TÉCNICAS DE RECONHECIMENTO DE PADRÕES APLICADAS À JUSTIÇA DO TRABALHO

  • Alessandra Memari Pavanelli
  • Genival Pavanelli
  • Maria Teresinha Arns Steiner
  • Deise Maria Bertholdi Costa
  • Dr. Bráulio Gabriel Gusmão

Resumo

O presente trabalho tem como objetivos prever o tempo de duração de audiências trabalhistas e, também, o tempo de duração do trâmite de processos trabalhistas aos usuários do sistema de justiça. Desta forma, pretende-se otimizar tanto o agendamento dos horários dos juízes, através da geração de uma “agenda inteligente”, assim como, a “negociação” entre as partes envolvidas nos processos. A metodologia proposta consiste em aplicar e comparar duas técnicas da área da Pesquisa Operacional, Redes Neurais Artificiais (RNAs) e Regressão Linear Múltipla (RLM), com o intuito de obter o melhor desempenho possível para as previsões citadas. Para tanto, utilizou-se os dados de processos trabalhistas do Fórum Trabalhista de São José dos Pinhas, Paraná, para se fazer o treinamento de diversas RNAs com várias topologias e, também, da RLM. Em diversas simulações, ambas as técnicas foram utilizadas diretamente e, em outras, a Análise de Componentes Principais (ACP) e/ou a codificação dos atributos foi executada preliminarmente a utilização das mesmas, visando melhorar ainda mais os seus desempenhos. Assim, obtendo-se novos dados (processos) para os quais seja necessária qualquer uma das previsões, tenha-se condições de “diagnosticar” os seus tempos (duração da audiência ou duração do trâmite do processo), preliminarmente as suas execuções. As duas técnicas utilizadas mostraram-se eficientes, apresentando resultados consistentes com uma margem de erro aceitável.

Publicado
27-07-2011
Como Citar
Pavanelli, A., Pavanelli, G., Arns Steiner, M., Bertholdi Costa, D., & Gusmão, D. B. (2011). TÉCNICAS DE RECONHECIMENTO DE PADRÕES APLICADAS À JUSTIÇA DO TRABALHO. Pesquisa Operacional Para O Desenvolvimento, 3(2), 90-106. Recuperado de https://podesenvolvimento.org.br/podesenvolvimento/article/view/140
Seção
Artigos