Judicialization of air transport: a machine learning application

Authors

DOI:

https://doi.org/10.20397/2177-6652/2025.v25i3.3097

Keywords:

Judicialização; Transporte aéreo; Aprendizado de máquina

Abstract

Title: Judicialization of air transport: a machine learning application

Objective: To standardize the classification of reasons and causes of legal cases against airlines and analyze whether this standardization impacts the performance of machine learning models in predicting the values of judicial compensations.

Methodology/Procedures: A methodology similar to content analysis and systematic literature reviews was applied to reclassify the reasons and causes of legal cases. Then, the machine learning models proposed by Torres et al. (2023) were reapplied with data from legal cases of two national airlines between 2019 and 2022, covering 16 Brazilian states.

Originality/Relevance: The study combines two topics previously analyzed separately by other authors: the standardization of the causes of legal cases in the air transport sector and the prediction of compensations.

Main Results: The results showed significant improvements in all three evaluated models, with accuracy, precision, recall, and F1-score above 93%, and an AUC-ROC above 98%. The Random Forest model stood out as the most effective in all metrics analyzed, especially in the precise classification of the "Low" compensation category.

Theoretical/Methodological Contributions: The study proposes the standardization of the classification of legal case causes in air transport and successfully applies machine learning models to predict compensations, offering a new approach to predicting expenses in the sector.

Keywords: judicialization; air transport; machine learning.

Author Biographies

Thaís Ferreira Lopes Oliveira, Universidade de Brasília

Mestranda em Administração (Finanças e Métodos Quantitativos) no PPGA/UnB. Graduada em Administração pela Universidade de Brasília (2019) e pós-graduada em Ciências de Dados e Machine Learning pelo Centro Universitário de Brasília (2021). Ao longo da graduação, acumulou experiências em diversos estágios tanto na área pública como na privada e também fez parte do Movimento de Empresas Júnior como consultora e líder de projetos da ADM Consultoria Empresarial. Após formada, atuou como Consultora em projetos de gestão pelo Instituto Publix, Analista de Inteligência e Performance e Analista de Estratégia do Negócio na Wiz Co. Atualmente, atua como Analista de Dados na Unifique e pesquisadora no projeto "Diagnóstico sobre a Judicialização do Transporte Aéreo no Brasil: Uma aplicação de Aprendizado de Máquina".

Victor Rafael Rezende Celestino, Universidade de Brasília

Professor Adjunto na Universidade de Brasília (UnB) no Departamento de Administração da Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (ADM/FACE). Graduação em Engenharia Aeronáutica no Instituto Tecnológico de Aeronáutica (ITA), Mestre em Métodos Quantitativos (ITA), Doutor em Psicologia na Universidade Católica de Brasília (UCB). Especialista em Regulação da Aviação Civil (ANAC), em Estratégia Organizacional (FGV) e Engenharia de Ensaios em Voo (DCTA), além de diversos cursos de educação continuada. Possui formação em diversas práticas integrativas e complementares (PICS) em saúde, entre essas, constelações sistêmicas familiares e organizacionais, meditação e yoga. Com mais de trinta e cinco anos de experiência profissional, atuou em diversos ambientes organizacionais, inclusive na gestão organizacional e na direção estratégica, no setor público e em empresas nacionais e multinacionais. Vinte anos de experiência na docência na graduação e pós-graduação. Extensa experiência internacional. Ensino de Pesquisa Operacional e Métodos e Modelos Quantitativos para a Tomada de Decisão, com aplicação de Aprendizado de Máquina, Ciência de Dados e Inteligência Artificial. Pesquisa com foco no Setor Aeroespacial, em CT&I, em Finanças e Organizações e nos Fatores Humanos no Trabalho. Fluência em Inglês e bons conhecimentos de Espanhol, Francês e Alemão.

References

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

Published

2025-06-30

How to Cite

Ferreira Lopes Oliveira, T., & Rezende Celestino, V. R. (2025). Judicialization of air transport: a machine learning application. Revista Gestão & Tecnologia, 25(3), 149–177. https://doi.org/10.20397/2177-6652/2025.v25i3.3097

Issue

Vol. 25 No. 3 (2025)

Section

ARTIGO

License

Copyright (c) 2025 Revista Gestão & Tecnologia

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Authors who publish with this journal agree to the following terms: • 1. The author(s) authorize the publication of the article in the journal. • 2. The author(s) ensure that the contribution is original and unpublished and is not being evaluated in other journal(s). • 3. The journal is not responsible for the opinions, ideas and concepts expressed in the texts because they are the sole responsibility of the author(s). • 4. The publishers reserve the right to make adjustments and textual adaptation to the norms of APA. • 5. Authors retain copyright and grant the journal right of first publication, with the work [SPECIFY PERIOD OF TIME] after publication simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal. • 6. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal. • 7. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access) at http://opcit.eprints.org/oacitation-biblio.html