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.
Uma auditoria da camada de entidades encontrou dois defeitos sistemáticos na revisão anterior e removeu 88.440 das suas 510.352 linhas. O maior: 88.300 spans do modelo caíam dentro de um span URL_DOMINIO — o extrator lia o slug da URL como texto corrido, e globo, em g1.globo.com/…, era registrado uma segunda vez como veículo de mídia. Como o conteúdo da URL já é capturado pela camada determinística, essas menções duplicavam material já contado. Os outros 140 eram spans cujos offsets não recuperavam o próprio texto. A revisão canônica d4f438b3 tem 421.912 menções, e toda linha removida está publicada em quality_audit/entities_removed_2026-08.parquet.
Na revisão canônica, URL_DOMINIO é o tipo mais frequente e responde por 41,4% das 421.912 menções distribuídas em 126.527 notas. Em seguida aparecem pessoas, locais, organizações e veículos de mídia. A distribuição descreve a composição do corpus neste snapshot; não mede a qualidade nem a suficiência da evidência citada.
Pouco mais de um terço das menções são domínios de URL. O padrão é compatível com a função declarada das notas — acrescentar contexto verificável —, mas descreve a composição do corpus, não a qualidade da evidência citada.
Locais, pessoas e organizações aparecem logo em seguida. A observação descreve com que frequência esses tipos coocorrem no corpus, sem inferir o que sustenta cada checagem.
Atores políticos formam uma categoria relevante sem ser a maior. O corpus mistura política, mídia, celebridades, plataformas 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.
PESSOA · menções · notas únicas no detalhe · formas canônicas da revisão d4f438b3O 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.
ATOR_POLITICO na revisão d4f438b3…a825d2. As formas não são fundidas entre si: lula e presidente lula, ou bolsonaro e jair bolsonaro, contam como entradas distintas. A fragmentação residual é um limite conhecido da camada automática de correferência.| lula | bolsonaro | trump | jair bolsonaro | alexandre de moraes | donald trump | presidente lula | nikolas ferreira | dilma | eduardo bolsonaro | nikolas | maduro | flavio bolsonaro | flavio dino | moraes | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| lula | 4.184 | 605 | 123 | 67 | 30 | 17 | 14 | 15 | 98 | 13 | 19 | 39 | 6 | 16 | 13 |
| bolsonaro | 605 | 3.803 | 115 | 16 | 34 | 11 | 19 | 8 | 71 | 5 | 3 | 5 | 6 | 5 | 55 |
| trump | 123 | 115 | 1.233 | 17 | 8 | 8 | 4 | 6 | 0 | 13 | 0 | 13 | 5 | 0 | 7 |
| jair bolsonaro | 67 | 16 | 17 | 1.147 | 19 | 35 | 7 | 4 | 8 | 26 | 0 | 0 | 31 | 3 | 0 |
| alexandre de moraes | 30 | 34 | 8 | 19 | 659 | 4 | 1 | 1 | 1 | 12 | 0 | 0 | 5 | 9 | 0 |
| donald trump | 17 | 11 | 8 | 35 | 4 | 510 | 2 | 0 | 0 | 14 | 0 | 1 | 4 | 0 | 1 |
| presidente lula | 14 | 19 | 4 | 7 | 1 | 2 | 468 | 6 | 0 | 0 | 0 | 1 | 3 | 2 | 0 |
| nikolas ferreira | 15 | 8 | 6 | 4 | 1 | 0 | 6 | 448 | 0 | 3 | 1 | 0 | 3 | 2 | 3 |
| dilma | 98 | 71 | 0 | 8 | 1 | 0 | 0 | 0 | 343 | 0 | 0 | 0 | 0 | 1 | 2 |
| eduardo bolsonaro | 13 | 5 | 13 | 26 | 12 | 14 | 0 | 3 | 0 | 313 | 0 | 1 | 4 | 0 | 1 |
| nikolas | 19 | 3 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 260 | 0 | 0 | 0 | 0 |
| maduro | 39 | 5 | 13 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 243 | 0 | 0 | 0 |
| flavio bolsonaro | 6 | 6 | 5 | 31 | 5 | 4 | 3 | 3 | 0 | 4 | 0 | 0 | 225 | 0 | 0 |
| flavio dino | 16 | 5 | 0 | 3 | 9 | 0 | 2 | 2 | 1 | 0 | 0 | 0 | 0 | 200 | 2 |
| moraes | 13 | 55 | 7 | 0 | 0 | 1 | 0 | 3 | 2 | 1 | 0 | 0 | 0 | 2 | 195 |
lula aparece em 4.184 notas na diagonal.bolsonaro e lula aparecem juntos em 605 notas.lulalula, presidente lula ou lula da silva; mesmas exclusõesbolsonarobolsonaro ou jair bolsonaro; classes formais (URL, data, valor, estatística, lei, processo) excluídasA 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.