CLARA: Um Dataset Validado e Enriquecido para Classificação de Conformidade Documental no Setor Público Brasileiro

CLARA (Classificação Legal de Arquivos e Registros Administrativos) é um dataset público com cerca de 10.000 registros textuais para a classificação de conformidade de documentos no setor público brasileiro. Ele é balanceado entre as classes Público, Interno e Sigiloso, definidas com base na Lei de Acesso à Informação (LAI) e na Lei Geral de Proteção de Dados (LGPD). O dataset é composto por aproximadamente 10.000 registros textuais, meticulosamente balanceados em três classes fundamentais: Público (2): Documentos de acesso irrestrito, como atos administrativos finais e resultados de licitações. Interno (1): Informações de circulação restrita a agentes da instituição, como documentos preparatórios e pareceres. Sigiloso (0): Dados cujo acesso é limitado por lei, incluindo informações pessoais sensíveis e investigações em andamento. Para garantir a privacidade e resolver o desbalanceamento de classes, o dataset é 100% artificial, criado a partir de documentos do TRT-13 com técnicas de reformulação semântica e geração sintética de dados via Large Language Model (LLM). A qualidade dos rótulos foi atestada por validação humana em uma amostra de 10% do corpus, alcançando um índice Kappa de Cohen de 0.821.O dataset foi validado experimentalmente no fine-tuning do modelo Legal-BERT, que atingiu um F1-Score médio de 0.89 na tarefa de classificação. O CLARA é disponibilizado em formato JSON para fomentar a pesquisa e o desenvolvimento de novas soluções em governança de dados.