Judicialización del transporte aéreo: una aplicación de aprendizaje automático

Autores/as

DOI:

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

Palabras clave:

Judicialização; Transporte aéreo; Aprendizado de máquina

Resumen

Título: Judicialización del transporte aéreo: una aplicación de aprendizaje automático Objetivo: Estandarizar la clasificación de los motivos y causas de los procesos judiciales contra las aerolíneas y analizar si esta estandarización impacta en el desempeño de los modelos de aprendizaje automático para predecir los valores de las indemnizaciones judiciales.

Metodología/procedimientos metodológicos: Se aplicó una metodología similar al análisis de contenido y revisiones sistemáticas de literatura para reclasificar los motivos y causas de los procesos judiciales. Posteriormente, los modelos de aprendizaje automático propuestos por Torres et al. (2023) fueron reaplicados con datos de procesos judiciales de dos aerolíneas nacionales, entre 2019 y 2022, abarcando 16 estados brasileños.

Originalidad/Relevancia: El estudio combina dos temas previamente analizados por otros autores de manera separada: la estandarización de las causas de los procesos judiciales en el sector aéreo y la predicción de indemnizaciones.

Principales resultados: Los resultados mostraron mejoras significativas en los tres modelos evaluados, con precisión, exactitud, recall y F1-score superiores al 93%, y una AUC-ROC superior al 98%. El modelo Random Forest se destacó como el más eficaz en todas las métricas analizadas, especialmente en la clasificación precisa de la categoría de indemnizaciones "Bajo". Contribuciones teóricas/metodológicas: El estudio propone la estandarización de la clasificación de las causas de los procesos judiciales en el transporte aéreo y aplica con éxito modelos de aprendizaje automático para predecir indemnizaciones, ofreciendo un nuevo enfoque para la predicción de gastos en el sector.

Palabras clave: judicialización; transporte aéreo; aprendizaje automático.

Biografía del autor/a

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.

Citas

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).

Descargas

Publicado

2025-06-30

Cómo citar

Ferreira Lopes Oliveira, T., & Rezende Celestino, V. R. (2025). Judicialización del transporte aéreo: una aplicación de aprendizaje automático . Revista Gestão & Tecnologia, 25(3), 149–177. https://doi.org/10.20397/2177-6652/2025.v25i3.3097

Número

Vol. 25 Núm. 3 (2025)

Sección

ARTIGO

Licencia

Derechos de autor 2025 Revista Gestão & Tecnologia

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

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.