Datasetpublic

walmeidadf/STJ-SumBR

STJ-SumBR Dataset de sumarização jurídica construído a partir de acórdãos públicos do Superior Tribunal de Justiça do Brasil (STJ). Cada exemplo alinha o inteiro teor de um acórdão com a ementa oficial produzida pela Secretaria de Jurisprudência do STJ. Resumo O STJ disponibiliza publicamente dois conjuntos de dados via STJ Dados Abertos: os espelhos de acórdãos (metadados estruturados e ementa) e as íntegras (texto completo em PDF convertido para TXT). Este… See the full description on the dataset page: https://huggingface.co/datasets/walmeidadf/STJ-SumBR.

sourceHugging Facecc-by-4.0updated 3mo agoView on Hugging Face

0likes107downloads

Dataset Card

STJ-SumBR

Dataset de sumarização jurídica construído a partir de acórdãos públicos do Superior Tribunal de Justiça do Brasil (STJ). Cada exemplo alinha o inteiro teor de um acórdão com a ementa oficial produzida pela Secretaria de Jurisprudência do STJ.

Resumo

O STJ disponibiliza publicamente dois conjuntos de dados via STJ Dados Abertos: os espelhos de acórdãos (metadados estruturados e ementa) e as íntegras (texto completo em PDF convertido para TXT). Este projeto cruza essas duas fontes por numeroRegistro para produzir pares supervisionados adequados a tarefas de sumarização automática de decisões judiciais em português brasileiro.

A cobertura inclui as 10 colegiados do STJ (seis turmas, três seções e a Corte Especial), com acórdãos de 2022 a 2026.

Tarefas suportadas

—Sumarização extrativa/abstrativa (documento → ementa)
—Sumarização estruturada (documento → resumo_contexto, resumo_instituto, resumo_fundamentacao, resumo_entendimento) — disponível em ~16% dos exemplos, produzidos por ministros que adotam a estrutura I-IV a partir de 2025

Idioma

Português brasileiro (pt-BR). Linguagem jurídica formal.

Estrutura do dataset

Configurações

Config	Descrição	Exemplos (aprox.)
`full`	Exemplos com inteiro teor disponível	~57k
`ementa_only`	Todos os espelhos, incluindo os sem íntegra	~127k

Splits

Estratificados por ano de julgamento (80 / 10 / 10).

Campos

Campo	Tipo	Descrição
`id`	`str`	Número do processo legível (`siglaClasse + numeroProcesso`)
`numero_registro`	`str`	Identificador interno do STJ (12 dígitos)
`turma`	`str`	Órgão julgador (ex: `"TERCEIRA TURMA"`)
`area_direito`	`str`	Área derivada da turma: `civil`, `penal`, `público`, `misto`
`sigla_classe`	`str`	Classe processual (ex: `"REsp"`, `"AgInt no AREsp"`)
`data_julgamento`	`str`	Data em ISO 8601
`relator`	`str`	Ministro relator
`documento`	`str\	null`	Inteiro teor sem a ementa (relatório + votos). `null` nos exemplos sem íntegra
`ementa`	`str`	Ementa oficial — target principal de sumarização
`resumo_contexto`	`str\	null`	I. CASO EM EXAME — fatos do caso
`resumo_instituto`	`str\	null`	II. QUESTÃO EM DISCUSSÃO — questão jurídica central
`resumo_fundamentacao`	`str\	null`	III. RAZÕES DE DECIDIR — fundamentos
`resumo_entendimento`	`str\	null`	IV. DISPOSITIVO — resultado do julgamento
`is_estruturada`	`bool`	`True` quando os subcampos I-IV estão presentes
`legislacao_citada`	`list[str]`	Referências legislativas no formato STJ
`jurisprudencia_citada`	`str\	null`	Citações jurisprudenciais (campo livre)
`n_tokens_documento`	`int\	null`	Contagem de tokens (`tiktoken cl100k_base`)
`has_integra`	`bool`	Se o inteiro teor está disponível
`seq_documento`	`str\	null`	Identificador do TXT na fonte
`data_publicacao`	`str\	null`	Data de publicação no DJe (ISO 8601)

Exemplo

python

{
  "id": "REsp 2027136",
  "turma": "TERCEIRA TURMA",
  "area_direito": "civil",
  "data_julgamento": "2024-08-27",
  "relator": "NANCY ANDRIGHI",
  "ementa": "DIREITO CIVIL. RECURSO ESPECIAL. RESPONSABILIDADE CIVIL...",
  "documento": "ACÓRDÃO\nVistos, relatados e discutidos estes autos...",
  "is_estruturada": False,
  "n_tokens_documento": 4391
}

Estatísticas

Métrica	Valor
Acórdãos totais (ementa_only)	~127k
Com inteiro teor (full)	~57k
Com resumo estruturado I-IV	~20k (15,9%)
Turmas / seções cobertas	10
Período	2022–2026
Tokens por documento — mediana	4.391
Tokens por documento — máximo	~124k
Tokens por ementa — mediana	~365

Dados originais

Os dados são disponibilizados publicamente pelo STJ em dadosabertos.web.stj.jus.br sob a Portaria CNJ 209/2019, que permite uso livre com atribuição.

—Espelhos de acórdãos: JSONs mensais por turma/seção, via API CKAN
—Íntegras: ZIPs diários de TXTs, via API CKAN

O código de coleta e processamento está disponível em github.com/walmeidadf/dataset-STJ-SumBR.

Considerações de uso

—Os acórdãos são documentos públicos que podem conter nomes de partes, advogados e outros dados pessoais. Nenhuma anonimização foi aplicada, seguindo o mesmo princípio de datasets jurídicos publicados na literatura (ex: RulingBR).
—O campo documento pode ser longo (mediana ~4k tokens). Verifique os limites de contexto do modelo antes de usar.
—A taxa de match espelho↔íntegra varia por turma e período (~93% na Terceira Turma, maio 2026). Exemplos sem íntegra têm documento = null e has_integra = false.
—A estrutura I-IV está presente em acórdãos de 2025+ de ministros específicos. Não é representativa de toda a coleção.

Licença

—Dados originais (STJ): uso livre com atribuição — CNJ Portaria 209/2019
—Dataset compilado: CC BY 4.0
—Código: MIT

Citação

bibtex

@dataset{stj-sumbr-2026,
  title     = {STJ-SumBR: Dataset de sumarização jurídica a partir de acórdãos do STJ},
  author    = {Almeida, Wesley},
  year      = {2026},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/datasets/walmeidadf/STJ-SumBR},
  note      = {Dados originais: STJ Dados Abertos (dadosabertos.web.stj.jus.br),
               licença CNJ Portaria 209/2019}
}