A sintaxe no tribunal: apresentando e explorando um corpus jurídico em português anotado sintaticamente segundo o modelo Universal Dependencies
Open Access
- 29 September 2025
- conference paper
- Published by Sociedade Brasileira de Computação
- p. 220-232
Abstract
Textos jurídicos representam um desafio para o campo do Processamento de Linguagem Natural, dada a complexidade e o estilo característicos desse tipo de texto. Neste artigo, contribuímos com o desenvolvimento dessa área para o português do Brasil em duas frentes. Primeiramente, apresentamos o PortJur, um novo corpus jurídico anotado sintaticamente de acordo com o modelo Universal Dependencies, resultando, para além do estudo linguístico relevante, em um recurso inédito para o português. Em seguida, exploramos o corpus anotado para criar recursos lexicais especializados, como listas de palavras de conteúdo, formas verbais, abreviaturas e estrangeirismos, e um almanaque de entidades nomeadas.Keywords
This publication has 19 references indexed in Scilit:
- RoBERTaLexPT: um modelo RoBERTa jurídico pré-treinado com deduplicação para língua PortuguesaLinguamática, 2024
- NILC-Metrix: assessing the complexity of written and spoken language in Brazilian PortugueseLanguage Resources and Evaluation, 2023
- O LEX-BR-Ius: arquitetura e decisões na compilação de um corpus representativo das leis federais brasileiras.Antares: letras e humanidades, 2022
- Reflexões metodológicas sobre datasets e linguística de corpusDomínios de Lingu@gem, 2022
- UlyssesNER-Br: A Corpus of Brazilian Legislative Documents for Named Entity Recognition2022
- Universal DependenciesComputational Linguistics, 2021
- RulingBR: A Summarization Dataset for Legal Texts2018
- The GUM corpus: creating multilayer resources in the classroomLanguage Resources and Evaluation, 2016
- PartTUT: The Turin University Parallel Treebank2015
- Building the essential resources for Finnish: the Turku Dependency TreebankLanguage Resources and Evaluation, 2013