@techreport{TR-IC-PFG-26-16,
   number = {IC-PFG-26-26},
   author = {Luiza Coelho de Souza and Emanuel Felipe Duarte},
   title  =  {{Modelo  preditivo para a Justiça do Trabalho: Um estudo
                   sobre viés algorítmico e explicabilidade}},
   month = {July},
   year = {2026},
   institution = {Institute of Computing, University of Campinas},
   note = {In Portuguese, 33 pages.
    \par\selectlanguage{brazil}\textbf{Resumo}
       Este  trabalho  apresenta  o  desenvolvimento de um pipeline de
       aprendizado  de  máquina  para  prever desfechos processuais no
       Tribunal  Regional  do Trabalho da 15\textsuperscript{a} Região
       (TRT-15), usando dados públicos do DataJud. Foram implementados
       dois  modelos  supervisionados:  um  classificador  binário com
       LightGBM  para  prever  a ocorrência de acordos judiciais, e um
       classificador  multiclasse  com  CatBoost  para distinguir três
       desfechos   possíveis:   decisões  favoráveis  ao  trabalhador, 
       improcedências   e   extinções   sem  resolução  de  mérito.  A 
       interpretação  dos  modelos  foi feita com o \textit{framework}
       SHAP,  que  permite  identificar o impacto de cada variável nas
       predições   e   avaliar   assimetrias  na  base  histórica.  Os 
       resultados  mostram que variáveis geográficas e institucionais,
       como   o   município  e  o  código  da  vara  trabalhista,  são 
       predominantes  para o comportamento preditivo, o que indica que
       o  modelo  aprende  mais  sobre o contexto de tramitação do que
       sobre  o  mérito  individual  de  cada  ação.  A  partir disso,
       discutem-se   as   implicações  éticas  dessas  dependências  e 
       propõe-se   uma   análise   crítica   sobre  o  desenvolvimento 
       responsável   de   sistemas   preditivos  na  esfera  jurídica, 
       mostrando  que  é  possível  conciliar  desempenho  técnico com
       princípios de proteção de dados e explicabilidade.
  }
}