Extração automatizada de acórdãos dos tribunais fiscais italianos com controle de alucinação de citações

Os autores apresentam um pipeline automatizado que decompor aproximadamente 330.000 acórdãos dos tribunais fiscais italianos em questões legais individuais e extrai representações XML estruturadas baseadas no framework IRAC. O sistema usa DeepSeek V3 para processamento com custo eficiente e acopla a extração com um filtro de detecção de alucinação que compara as referências geradas pelo modelo com aquelas identificadas pelo parser Linkoln.

• Alvo um corpus de 330.000 decisões dos tribunais fiscais italianos de primeira e segunda instância.
• Usa DeepSeek V3 para processar documentos a um custo sustentável.
• Valida o pipeline em 50 acórdãos anotados por especialistas, medindo o acordo entre anotadores e a concordância LLM-vs-especialista.
• Normaliza citações para identificadores padrão (URN-NIR, ECLI, CELEX) usando Linkoln.

Esta extração estruturada fornece um ponto de partida concreto para aplicações downstream como recuperação em nível de questão, análise de rede de citações e a construção de conjuntos de dados de raciocínio legal em larga escala.