Judicialização do Transporte Aéreo: uma aplicação de aprendizado de máquina
DOI:
https://doi.org/10.20397/2177-6652/2025.v25i3.3097Palavras-chave:
Judicialização; Transporte aéreo; Aprendizado de máquinaResumo
Título do trabalho: Judicialização do transporte aéreo: uma aplicação de aprendizado de máquina
Objetivo: Padronizar a classificação dos motivos e causas dos processos judiciais contra companhias aéreas e analisar se essa padronização impacta no desempenho de modelos de aprendizado de máquina para prever os valores de indenizações judiciais.
Metodologia/procedimentos metodológicos: Foi aplicada uma metodologia semelhante à análise de conteúdo e revisões sistemáticas de literatura para reclassificar os motivos e causas dos processos judiciais. Em seguida, os modelos de aprendizado de máquina propostos por Torres, Guterres, and Celestino (2023) foram reaplicados com dados de processos judiciais de duas companhias aéreas nacionais, entre 2019 e 2022, abrangendo 16 estados brasileiros.
Originalidade/Relevância: O estudo combina dois temas previamente analisados separadamente por outros autores: a padronização das causas dos processos judiciais no setor aéreo e a previsão de indenizações.
Principais resultados: Os resultados obtidos demonstraram melhorias significativas nos três modelos avaliados, com acurácia, precisão, recall e F1-score superiores a 93%, e uma AUC- ROC acima de 98%. O modelo Random Forest se destacou como o mais eficaz em todas as métricas analisadas, especialmente na classificação precisa da categoria de indenizações "Baixo".
Contribuições teóricas/metodológicas: O estudo propõe a padronização da classificação das causas de processos judiciais no transporte aéreo e aplica com sucesso modelos de aprendizado de máquina para prever indenizações, oferecendo uma nova abordagem para a previsão de despesas no setor.
Palavras-chave: judicialização; transporte aéreo; aprendizado de máquina.
Referências
ABEAR. (2023). Panorama 2022 – o setor aéreo em dados e análises.
Ahmad, I., Yousaf, M., Yousaf, S., & Ahmad, M. O. (2020). Fake news detection using machine learning ensemble methods. Complexity, 2020(1), 8885861. doi: https://doi.org/10.1155/ 2020/8885861
ANAC. (2021a). Painel de indicadores do transporte aéreo 2019. ANAC. (2021b). Painel de indicadores do transporte aéreo 2020. ANAC. (2022). Painel de indicadores do transporte aéreo 2021. ANAC. (2023). Painel de indicadores do transporte aéreo 2022.
Breiman, L. (2001). Random forests. Machine learning, 45, 5–32. doi: https://doi.org/10.1023/ A:1010933404324
CNJ. (2021). Cartilha do transporte aéreo.
de Freitas, C. C. G. (2018). Demanda por seguro de automóvel no rio de janeiro [Dissertação de Mestrado em Economia]. Rio de Janeiro, Rio de Janeiro.
de Oliveira Torres, G. (2022). Judicialização no transporte aéreo brasileiro: uma análise por meio de aprendizado de máquina e de regressão logística multinomial [Dissertação de Mestrado em Engenharia de Infraestrutura Aeronáutica]. São José dos Campos, São Paulo.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. d., & Carvalho, A. C. P. d. L. F. d. (2021). Inteligência artificial: uma abordagem de aprendizado de máquina.
Ferraz, L. (2024). Em resposta a processos judiciais, aéreas cortam oferta de voos no norte do brasil.
Géron, A. (2019). Mãos à obra: Aprendizado de máquina com scikit-learn & tensorflow. Alta Books.
Lei, M., Ge, J., Li, Z., Li, C., Zhou, Y., Zhou, X., & Luo, B. (2017). Automatically classify chinese judgment documents utilizing machine learning algorithms. In Database systems for advanced applications: Dasfaa 2017 international workshops: Bdms, bdqm, secop, and dmmooc, suzhou, china, march 27-30, 2017, proceedings 22 (pp. 3–17).
Lenz, M., Neuman, F., Santarelli, R., & Salvador, D. (2020). Fundamentos de aprendizagem de máquina.
Lima, J. P., & Costa, J. A. (2022). Comparing clustering techniques on brazilian legal document datasets. In International conference on hybrid artificial intelligence systems (pp. 98– 110).
Mitchell, T. M., & Mitchell, T. M. (1997). Machine learning (Vol. 1) (No. 9). McGraw-hill New York.
Multi-view overlapping clustering for the identification of the subject matter of legal judgments. (2023). Information Sciences, 638, 118956. doi: https://doi.org/10 .1016/j.ins.2023.118956
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Raghav, K., Balakrishna Reddy, P., Balakista Reddy, V., & Krishna Reddy, P. (2015). Text and citations based cluster analysis of legal judgments. In Mining intelligence and knowledge exploration: Third international conference, mike 2015, hyderabad, india, december 9- 11, 2015, proceedings 3 (pp. 449–459).
Raghuveer, K., et al. (2012). Legal documents clustering using latent dirichlet allocation. IAES Int. J. Artif. Intell, 2(1), 34–37.
Rajendran, S., Srinivas, S., & Grimshaw, T. (2021). Predicting demand for air taxi urban aviation services using machine learning algorithms. Journal of Air Transport Management, 92, 102043. doi: https://doi.org/10.1016/j.jairtraman.2021.102043
Rocha, A. C. P. (2020). Mineração de textos para classificação de processos judiciais trabalhistas [Dissertação de Mestrado Profissional em Computação Aplicada]. Brasília, Distrito Federal.
Sabo, I. C., Dal Pont, T. R., Wilton, P. E. V., Rover, A. J., & Hübner, J. F. (2022). Clustering of brazilian legal judgments about failures in air transport service: an evaluation of different approaches. Artificial Intelligence and Law, 30(1), 21–57. doi: https://doi.org/10.1007/ s10506-021-09287-3
Scaranello, B. B., Klarmann, J., & de Barros Silva, P. (2022). Os impactos da cultura da judicialização no setor aéreo.
Sicsú, A. L., Samartini, A., & Barth, N. L. (2023). Técnicas de aprendizado de máquina. Editora Blucher.
Ting, S., Ip, W., Tsang, A. H., et al. (2011). Is naive bayes a good classifier for document classification. International Journal of Software Engineering and Its Applications, 5(3), 37–46.
Torres, G. d. O., Guterres, M. X., & Celestino, V. R. R. (2023). Legal actions in brazilian air transport: A machine learning and multinomial logistic regression analysis. Frontiers in Future Transportation, 4.
Tsangaratos, P., & Ilia, I. (2016). Comparison of a logistic regression and naïve bayes classifier in landslide susceptibility assessments: The influence of models complexity and training dataset size. Catena, 145, 164–179.
Zhang, H., & Zhou, L. (2019). Similarity judgment of civil aviation regulations based on doc2vec deep learning algorithm. In 2019 12th international congress on image and signal processing, biomedical engineering and informatics (cisp-bmei) (pp. 1–8).
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista Gestão & Tecnologia

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os direitos, inclusive os de tradução, são reservados. É permitido citar parte de artigos sem autorização prévia desde que seja identificada a fonte. A reprodução total de artigos é proibida. Em caso de dúvidas, consulte o Editor.