Sistema de recomendación de jurisprudencia basado en embeddings de texto para la identificación y sugerencia de precedentes relevantes de las Cortes Superiores de Justicia de la República del Perú

Abstract

La recuperación eficiente de jurisprudencia relevante es un desafío fundamental en el ámbito legal. Esta investigación tiene como objetivo principal desarrollar y evaluar comparativamente la efectividad de tres enfoques algorítmicos para la recomendación de resoluciones judiciales, aplicados a un corpus de jurisprudencia laboral peruana. Se utilizó un corpus de 6918 resoluciones de apelación en materia laboral (período 2021-2022) de la Corte Superior de Justicia de Lima, dividiéndolo en 6848 documentos para entrenamiento/indexación y 30 para evaluación. Los modelos implementados y comparados fueron: 1) Búsqueda Léxica (Okapi BM25), 2) Búsqueda Semántica (SentenceTransformer, bert-base-multilingual-cased), y 3) Búsqueda Híbrida (Reciprocal Rank Fusion - RRF). La evaluación se realizó comparando las 5 mejores recomendaciones (Top-5) de cada modelo contra un "Gold Standard" de relevancia binaria, anotado manualmente por el investigador mediante un sistema de criterios heurísticos estructurados. Se emplearon métricas estándar de recuperación de información, incluyendo Precisión@5 (P@5) y NDCG@5. Los resultados cuantitativos demuestran una superioridad significativa del modelo léxico. Okapi BM25 alcanzó el rendimiento más alto (P@5=0.8400; NDCG@5=0.8604), superando ampliamente al modelo híbrido (P@5=0.6133; NDCG@5=0.5943) y al modelo semántico puro (P@5=0.3600; NDCG@5=0.4001). Se concluye que, para la tarea específica de recomendación basada en resúmenes de jurisprudencia laboral peruana, los métodos léxicos tradicionales que ponderan la frecuencia terminológica (BM25) son, en este contexto, más precisos y efectivos que los enfoques semánticos puros pre-entrenados o su combinación híbrida mediante RRF. Finalmente, se implementó un prototipo local funcional con Flask para la demostración interactiva del sistema.