ffantini/jurisprudencia_stj_pt

Dataset de Jurisprudência do STJ de Portugal (2025)

Descrição do Dataset

Este dataset contém uma amostra de acórdãos proferidos pelo Supremo Tribunal de Justiça (STJ) de Portugal durante o ano de 2025. Cada registo no dataset corresponde a um acórdão completo, incluindo o seu texto integral, o sumário e um conjunto de metadados ricos.

Os dados representam uma amostra aleatória de 5% do total de acórdãos de 2025 disponíveis na base de dados de origem, filtrados para incluir apenas registos com sumário preenchido.

Este recurso foi criado para apoiar a investigação e o desenvolvimento de aplicações de Processamento de Linguagem Natural (PLN) no domínio jurídico em língua portuguesa.

Tarefas Suportadas

O dataset é particularmente útil para uma variedade de tarefas de PLN, tais como:

• —Sumarização de Texto: Utilizar o texto_integral como entrada e o sumario como o texto de referência (ground truth).
• —Classificação de Texto: Classificar a decisão final de um acórdão utilizando a coluna decisao_tag como etiqueta.
• —Question Answering / RAG (Retrieval-Augmented Generation): O texto_integral serve como uma base de conhecimento para responder a perguntas sobre o conteúdo dos acórdãos.
• —Named Entity Recognition (NER): Identificar entidades jurídicas, nomes, datas e outros elementos específicos do domínio legal.

Idiomas

O texto no dataset está em Português (Portugal). O código de idioma correspondente é pt-PT.

Estrutura do Dataset

Campos de Dados

Cada registo no dataset representa um acórdão e possui os seguintes campos:

• —doc_id (string): Identificador único do documento, geralmente o número do processo.
• —texto_integral (string): O texto completo do acórdão.
• —sumario (string): O sumário oficial do acórdão.
• —tribunal (string): O tribunal de origem (neste dataset, sempre 'STJ').
• —processo_numero (string): O número do processo.
• —data_acordao (date): A data em que o acórdão foi proferido.
• —relator (string): O nome do juiz relator.
• —decisao_tag (string): Uma etiqueta curta que resume a decisão (ex: "NEGADA A REVISTA", "CONCEDIDA A REVISTA").
• —tags (list[string]): Uma lista de tags ou palavras-chave associadas ao documento.
• —url_original (string): O URL para o acórdão na fonte original.

Divisões (Splits)

O dataset contém uma única divisão de dados:

Podes encontrar o número exato de registos na página principal do dataset e atualizar a tabela.

Como Utilizar

Podes carregar o dataset facilmente utilizando a biblioteca datasets do Hugging Face:

from datasets import load_dataset

# Carregar o dataset
ds = load_dataset("ffantini/jurisprudencia_stj_pt")

# Aceder ao split de treino
train_split = ds['train']

# Imprimir o primeiro exemplo
print(train_split[0])