Esta página sintetiza o processo de reconhecimento de entidades nomeadas e mostra o que ele revela sobre o corpus: quais atores, fontes, lugares, instituições e pares de entidades organizam as notas em língua portuguesa.
O NER transforma cada nota em um conjunto estruturado de menções: pessoas, atores políticos, veículos de mídia, órgãos públicos, URLs, locais, partidos, estatísticas, datas e outras categorias. Isso permite sair da leitura apenas textual e observar quem aparece, quais fontes sustentam as evidências e quais entidades circulam juntas.
A página não trata o reconhecimento automático como verdade final. O ponto central é a combinação entre extração por modelo, correferência e limpeza: “Lula”, “Luiz Inácio Lula da Silva” e variações passam a ser agregadas; descritores genéricos são removidos; e alguns casos dependentes de contexto recebem tratamento específico.
O notebook parte de df_entidades_gliner.parquet com 536.373 linhas de entidades, 131.399 notas únicas e 118.117 menções de pessoas. Depois da curadoria, a base usada nas análises fica menor e mais consistente.
O modelo reconhece spans de entidade e atribui tipos, mantendo metadados da nota, tema, status e contexto.
Aliases políticos e públicos são unificados em nomes canônicos para reduzir fragmentação.
Descritores genéricos e termos institucionais pouco informativos são removidos antes dos agregados.
As entidades limpas alimentam rankings, concentração, fontes, co-ocorrências e cruzamentos por classe.
A limpeza reduziu a base de 536.373 para 510.845 linhas, removendo 25.528 menções. O maior corte veio de genéricos de pessoa (24.018) e genéricos institucionais (1.510). A correferência aplicou 22.421 aliases políticos, 10.605 aliases de pessoas públicas e 640 regras contextuais.
O resultado mais forte é a centralidade das evidências externas: URL_DOMINIO responde por 34,2% das menções. Em seguida aparecem locais, pessoas, organizações e veículos de mídia. Ou seja, as notas em português são fortemente organizadas por links, referências geográficas e atores nomeados.
Mais de um terço das menções são domínios. Isso combina com a função das notas: acrescentar contexto verificável, frequentemente ancorado em links.
Locais, pessoas e organizações aparecem em bloco: a checagem costuma depender de quem, onde e em qual instituição ou veículo a alegação se ancora.
Atores políticos são uma categoria importante, mas não dominante isoladamente. O corpus mistura política, mídia, celebridades, redes sociais e fontes oficiais.
A correferência revela uma forte concentração: poucos nomes organizam uma parcela relevante das menções. Entre atores políticos, Jair Bolsonaro e Lula aparecem muito acima dos demais, seguidos por Donald Trump e Alexandre de Moraes. Entre pessoas públicas, o topo mistura tecnologia, cultura pop, casos virais e celebridades.
O conjunto de URLs mostra duas camadas diferentes. Em volume absoluto de domínios, x.com aparece como o domínio mais citado, seguido por g1.globo.com, cnnbrasil.com.br, twitter.com e instagram.com. Já na leitura por categorias heurísticas nomeadas, a maior fatia classificada é a de mídia tradicional brasileira, seguida por redes sociais.
As barras de categoria usam percentual real do total de URLs, não escala normalizada pelo maior grupo. A categoria outros foi mantida porque aparece na categorização heurística do notebook, mas deve ser lida como residual operacional: domínios que não foram enquadrados nas regras nomeadas, e não um tipo substantivo de fonte equivalente a mídia, governo, rede social ou fact-checking.
Para a rede, o notebook considera entidades presentes em pelo menos 5 notas, resultando em 5.537 entidades válidas e 63.587 pares distintos. A escolha por contagem absoluta favorece uma leitura direta: os pares abaixo são os que mais aparecem juntos na mesma nota.
| Alexandre de Moraes | Dilma Rousseff | Donald Trump | Eduardo Bolsonaro | Fernando Haddad | Flávio Bolsonaro | Flávio Dino | Jair Bolsonaro | Javier Milei | Joe Biden | Lula | Michel Temer | Nicolás Maduro | Nikolas Ferreira | Tarcísio de Freitas |
|
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Alexandre de Moraes | 1.041 | 4 | 21 | 17 | 0 | 5 | 12 | 114 | 0 | 1 | 46 | 9 | 0 | 5 | 3 |
| Dilma Rousseff | 4 | 503 | 0 | 0 | 0 | 0 | 2 | 91 | 0 | 0 | 110 | 70 | 0 | 0 | 0 |
| Donald Trump | 21 | 0 | 1.786 | 26 | 10 | 9 | 0 | 182 | 9 | 69 | 160 | 0 | 16 | 6 | 2 |
| Eduardo Bolsonaro | 17 | 0 | 26 | 313 | 2 | 4 | 0 | 31 | 0 | 1 | 14 | 0 | 1 | 3 | 1 |
| Fernando Haddad | 0 | 0 | 10 | 2 | 271 | 1 | 0 | 20 | 2 | 0 | 45 | 1 | 0 | 3 | 5 |
| Flávio Bolsonaro | 5 | 0 | 9 | 4 | 1 | 225 | 0 | 40 | 0 | 0 | 10 | 0 | 0 | 3 | 2 |
| Flávio Dino | 12 | 2 | 0 | 0 | 0 | 0 | 270 | 8 | 0 | 0 | 28 | 0 | 0 | 2 | 0 |
| Jair Bolsonaro | 114 | 91 | 182 | 31 | 20 | 40 | 8 | 5.113 | 21 | 7 | 747 | 107 | 7 | 15 | 42 |
| Javier Milei | 0 | 0 | 9 | 0 | 2 | 0 | 0 | 21 | 309 | 0 | 22 | 0 | 2 | 0 | 0 |
| Joe Biden | 1 | 0 | 69 | 1 | 0 | 0 | 0 | 7 | 0 | 269 | 19 | 1 | 0 | 0 | 0 |
| Lula | 46 | 110 | 160 | 14 | 45 | 10 | 28 | 747 | 22 | 19 | 4.856 | 47 | 53 | 40 | 20 |
| Michel Temer | 9 | 70 | 0 | 0 | 1 | 0 | 0 | 107 | 0 | 1 | 47 | 230 | 0 | 0 | 1 |
| Nicolás Maduro | 0 | 0 | 16 | 1 | 0 | 0 | 0 | 7 | 2 | 0 | 53 | 0 | 385 | 0 | 0 |
| Nikolas Ferreira | 5 | 0 | 6 | 3 | 3 | 3 | 2 | 15 | 0 | 0 | 40 | 0 | 0 | 788 | 0 |
| Tarcísio de Freitas | 3 | 0 | 2 | 1 | 5 | 2 | 0 | 42 | 0 | 0 | 20 | 1 | 0 | 0 | 250 |
A co-ocorrência não prova relação causal nem concordância política. Ela mostra proximidade discursiva dentro das notas. Por isso, pares como Jair Bolsonaro ↔ Lula, Brasil ↔ g1 ou Hamas ↔ Israel devem ser lidos como sinais de temas recorrentes, não como juízos de valor.
O cruzamento por label_3classes sugere uma diferença de composição. Notas classificadas como helpful têm proporção maior de URLs; notas not_helpful e uncertain concentram relativamente mais atores políticos e pessoas. Isso é coerente com a hipótese de que notas úteis tendem a ser mais ancoradas em evidência externa, enquanto notas incertas ou rejeitadas podem circular mais em disputa interpretativa sobre personagens e instituições.
| Tipo | Helpful | Not helpful | Uncertain |
|---|---|---|---|
| URL DOMINIO | 37,8% | 30,7% | 33,7% |
| ATOR POLITICO | 2,9% | 6,2% | 7,1% |
| PESSOA | 11,5% | 12,7% | 9,1% |
| ORGANIZACAO | 10,8% | 12,6% | 8,8% |
| VEICULO MIDIA | 8,3% | 7,8% | 8,6% |
| LOCAL | 9,2% | 9,7% | 9,7% |
| PLATAFORMA DIGITAL | 8,4% | 4,9% | 5,0% |
| ORGAO PUBLICO | 1,6% | 2,3% | 3,5% |
| PARTIDO | 0,6% | 1,9% | 1,9% |
Esse cruzamento é descritivo, não causal. A presença de uma entidade não torna uma nota útil ou não útil; ela apenas ajuda a caracterizar o tipo de conteúdo, fonte ou disputa que aparece com maior frequência em cada classe.
URLs e veículos de mídia aparecem no centro da estrutura. A análise de entidades mostra que boa parte das notas tenta se legitimar por referência externa.
Lula, Jair Bolsonaro, STF, PF, PT e PL formam uma rede recorrente, mas aparecem misturados a mídia, país, redes sociais e casos específicos.
Sem aliases e remoção de genéricos, os rankings ficam fragmentados e superestimam ruído. A camada de correferência é parte do resultado, não só uma etapa técnica.
Esta página foi construída a partir dos resultados já materializados no notebook de análise. Para atualizar os números, basta reexecutar o pipeline de NER/curadoria, regenerar os agregados e substituir os blocos numéricos correspondentes.