O Anonimizador Automático de Decisões Judiciais do RIK — a Ferramenta de ML da Estónia para Ocultar Dados Pessoais em Quase 80 Mil Sentenças

As decisões dos tribunais estonianos têm de ter os dados pessoais removidos antes de serem publicadas no Sistema de Informação dos Tribunais, de acesso público, mas a redação manual de acórdãos longos — alguns com mais de 50 páginas, contendo vários nomes, números de identificação, datas de nascimento, moradas, números de telefone, IBANs e endereços de email — é lenta e sujeita a erros. O Centro de Registos e Sistemas de Informação (RIK), a agência governamental de TI sob o Ministério da Justiça e Assuntos Digitais da Estónia, contratou a empresa de tecnologia linguística TEXTA OÜ para automatizar o processo.

A TEXTA construiu um pipeline híbrido que combina um modelo estatístico de Campos Aleatórios Condicionais, um modelo neuronal de reconhecimento de entidades nomeadas Stanford Stanza, e extratores baseados em regras (regex) para identificadores estruturados como emails, IBANs e números de identificação, treinado num corpus de textos judiciais estonianos anotado à medida. O RIK utilizou a ferramenta para anonimizar e republicar quase 80.000 decisões judiciais históricas no Sistema de Informação dos Tribunais, um volume acumulado que seria impraticável de eliminar manualmente.

No seu próprio teste comparativo, o modelo resultante da TEXTA identificou 99% mais nomes pessoais e cerca de três vezes mais nomes de organizações do que o modelo de código aberto EstNER, já existente na Estónia, no mesmo conjunto de dados de processos judiciais. Em janeiro de 2026, o Portal Europa Interoperável da Comissão Europeia destacou a ferramenta na sua coleção Justice & AI Toolbox como uma boa prática reutilizável para outros Estados-Membros da UE que construam sistemas semelhantes de transparência judicial.

Não foi publicada pelo RIK, pela TEXTA ou pelo Ministério nenhuma auditoria de precisão independente e de terceiros do modelo de anonimização — que cobrisse, por exemplo, a sua taxa de falhas em formatos de nomes raros ou em documentos com formatação não padronizada —, e os valores de precisão/exaustividade reportados provêm do teste comparativo interno da própria TEXTA, e não de uma avaliação ordenada por um tribunal, pelo que o risco residual de um dado pessoal não redigido escapar para uma decisão publicada não está quantificado de forma independente.