados, é discutir como fazer ciência de dados. E o como fazer da ciência de dados está bem definido.

O fluxo da ciência de dados, retirado do livro R para ciência de dados, define apropriadamente o que é fazer ciência de dados. Ao meu ver, este ciclo contém tudo o que precisamos discutir seriamente sobre o tema. O restante dos termos associados à ciência de dados, como paralelização, NoSQL, computação cognitiva, tecnologia exponencial, inteligência artificial, deep learning etc, são definições que variam entre termos técnicos e conceitos completamente vazios de conteúdo, e podem ou não ser discutidos dentro do ciclo conforme necessário.

Figura 1: Ciclo da ciência de dados, com ênfase na disputa com os dados

O ciclo é organizado em cinco tarefas:

• Importar: Trazer dados do universo para um ambiente comum. Por exemplo, conectar com uma base de dados, ou acessar uma API (Application Programming Interface).
• Arrumar: Limpar os dados brutos, tornando-os passíveis de análise estatística. Por exemplo, ler os arquivos PDF de decisões e guardar em colunas da base de dados com informações dessas decisões, chamada de base de dados analítica.
• Transformar: Selecionar colunas, filtrar linhas, ordenar, modificar colunas e fazer sumarizações.
• Visualizar: Gerar gráficos e tabelas que sumarisam a base de dados. Visualizações surpreendem, mas não têm escala, já que dependem de interação humana para gerar valor.
• Modelar: Criar histórias sobre os dados. Especificamente, estimar um conjunto de expressões matemáticas que representam parcialmente o fenômeno de interesse. Por exemplo, um modelo de regressão linear para estimar o valor de indenização a partir do valor pedido. Modelos têm escala, mas não surpreendem, já que sua estrutura é previamente definida pelo usuário.
• Comunicar: A partir das visualizações e dos modelos gerados, elaborar soluções para comunicar os resultados de acordo com os stakeholders. Por exemplo, elaborar um dashboard para gestores, ou um relatório técnico para um estatístico, ou ainda uma API para ser consumida por um robô.

Ao compor importação, arrumação e transformação de dados, temos o conceito de disputa com os dados. Em outros contextos e de forma menos precisa, esse processo é chamado de ETL (Extract, Transform, Load). Na jurimetria, essa fase corresponde a mais de 90% do tempo do estudo!

A explicação para esse fenômeno remete a Tolstoy e, mais recentemente, Wickham:

“Happy families are all alike; every unhappy family is unhappy in its own way.” – Leo Tolstoy

“Tidy datasets are all alike, but every messy dataset is messy in its own way.” – Hadley Wickham

Como bases bagunçadas são bagunçadas de sua própria maneira, a arrumação de dados nunca passa por um fluxo padrão de análise. Isso exige que a cientista de dados sempre tenha de provisionar um tempo para essa dolorosa tarefa.

Como gastamos uma boa parte de nosso tempo nessa fase, faz sentido estudar, desenvolver e aprimorar ferramentas para tratamento de dados. E é aí que o R começa a ganhar força frente às demais linguagens ou ferramentas de análise de dados.

O tidyverse

Graças ao advento do tidyverse, hoje o R tem um toolkit preparado para tratar as bases de dados mais horrendas imagináveis. Pessoalmente, eu experimentei um aumento de produtividade de pelo menos 50% ao utilizar o tidyverse, em todos os projetos.

O tidyverse é baseado na conjunção de teorias consistentes e intuitivas para importar, arrumar e transformar dados. Como consequência, cientistas de dados usam o intelecto para a resolução do problema, não em como escrever um código. Um exemplo emblemático nesse sentido é a utilização do %>%, um operador que dá legibilidade ao código, fazendo com que

# algoritmo para sair de casa e pegar um ônibus
pegar_onibus(trancar_porta(sair()))

seja equivalente a

# algoritmo para sair de casa e pegar um ônibus
sair() %>% trancar_porta() %>% pegar_onibus()

O tidyverse também traz eficiência. Na maioria dos casos, o gargalo na disputa com os dados não está no tempo de execução de um algoritmo, mas sim no tempo de construção do algoritmo. O uso do tidyverse aumenta significativamente a eficiência de programação no lugar da eficiência de código.

Finalmente, a utilização do tidyverse é compatível com boas práticas para a produção científica. Análises realizadas em código aberto são reprodutíveis e podem economizar o tempo de pesquisadores que usarem os códigos produzidos por outros pesquisadores. Por exemplo, atualmente várias pessoas utilizam o pacote esaj, desenvolvido no Laboratório de Jurimetria, para baixar dados automaticamente dos tribunais. O esaj já faz parte do trabalho sujo de conectar com os tribunais e transformar dados desestruturados em dados próximos de serem utilizados em análises estatísticas.

Contribuindo para a jurimetria com o R

Uma vantagem adicional da pessoa que utilizar R para jurimetria é a possibilidade de usufruir de todas as soluções que a ABJ desenvolve em código aberto e sair na vantagem ao trabalhar com problemas de jurimetria. Algumas soluções que estamos desenvolvendo:

• Pacotes dje e esaj.
• Pacote abjutils para trabalhar com dados de processos. Por exemplo, com números de processo no formato da Res. 65 do CNJ.
• Pacote decryptr, construído pela ABJ e pela Curso-R para quebrar CAPTCHAs de serviços públicos.
• Outros pacotes ainda em fase de desenvolvimento, como abjData, abjMaps, prodTJSP, cada um com sua funcionalidade específica.

Wrap-up

• Jurimetria exige proficiência em importação, arrumação e transformação de dados
• O tidyverse, que é um conjunto de pacotes do R, é a forma mais consistente, eficiente e elegante para tratamento de dados já criada.
• Como consequência, o R é a melhor ferramenta disponível.

Respondam nos comentários:

O que você acha mais importante: definir jurimetria ou fazer jurimetria? Por quê?