Apenas 10% dos cerca de 1.6 mil novos Projetos de Lei Ordinária apresentados anualmente na Câmara dos Deputados são aprovados. Uma grande quantidade de tempo e de recursos são investidos em análises qualitativas para entender e identificar quais projetos possuem ou não a chance de serem aprovados. Porém, as análises qualitativas manuais são tarefas difíceis e caras devido ao grande volume de projetos e a complexidade do Processo Legislativo. Neste trabalho desenvolvemos um artefato de software capaz de identificar as características que influenciam na aprovação ou arquivamento dos projetos visando automatizar a tarefa de análise. O artefato foi desenvolvido em três etapas. Na primeira etapa foi criado um banco de dados de projetos de lei apresentados entre 2003 e 2016 e com 72 variáveis. A base de dados foi dividida em 7 conjuntos, estes submetidos a análises de mineração de dados. Na segunda etapa, por meio do LASSO, selecionamos as 20 características de maior poder preditivo. Na terceira etapa, submetemos essas variáveis a três análises de Aprendizado de Máquina: Regressão Logística, LASSO e Floresta Aleatória. O cruzamento dos resultados das análises de Aprendizado de Máquina, identificou 7 características do Processo Legislativo estatisticamente relevantes para a aprovação ou para o arquivamento de um projeto. Finalmente, analisamos a própria base de dados de projetos de lei para testar a capacidade preditiva do artefato. Por meio da Floresta Aleatória, obtivemos uma performance preditiva média de F1-Score de 0.861 com uma precisão positiva de 0.778. Nossos resultados indicam que é possível utilizar inteligência artificial para prever em parte o comportamento do processo legislativo. O uso do artefato desenvolvido ajudará diferentes grupos sociais e econômicos a se anteciparem a mudanças legislativas.

Only 10% of the approximately 1.6 thousand new ordinary bills presented annually in the Chamber of Deputies of Brazil are approved. A vast amount of time and resources are used in qualitative analysis aiming to understand and identify which bills have the chance of being approved. However, the volume of bills and the complexity of the Legislative Process make these manual qualitative analyzes difficult and expensive. In this work we developed a software artifact capable of identifying variables that influence the approval or archiving of the bill in order to automate the analysis task. The artifact was developed in three stages. In the first stage we created a database of bills submitted between 2003 and 2016 and with 72 variables. We divided the database into 7 sets, which were subjected to data mining analyzes. In the second stage, through the LASSO, we selected the 20 characteristics with the highest predictive power. In the third step, we submitted these variables to three Machine Learning analyzes: Logistic Regression, LASSO and Random Forest. Crossing the results of the Machine Learning analyzes, we identified 7 characteristics of the Legislative Process statistically relevant to the approval or archiving of a bill. Finally, we analyze the database of bills to test the predictive power of the artifact itself. Through the Random Forest, we obtained an average predictive performance of F1-Score equal to 0.861 with a positive precision of 0.778. Our results indicate that it is possible to use artificial intelligence to predict part of the Legislative Process behavior. Our artifact can aid different social and economic groups to anticipate legislative changes.