Skip to content

Como Calculamos o Score de Coerência

O Score de Coerência é a principal métrica do ContraDito. Ele não é baseado em opiniões políticas, mas sim em um cruzamento analítico e matemático entre o discurso público (o que o político diz) e o voto em plenário (o que o político faz).

Abaixo, detalhamos o passo a passo de como a nossa Inteligência Artificial e o nosso motor de regras chegam à nota final de cada parlamentar.

O Fluxo de Cálculo (Passo a Passo)

1. Extração de Entidades e Posicionamento (O "Dito")

Primeiro, coletamos os discursos oficiais do parlamentar na Câmara dos Deputados. Nossa Inteligência Artificial (modelo LLM rodando via Ollama) lê o texto e extrai três informações cruciais: * Tema/Tag: Qual é o assunto principal? (ex: Reforma Tributária, Privatização, Meio Ambiente). * Posicionamento: Qual a postura do político sobre o tema? (A favor, Contra ou Neutro). * Trecho (Evidência): A frase exata que comprova esse posicionamento.

2. Mapeamento de Votos Oficiais (O "Feito")

Em paralelo, nosso banco de dados mapeia como esse mesmo parlamentar votou (Sim, Não ou Abstenção) em Projetos de Lei (PLs) e emendas que possuem as mesmas Tags identificadas nos discursos.

3. O Cruzamento de Dados (O Match)

O motor do ContraDito cruza a tag do discurso com a tag do voto e verifica a consistência: * Coerência Positiva: Discursou "A favor" e votou "Sim" (ou discursou "Contra" e votou "Não"). * Contradição (Incoerência): Discursou "A favor" e votou "Não" (ou vice-versa). * Abstenção/Neutralidade: Avaliada caso a caso dependendo do impacto da votação.

4. A Fórmula Matemática do Score

O Score de Coerência é uma nota de [0 a 100], calculada com base no percentual de consistência entre os discursos e os votos atrelados à mesma tag.

Fórmula simplificada: Score = (Total de Ações Coerentes / Total de Cruzamentos Válidos) * 100

Exemplo Prático:

Se o Deputado X possui 10 cruzamentos válidos (temas onde ele discursou E votou), e em 8 deles o voto seguiu o discurso, seu Score de Coerência será 80. Os 2 casos divergentes serão listados no perfil dele como "Provas da Contradição".

Limitações e Mitigações

Reconhecemos que a política é dinâmica e os políticos podem mudar de opinião ao longo do tempo. Para garantir justiça no cálculo: * Fator Temporal: Damos prioridade a cruzamentos de discursos e votos que ocorreram na mesma legislatura ou em um espaço de tempo próximo. * Contexto da Votação: Votos em "Destaques" ou manobras regimentais (que às vezes obrigam o político a votar "Não" no texto-base para aprovar uma emenda) são tratados com cautela pelo nosso modelo para evitar falsos positivos de contradição.

Os Bastidores do Passo 1: O Script de Extração (Seeder)

Para garantir que a Inteligência Artificial não perca tempo processando ruídos protocolares (como "Obrigado, Sr. Presidente" ou "Passo a palavra"), nosso script de extração em Python (seeder.py) atua como o primeiro filtro do sistema.

Abaixo, destacamos as regras de negócio aplicadas direto no código antes mesmo do dado chegar ao banco:

  1. Filtro de Relevância (Tamanho do Texto): O script consome a API da Câmara (/deputados/{id}/discursos) e ignora automaticamente qualquer transcrição que tenha menos de 150 caracteres.
  2. Preparação para a IA: O script cria o objeto do político inicializando o score_coerencia zerado e cria um registro na tabela provas_contradicao com os campos de análise (topico_identificado, postura_extraida, voto_oficial, justificativa) preenchidos como None. Estes "espaços em branco" são o gatilho para o processamento da Inteligência Artificial.
  3. Idempotência (Upsert): Utilizamos a função .upsert() do Supabase baseada no ID do parlamentar. Isso garante que o script possa ser rodado múltiplas vezes (rotina diária ou semanal) sem duplicar políticos ou discursos no banco de dados.

Trecho de destaque (Filtro de Ruído): ```python def buscar_ultimo_discurso_relevante(id_camara): # ... (código de conexão com a API omitido para brevidade) ... for discurso in dados: texto = discurso.get("transcricao", "") data_hora = discurso.get("dataHoraInicio", "2023-01-01T00:00").split("T")[0]

    # Regra de Negócio: Ignora discursos curtos/protocolares
    if len(texto) > 150:
        return texto, data_hora

return "Nenhum discurso relevante encontrado após aplicar os filtros.", "2023-01-01"