Bajo el dominio de la ley : desidentificación y extracción de eventos en la Base de Jurisprudencia Nacional del Uruguay

Abstract

El procesamiento de lenguaje natural (PLN) en el dominio jurídico es un área de investigación clave, debido a que gran parte de la información se encuentra en leyes, sentencias y reglamentos, con desafíos derivados de su complejidad lingüística, semántica y discursiva. El objetivo de esta investigación es mejorar la calidad y accesibilidad de la información en la Base de Jurisprudencia Nacional (BJN), una colección de más de 100 000 sentencias del Poder Judicial de Uruguay. Como primer objetivo, se aborda la desidentificación automática de sentencias. Esta se centra en nombres propios y se basa en un modelo de reconocimiento de entidades nombradas combinado con agrupamiento aglomerativo para la resolución de correferencias, entrenado y evaluado sobre el corpus B*N, creado a partir de sentencias de la BJN con este fin. Los resultados se integran en un prototipo funcional para desidentificación asistida por humanos. Como segundo objetivo, se estudia la extracción de eventos relevantes. Esta se basa en la Teoría de Marcos Semánticos de Fillmore y en el aprendizaje en contexto con grandes modelos de lenguaje. Con ejemplos de FrameNet en inglés se obtienen resultados competitivos respecto de enfoques previos, mientras que la combinación con el corpus ViolenciaR en español, derivado de sentencias de la BJN y anotado manualmente, permite observar el impacto del uso de recursos multilingües y de la complejidad del dominio jurídico sobre el rendimiento del sistema. Este trabajo introduce recursos lingüísticos inéditos y metodologías innovadoras, constituyendo una contribución significativa al desarrollo del PLN en el dominio jurídico, particularmente en la BJN.

Natural Language Processing (NLP) in the legal domain is a key research area, as much of the information is contained in laws, court rulings, and regulations, which pose challenges due to their linguistic, semantic, and discursive complexity. The aim of this research is to improve the quality and accessibility of information in the National Jurisprudence Database (BJN), a collection of over 100 000 court rulings from the Judiciary of Uruguay. As a first objective, the automatic de-identification of court rulings is addressed. This focuses on proper names and is based on a named entity recognition model combined with agglomerative clustering for coreference resolution, trained and evaluated on the B*N corpus, created from rulings in the BJN for this purpose. The results are integrated into a functional prototype for human-assisted de-identification. As a second objective, the extraction of relevant events is studied. This is grounded in Fillmore’s Frame Semantic Theory and in-context learning with large language models. Using FrameNet examples in English yields results competitive with prior approaches, while combining them with the manually annotated ViolenciaR corpus in Spanish, derived from BJN rulings, allows observation of the impact of multilingual resources and legal-domain complexity on system performance. This work introduces new linguistic resources and innovative methodologies, constituting a significant contribution to the development of NLP in the legal domain, particularly with respect to the BJN.