c955ff34483396d42c20188007df8376c4e241705fc57c13641054a6e0c9b559

.gitattributes

@@ -58,3 +58,5 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 # Video files - compressed
 *.mp4 filter=lfs diff=lfs merge=lfs -text
 *.webm filter=lfs diff=lfs merge=lfs -text
+paper/figures/mf_scatter.pdf filter=lfs diff=lfs merge=lfs -text
+paper/paper.pdf filter=lfs diff=lfs merge=lfs -text

CHANGELOG.md

@@ -0,0 +1,11 @@
+# Changelog
+
+## v1.0 — 2026-05 (initial release)
+
+- Snapshot date: 2026-04-07
+- 142,448 notes after `idioma = pt`, `confianca_idioma >= 0.80`
+- 536,373 entities across 22 types
+- 899 topics, 38 macrothemes
+- MF scoring (`coreNoteIntercept`, `coreNoteFactor1`) reproduced from official `twitter/communitynotes`
+- Tweet text intentionally not included (use `tweetId` for hydration)
+- LLM revision of NER not applied (pipeline implemented but not run; left for the community)

LICENSE

@@ -0,0 +1,20 @@
+CC0 1.0 Universal (CC0 1.0)
+Public Domain Dedication
+
+The person who associated a work with this deed has dedicated the work to
+the public domain by waiving all of his or her rights to the work
+worldwide under copyright law, including all related and neighboring
+rights, to the extent allowed by law.
+
+You can copy, modify, distribute and perform the work, even for
+commercial purposes, all without asking permission.
+
+Full text: https://creativecommons.org/publicdomain/zero/1.0/legalcode
+
+Source data: Community Notes / Birdwatch public dump, snapshot 2026-04-07,
+released by X Corp under CC0. The derivative annotations in this dataset
+(topic modeling, named entity recognition, official scoring reproduction)
+are released under the same CC0 to preserve permissive use.
+
+Tweet text is not redistributed; only tweetId is published. Hydration is
+the user's responsibility under the X API terms of service.

README.md

@@ -1,195 +1,272 @@
 ---
-license: cdla-permissive-2.0
 language:
-  - en
-  - pt
-  - es
-  - fr
-  - de
-  - ja
-  - ar
-  - multilingual
-size_categories:
-  - 100M<n<1B
+- pt
+license: cc0-1.0
 task_categories:
-  - text-classification
+- text-classification
+- token-classification
+size_categories:
+- 100K<n<1M
 tags:
-  - community-notes
-  - twitter
-  - x
-  - birdwatch
-  - consensus
-  - fact-checking
-  - misinformation
-  - brazilian-politics
-  - digital-humanities
-pretty_name: "Community Notes / X — Snapshot Público"
-
+- community-notes
+- birdwatch
+- misinformation
+- portuguese
+- ner
+- topic-modeling
+- brazilian-politics
+- fact-checking
 configs:
-  - config_name: silver_notes
-    data_files: "data/snapshot_date=*/silver_notes/*.parquet"
-  - config_name: silver_ratings
-    data_files: "data/snapshot_date=*/silver_ratings/*.parquet"
-  - config_name: silver_user_enrollment
-    data_files: "data/snapshot_date=*/silver_user_enrollment/*.parquet"
-  - config_name: silver_note_status_history
-    data_files: "data/snapshot_date=*/silver_note_status_history/*.parquet"
-  - config_name: silver_note_requests
-    data_files: "data/snapshot_date=*/silver_note_requests/*.parquet"
-  - config_name: tweet_note_bridge
-    data_files: "data/snapshot_date=*/tweet_note_bridge/*.parquet"
-  - config_name: ratings_with_contributor_state
-    data_files: "data/snapshot_date=*/ratings_with_contributor_state/*.parquet"
+- config_name: notes
+  data_files: notes_pt.parquet
+- config_name: entities
+  data_files: entities.parquet
+- config_name: topic_metadata
+  data_files: topic_metadata.parquet
+- config_name: macrotheme_metadata
+  data_files: macrotheme_metadata.parquet
 ---
 
-# Community Notes / X — Snapshot Público
+# Community Notes BR — Enriched Portuguese Subset
 
-Dataset estruturado a partir dos dumps públicos do sistema [Community Notes](https://communitynotes.x.com/) (antigo Birdwatch) da plataforma X (antigo Twitter).
+A curated, enriched Portuguese-language subset of X (formerly Twitter) Community Notes, with topic modeling, named entity recognition, and reproduction of the official Matrix Factorization scoring.
 
-## Motivação
+**Snapshot:** 2026-04-07 of the official Birdwatch public dump.
+**Coverage:** 2021-10-13 → 2026-04-05.
+**Notes:** 142,448 — all in Portuguese (fastText `lid.176`, confidence ≥ 0.80, mean 0.98).
+**Tweets:** 90,822 unique.
+**Entities:** 536,373 across 22 named-entity types.
+**Topics:** 899 fine-grained, organized into 38 macrothemes.
 
-O Community Notes é um sistema de moderação colaborativa onde usuários voluntários escrevem notas contextuais sobre publicações potencialmente enganosas e avaliam as notas de outros participantes. Um algoritmo de consenso determina quais notas são exibidas publicamente. Este dataset preserva a estrutura relacional completa do dump público para viabilizar pesquisas sobre a dinâmica desse consenso — em particular sobre como ele opera (ou falha em operar) diante de eventos politicamente sensíveis no contexto brasileiro.
+## Resumo em português
 
-## Importante: dataset multilíngue sem coluna de idioma
+Subconjunto curado em PT-BR das Community Notes da X, enriquecido com modelagem de tópicos hierárquicos (BERTopic + LLM com gramática formal GBNF), reconhecimento de entidades nomeadas (GLiNER + regex + dicionários canônicos), e reprodução do algoritmo oficial de pontuação por fatoração matricial. Cobre 142k notas em PT (2021-10 a 2026-04), 90k tweets distintos, 536k entidades em 22 tipos, 899 tópicos finos agrupados em 38 macrotemas. Licença CC0; alinhada à licença da fonte original.
 
-O dump público do Community Notes é **global** e contém notas em dezenas de idiomas (majoritariamente inglês). **Não há coluna de idioma** nos dados originais. Pesquisadores interessados em um idioma específico precisarão aplicar detecção de idioma localmente como etapa de pré-processamento.
+---
 
-Uma abordagem recomendada é usar o modelo [fastText lid.176.bin](https://fasttext.cc/docs/en/language-identification.html) da Meta sobre o campo `summary`, que permite classificar milhões de notas em minutos com boa acurácia.
+## Files
 
-## Estrutura do dataset
+| File | Rows | Size | Granularity |
+|---|---|---|---|
+| `notes_pt.parquet` | 142,448 | 35 MB | one row per note |
+| `entities.parquet` | 536,373 | 40 MB | one row per entity (long format) |
+| `topic_metadata.parquet` | 898 | 70 KB | one row per topic |
+| `macrotheme_metadata.parquet` | 38 | 6 KB | one row per macrotheme |
+| `taxonomy.json` | — | — | entity-type definitions |
+| `cross_modal_validation/` | — | — | quality assessment tables (see below) |
 
-```
-data/
-└── snapshot_date=YYYY-MM-DD/
-    ├── silver_notes/              # Notas escritas por colaboradores
-    ├── silver_ratings/            # Avaliações das notas por outros colaboradores
-    ├── silver_note_status_history/ # Histórico de status (CRH, NMR, etc.)
-    ├── silver_user_enrollment/    # Perfil e estado dos colaboradores
-    └��─ silver_note_requests/      # Pedidos de nota (batSignals)
-
-metadata/
-└── snapshot_date=YYYY-MM-DD/
-    ├── download_manifest.json     # URLs, checksums, tamanhos de cada arquivo
-    ├── schema_registry.json       # Colunas por shard (detecção de drift)
-    ├── schema_alerts.parquet      # Alertas de mudança de esquema
-    ├── integrity_summary.parquet  # Resumo de nulos por tabela
-    ├── orphan_analysis.parquet    # Análise de integridade referencial
-    └── snapshot_inventory.parquet # Inventário completo de arquivos
-```
+Join key: `noteId` between `notes_pt` and `entities`. Tweet text is **not** redistributed (X ToS); use `tweetId` to hydrate via X API or consult the project's static catalog.
 
-## Tabelas principais
+---
 
-| Tabela | Descrição | Chave primária | Volume (snapshot 2026-04-07) |
-|---|---|---|---|
-| `silver_notes` | Notas com classificação, resumo e metadados | `noteId` | ~2,6M |
-| `silver_ratings` | Avaliações individuais das notas | `noteId` + `raterParticipantId` | ~190M* |
-| `silver_note_status_history` | Histórico de status algorítmico | `noteId` | ~2,4M* |
-| `silver_user_enrollment` | Cadastro e estado dos avaliadores | `participantId` | ~141k |
-| `silver_note_requests` | Sinalizações pedindo notas em tweets | `tweetId` | ~51k |
+## Schema
+
+### `notes_pt.parquet`
+
+| Column | Type | Description |
+|---|---|---|
+| `noteId` | string | Primary key (Community Notes note identifier). |
+| `tweetId` | string | The tweet the note refers to. |
+| `note_author_participant_id` | string | Anonymized note author ID (CN's own `participantId`). |
+| `created_at` | timestamp | Note creation time (UTC, derived from `createdAtMillis`). |
+| `year_month` | string | `YYYY-MM` for time-series convenience. |
+| `summary` | string | Note text as published. |
+| `summary_clean` | string | Whitespace-normalized, URL-stripped version (used for embeddings). |
+| `classification_algoritmo` | string | `MISINFORMED_OR_POTENTIALLY_MISLEADING` or `NOT_MISLEADING`. From the original CN data. |
+| `idioma` | string | Always `pt` (subset). |
+| `confianca_idioma` | float | fastText `lid.176.bin` confidence, [0.80, 1.00]. |
+| `status_final` | string | Latest community status: `CURRENTLY_RATED_HELPFUL`, `CURRENTLY_RATED_NOT_HELPFUL`, `NEEDS_MORE_RATINGS`, or null. |
+| `consenso` | string | 4-class compaction: `CRH` / `CRNH` / `NMR` / `Outro`. |
+| `n_ratings` | int | Total ratings the note received. |
+| `n_notas_no_tweet` | int | Number of notes attached to the same tweet. |
+| `coreNoteIntercept` | float32 | Output of the official MF scoring algorithm; null when the note had insufficient ratings. |
+| `coreNoteFactor1` | float32 | First factor from MF; interpretable as a polarity axis. |
+| `topic_id` | int | BERTopic cluster id; `-1` denotes the outlier cluster (47,162 notes); null for 397 notes outside the topic-model run. |
+| `topic_name` | string | LLM-generated short label (Marco-Mini-Instruct via GBNF grammar). |
+| `contexto_central` | string | LLM-generated one-sentence description of the topic. |
+| `categoria_ampla` | string | LLM-classified category (13 controlled values). |
+| `macrotheme_id` | int | Macrotheme cluster id from hierarchical aggregation. |
+| `macrotheme_label` | string | LLM-generated macrotheme label. |
+| `stratum` | string | Sampling stratum for the hydrated tweet sub-sample (`top_notas`, `bat_signals`, `aleatorio`). Null for unsampled notes. |
+
+### `entities.parquet` (long format)
+
+| Column | Type | Description |
+|---|---|---|
+| `entity_id` | string | `<row_id>_<j>` — unique per extraction. |
+| `noteId` | string | FK to `notes_pt`. |
+| `tweetId` | string | FK to `notes_pt`. |
+| `texto_entidade` | string | Surface form as it appears in the note. |
+| `texto_canonico` | string | Normalized form (lowercase + unidecode + dictionary lookup for programs/agencies/parties). |
+| `tipo_entidade` | string | Canonical PT type (see `taxonomy.json`; 22 values). |
+| `label_modelo` | string | Original GLiNER English label or regex pattern name. |
+| `inicio` / `fim` | int | Character offsets in `summary`. |
+| `score` | float | GLiNER confidence [0,1]; 0.94–1.00 for regex-extracted entities. |
+| `fonte_extracao` | string | `gliner` \| `regex_url` \| `regex_data` \| `regex_percentual` \| `regex_valor` \| `regex_lei_norma` \| `regex_processo`. |
+| `contexto` | string | ±90-character window around the entity. |
+| `papel_no_texto` | string | `mencao` (mentioned as object) or `fonte_ou_evidencia` (cited as source/evidence). |
+| `dominio` | string | Canonicalized domain (URLs only). |
+| `topic_id` / `macrotheme_id` | int | Denormalized for analysis convenience. |
 
-\* Após remoção de registros órfãos (ver abaixo).
+---
 
-## Relações entre tabelas
+## Construction methodology
 
-```
-tweets (externo, não disponível no dump)
-  │
-  ├── silver_notes (noteId, tweetId)
-  │     │
-  │     ├── silver_ratings (noteId, raterParticipantId)
-  │     │     └── silver_user_enrollment (participantId)
-  │     │
-  │     └── silver_note_status_history (noteId)
-  │
-  └── silver_note_requests (tweetId)
-```
+Five-stage pipeline. Code is described in the accompanying paper and the project's static catalog; only the final artifacts are redistributed here.
+
+### 1. ETL — bronze/silver/gold
+The 5 official Birdwatch tables (`notes`, `noteRatings`, `noteStatusHistory`, `userEnrollment`, `batSignals`) are downloaded by snapshot date, hash-verified (MD5/SHA256), schema-drift-checked across shards, and materialized in DuckDB. Bronze keeps everything as `VARCHAR` with metadata; silver adds typed columns and snake_case names; gold exports compressed Parquet.
 
-## Pipeline de processamento
+### 2. Portuguese filter
+Each note's `summary_clean` (whitespace-normalized, URL-stripped via SQL) is classified by fastText `lid.176.bin`. Notes with `idioma = pt` and `confianca_idioma ≥ 0.80` are retained, yielding 142,448 notes (mean confidence 0.98). A 300-note stratified sample (100 per confidence band: 0.80–0.90 / 0.90–0.95 / 0.95–1.00) was visually inspected and looked correct, although this was a quick, non-exhaustive check rather than a rigorous human evaluation.
 
-Os dados passam por três camadas:
+### 3. Topic modeling
+Notes are embedded with `intfloat/multilingual-e5-large-instruct` (1024-d) using a Portuguese instruction prompt that orients the embedding toward the *factual matter under dispute*, not the procedural surface. Clustering uses BERTopic (UMAP `n_components=10`, HDBSCAN `min_cluster_size=30`, `min_samples=5`) with parameters chosen by a DBCV grid search. Outliers are reduced via embedding similarity (threshold 0.975). Each topic is then labeled by `Marco-Mini-Instruct` (GGUF Q6_K) constrained by a GBNF grammar that forces a JSON object with three fields (`contexto_central`, `categoria_ampla`, `rotulo_curto`) — this guarantees parseable output and a controlled category vocabulary.
 
-1. **Raw**: arquivos TSV originais do dump público, preservados com checksums MD5 e SHA-256.
-2. **Bronze**: ingestão em DuckDB com todas as colunas como `VARCHAR` (sem inferência de tipo), unificando shards via `union_by_name`. Metadados de snapshot e ingestão adicionados.
-3. **Silver**: colunas tipadas auxiliares (IDs como `BIGINT`, timestamps derivados de `createdAtMillis`), remoção de registros órfãos.
+Macrothemes are obtained by hierarchical aggregation (average linkage on cosine similarity of topic embeddings, distance threshold 0.05). Each macrotheme is then labeled by a second LLM pass that receives the `contexto_central` of its constituent topics rather than just keywords. A two-layer procedural filter (keyword + LLM) flags topics that are about the platform itself (notes mechanics, satire without a target) rather than substantive content.
 
-## Integridade referencial e limitações
+### 4. Named entity recognition
+Each note runs through:
+- **GLiNER** (`urchade/gliner_multi-v2.1`) with a custom 16-type Portuguese taxonomy (politicians, parties, agencies, courts, security forces, public figures, media outlets, digital platforms, public programs, etc.) and per-type confidence thresholds (0.40–0.55, see `taxonomy.json`).
+- **Six regex extractors** (URLs, dates, monetary values, percentages, laws/decrees, judicial process numbers) for high-precision structured patterns.
+- **Three canonicalization dictionaries** (YAML-defined, editable) mapping orthographic variants to canonical forms for public programs (Bolsa Família, SUS, Prouni, …), agency acronyms (STF, TSE, IBGE, Anvisa, …), and parties.
+- **Overlap resolution** by IoU ≥ 0.5 with priority order favoring regex over GLiNER.
 
-O dump público do Community Notes **não contém todas as notas que já existiram**. Isso resulta em registros órfãos: avaliações e eventos de status que referenciam notas ausentes.
+An LLM-based revision step (Marco-Mini reviewing low-confidence ambiguous entities) is implemented in the project pipeline but was **not applied** to this release due to GPU time constraints; the entities here are post-extraction, post-canonicalization, pre-LLM-revision.
 
-No snapshot de 2026-04-07, antes da limpeza:
-- **11,36%** dos noteIds em ratings não tinham nota correspondente (~297k notas, ~19M linhas)
-- **12,66%** dos noteIds em status não tinham nota correspondente (~348k notas)
-- **0%** dos avaliadores eram órfãos (enrollment completo)
+### 5. Note scoring
+The official Twitter/X `communitynotes` Matrix Factorization algorithm is run on the PT subset using the upstream `scoring/src` code with minimal patches (asserts → warnings to accept the smaller universe). Outputs `coreNoteIntercept` (overall helpfulness baseline) and `coreNoteFactor1` (first polarization factor) — the same fields the algorithm produces in production, restricted to PT notes.
 
-**Decisão metodológica**: registros órfãos foram removidos das tabelas silver. A análise completa está em `metadata/orphan_analysis.parquet`. Isso significa que o dataset cobre ~88% do universo de notas avaliadas; os ~12% restantes representam consenso que existiu mas não é observável neste dump.
+---
 
-## Uso rápido
+## Quantitative description
+
+### Volume by status (community consensus)
+
+| `consenso` | n_notes | % |
+|---|---|---|
+| `NMR` (NEEDS_MORE_RATINGS) | 116,741 | 82.0% |
+| `CRH` (CURRENTLY_RATED_HELPFUL) | 15,857 | 11.1% |
+| `CRNH` (CURRENTLY_RATED_NOT_HELPFUL) | 4,423 | 3.1% |
+| `Outro` | 5,427 | 3.8% |
+
+PT-BR shows a higher CRH rate (11.57%) than English (8.69%) in the same snapshot — a finding worth further study.
+
+### Volume by macrotheme (top 10 of 38)
+
+| macrotheme_id | rotulo_macro | categoria_dominante | n_topics | n_notas |
+|---|---|---|---|---|
+| 0 | Sátira clara | Outro | 73 | 12,090 |
+| 1 | Crise Política | Política | 123 | 9,833 |
+| 2 | Sátira de humorista | Política | 74 | 7,552 |
+| 3 | Economia e Política | Economia | 72 | 6,864 |
+| 4 | Taylor Swift e Política | Política | 45 | 6,400 |
+| 5 | Cotas e Cortes no Ensino Superior | Política | 47 | 6,370 |
+| 6 | Futebol e Racismo | Política | 48 | 5,474 |
+| 7 | Apostas Online | Golpes e Fraudes | 61 | 4,700 |
+| 8 | Musk e Censura | Tecnologia | 32 | 4,344 |
+| 9 | Racismo e Liberdade | Política | 35 | 3,525 |
+
+### Entities by type (top 15 of 22)
+
+| tipo_entidade | n |
+|---|---|
+| URL_DOMINIO | 174,625 |
+| PESSOA | 82,190 |
+| LOCAL | 49,247 |
+| ORGANIZACAO | 47,191 |
+| VEICULO_MIDIA | 43,810 |
+| ATOR_POLITICO | 34,117 |
+| PLATAFORMA_DIGITAL | 27,763 |
+| ORGAO_PUBLICO | 16,788 |
+| DATA | 13,292 |
+| PARTIDO | 9,045 |
+| ESTATISTICA | 7,519 |
+| EVENTO_POLITICO | 7,367 |
+| PROGRAMA_PUBLICO | 5,773 |
+| ORGAO_SEGURANCA | 4,287 |
+| VALOR_MONETARIO | 4,224 |
+
+131,399 notes (92%) carry at least one entity; mean of 4.08 entities per annotated note.
+
+### Missing data
+
+| Column | Missingness | Reason |
+|---|---|---|
+| `coreNoteIntercept`/`coreNoteFactor1` | 27.3% | Notes with too few ratings are not scored by MF. |
+| `topic_id` | 0.3% (397) | Notes outside the topic-model run. |
+| `topic_name`/`contexto_central`/`categoria_ampla` | 33.4% | Notes in the BERTopic outlier cluster (`topic_id = -1`) plus the 397 above. |
+| `macrotheme_id`/`macrotheme_label` | 33.4% | Same as topic_name. |
+| `status_final` | 3.8% | Notes whose status is unmapped or empty in the snapshot. |
+| `stratum` | 97.2% | Only 4,055 notes were sampled for tweet hydration. |
 
-### Via Hugging Face Datasets
+---
 
-```python
-from datasets import load_dataset
+## Quality assessment
 
-notas   = load_dataset("histlearn/community-notes-br", "silver_notes", split="train")
-ratings = load_dataset("histlearn/community-notes-br", "silver_ratings", split="train")
-status  = load_dataset("histlearn/community-notes-br", "silver_note_status_history", split="train")
-```
+No exhaustive human validation was performed. Quality is supported by four converging lines of evidence:
 
-### Via DuckDB (leitura direta dos Parquets)
+**1. Deterministic checks.** The ETL produces MD5/SHA256 hashes per shard, schema-drift detection across shards, integrity-referential checks against orphans, and snapshot-to-snapshot diffs.
 
-```python
-import duckdb
+**2. Intrinsic metrics.** Topic clustering parameters were selected by DBCV grid search (32 combinations); topic_model fit produces silhouette and stability statistics. fastText language confidence has a median of 0.99. GLiNER scores have a median of 0.91; regex sources are 0.94–1.00 by design.
 
-con = duckdb.connect()
+**3. Cross-modal consistency.** The `cross_modal_validation/` folder ships pre-computed tables showing that macrotheme labels match the empirical entity-type signatures of their notes — for example, *Futebol e Racismo* has 41% `ORGANIZACAO` entities (Flamengo, Palmeiras, FIFA, CBF) and `ge.globo.com` as the top citation source; *Apostas Online* combines `ORGANIZACAO`+`PLATAFORMA_DIGITAL` with `archive.ph`, `reclameaqui` and `pastebin` as top sources, the canonical fingerprint of fraud reporting; *Crise Política* is dominated by `ATOR_POLITICO` (Lula, Bolsonaro, STF, TSE). 14 of the top 15 macrothemes show coherent signatures across four independent dimensions (label, dominant entity type, top entities, top domains).
 
-notas = con.execute("""
-    SELECT *
-    FROM 'hf://datasets/histlearn/community-notes-br/data/snapshot_date=2026-04-07/silver_notes/**/*.parquet'
-    LIMIT 100
-""").fetchdf()
-```
+**4. Detected failure modes** (transparent self-report). Two macrothemes are flagged: *Sátira clara* shows generic top entities (`autor`, `nnn`, `comunidade`) and 100% meta-platform top domains (`communitynotes.x.com`, `help.x.com`) — likely procedural content the two-layer filter did not catch. *Cotas e Cortes no Ensino Superior* shows low concentration (dominant/secondary type ratio ≈ 1.04) and entities that mismatch the label, suggesting the hierarchical-clustering threshold merged unrelated clusters. Both cases are documented in `cross_modal_validation/concentracao_por_macrotema.csv`.
 
-## Filtragem por idioma (etapa local)
+**5. Spot-checked language filter.** A 300-note sample stratified across confidence bands was visually inspected and looked correct; this was a quick check, not a rigorous evaluation.
 
-O dataset não inclui classificação de idioma. Para filtrar notas em português, recomendamos:
+---
 
-```python
-import fasttext
-import re
+## Limitations
 
-# Baixar o modelo: https://dl.fbaipublicfiles.com/fasttext/supervised-models/lid.176.bin
-model = fasttext.load_model("lid.176.bin")
+- **No exhaustive human validation** of topic labels or named entities. The LLM-based revision step for the NER is implemented but was not applied to this release.
+- **Tweet text not redistributed** due to X's terms of service. Use `tweetId` for hydration. The project keeps a static catalog with note-level context for human inspection.
+- **Snapshot-bound.** This is the 2026-04-07 snapshot; status fields evolve over time. Future snapshots may diverge.
+- **PT-BR coverage bias.** The fastText filter at 0.80 confidence aims for high precision and may exclude some short or code-mixed notes.
+- **Topic outliers.** 33% of notes fall in `topic_id = -1` (BERTopic outliers). Outlier reduction was applied but conservative.
+- **Procedural leakage.** As noted, *Sátira clara* contains residual procedural content.
 
-def detectar_idioma(texto):
-    if not texto:
-        return "desconhecido", 0.0
-    texto = re.sub(r"http\S+", "", texto).replace("\n", " ").strip()
-    pred = model.predict(texto)
-    return pred[0][0].replace("__label__", ""), round(float(pred[1][0]), 4)
+---
 
-# Aplicar sobre a coluna 'summary' das notas
-# fasttext exige numpy em versão <2
-```
+## Suggested use cases
 
-## Proveniência
+- **NER benchmarking in PT-BR with politically salient categories** (`ATOR_POLITICO`, `PARTIDO`, `ORGAO_JUDICIARIO`, `ORGAO_SEGURANCA`, `PROGRAMA_PUBLICO`).
+- **Helpful-note classification** at note text only, or with text + tabular signals (`coreNoteFactor1`, `n_ratings`).
+- **Polarization analysis** along `coreNoteFactor1`, conditioned on macrotheme.
+- **Source-citation studies**: which domains are cited as evidence in misinformation pushback, by topic and over time.
+- **Longitudinal studies of Brazilian online discourse**: the 4.5-year window covers two electoral cycles, the COVID aftermath, the 2024 floods, multiple sport scandals, and major changes to Twitter/X moderation.
+- **Procedural-content filtering**: the *Sátira clara* failure mode is itself a use case for training procedural-vs-substantive classifiers.
 
-- **Fonte**: https://communitynotes.x.com/guide/en/under-the-hood/download-data
-- **Licença dos dados originais**: disponibilizados pelo X sob termos de uso público
-- **Pipeline**: código completo disponível no notebook que acompanha este repositório
-- **Checksums**: cada arquivo baixado tem MD5 e SHA-256 registrados no manifesto
+---
 
-## Citação
+## Citation
 
-```bibtex
-@dataset{community_notes_br_2026,
-  author       = {histlearn},
-  title        = {Community Notes / X — Snapshot Público},
-  year         = {2026},
-  publisher    = {Hugging Face},
-  url          = {https://huggingface.co/datasets/histlearn/community-notes-br}
+```
+@inproceedings{communitynotesbr2026,
+  title  = {Community Notes BR: An enriched Portuguese subset of X's crowdsourced fact-checking notes for misinformation research},
+  author = {Machado da Rocha, Davi},
+  booktitle = {Anais do VII Dataset Showcase Workshop (DSW), SBBD},
+  year   = {2026},
+  publisher = {SBC},
+  doi    = {TBD}
 }
 ```
 
-## Contexto de pesquisa
+## License
+
+The original Community Notes data is released by X under CC0. Derivative annotations in this release (topic labels, NER, MF reproduction) are released under **CC0 1.0 Universal** to match the source license. Tweet text is **not** included; only `tweetId` is published.
+
+## AI usage disclosure
+
+This dataset incorporates outputs from generative AI models as part of its construction:
+- **Marco-Mini-Instruct** (GGUF Q6_K, via `llama-cpp-python`) for structured topic and macrotheme labeling, with grammar-constrained JSON output.
+- **`intfloat/multilingual-e5-large-instruct`** for embedding generation.
+- **`urchade/gliner_multi-v2.1`** for NER extraction.
+
+Generative AI was used for parts of the prose in this datacard and the accompanying paper. AI was not used to generate the data itself or its annotations beyond the explicit pipeline steps described above.
+
+---
 
-Este dataset foi construído como parte de um projeto de pesquisa em humanidades digitais na UFSCar / NILC que investiga como o algoritmo de consenso do Community Notes opera diante de eventos politicamente sensíveis no Brasil — em particular, se casos de grande repercussão e alta ambiguidade geram sistematicamente menos consenso algorítmico do que desinformação mais "simples" (vídeos falsos, manipulação de mídia, etc.).
+**Maintainer:** Davi Machado da Rocha (USP).
+**Source of upstream data:** Birdwatch public dump, snapshot 2026-04-07, ©X Corp under CC0.

cross_modal_validation/README.md

@@ -0,0 +1,37 @@
+# Cross-Modal Validation — Community Notes BR
+
+Análise de consistência entre macrotemas (BERTopic + LLM) e tipos de entidade (GLiNER + regex).
+Serve como evidência de validade interna sem rotulador humano.
+
+## Cobertura
+- Entidades com macrotema: 360,258
+- Notas únicas com macrotema: 87,097
+- Macrotemas: 38
+- Tipos de entidade: 21
+
+## Arquivos
+
+### macrotema_x_tipo_entidade__contagem.{csv,parquet}
+Tabela de contingência: linhas = macrotema, colunas = tipo de entidade, células = contagem.
+
+### macrotema_x_tipo_entidade__percentual.csv
+Idem, em % dentro do macrotema (somam 100% por linha).
+
+### top_entidades_por_macrotema.{csv,parquet}
+Top-15 entidades canônicas (não-URL) por macrotema, com n_ocorrencias, n_notas, score_medio do GLiNER.
+
+### top_dominios_por_macrotema.{csv,parquet}
+Top-10 domínios citados como fonte por macrotema, com % dentro do macrotema.
+
+### concentracao_por_macrotema.{csv,parquet}
+Métrica de "assinatura semântica" de cada macrotema:
+- tipo_dominante / pct_dominante
+- razao_dominante_secundario (>1.5 = concentração clara; ~1.0 = heterogêneo)
+- entropia_shannon_bits (0 = um tipo só; log2(K) = uniforme)
+
+## Achados destacáveis
+1. **Sátira clara** apresenta entidades genéricas e fontes 100% meta-plataforma — provável procedural não-filtrado.
+2. **Cotas e Cortes no Ensino Superior** apresenta concentração baixa (razão ~1.0) e entidades que não batem com o nome — candidato a ajuste no corte hierárquico.
+3. **Apostas Online**, **Futebol e Racismo**, **Crise Política**, **Política de Imigração**, **Clima e Ambiente** mostram assinaturas fortes com alta concordância semântica.
+
+Gerado em: 2026-05-08T22:56:08

cross_modal_validation/concentracao_por_macrotema.csv

@@ -0,0 +1,39 @@
+macrotheme_label,n_entidades,n_notas,tipo_dominante,pct_dominante,tipo_secundario,pct_secundario,razao_dominante_secundario,entropia_shannon_bits,n_tipos_distintos
+Crise Política,44456,9709,ATOR_POLITICO,27.02,VEICULO_MIDIA,11.18,2.416,3.492,20
+Economia e Política,32734,6771,ORGANIZACAO,16.91,LOCAL,13.56,1.247,3.513,20
+Taylor Swift e Política,28749,6288,PESSOA,45.62,VEICULO_MIDIA,15.83,2.882,2.62,20
+Cotas e Cortes no Ensino Superior,28714,6294,LOCAL,19.16,PESSOA,18.36,1.044,3.474,20
+Futebol e Racismo,24693,5321,ORGANIZACAO,41.25,PESSOA,25.14,1.641,2.559,20
+Sátira de humorista,24375,7185,PESSOA,36.76,PLATAFORMA_DIGITAL,18.26,2.013,2.817,20
+Apostas Online,19055,4674,ORGANIZACAO,28.44,PLATAFORMA_DIGITAL,20.87,1.363,2.618,19
+Musk e Censura,15349,4207,PESSOA,22.6,PLATAFORMA_DIGITAL,22.22,1.017,3.116,20
+Ataques e Conflitos,15108,2710,LOCAL,35.08,ORGANIZACAO,16.13,2.174,2.966,20
+Política de Imigração,12539,2595,LOCAL,30.36,ATOR_POLITICO,18.33,1.656,3.145,20
+Racismo e Liberdade,11574,3397,PESSOA,32.95,LOCAL,12.84,2.567,3.352,20
+Clima e Ambiente,11006,2311,LOCAL,31.08,VEICULO_MIDIA,11.78,2.639,3.341,20
+Vacinas e Saúde,10212,2805,PESSOA,17.08,ORGANIZACAO,16.59,1.03,3.372,20
+Sátira clara,10102,5967,PESSOA,61.23,PLATAFORMA_DIGITAL,14.87,4.118,2.049,20
+Pobreza e Trabalho,9522,2019,ORGAO_PUBLICO,14.84,ATOR_POLITICO,11.12,1.335,3.627,20
+Morte ignorada,8203,1389,PESSOA,45.47,ORGANIZACAO,14.14,3.216,2.483,17
+Taxação e Pagamentos,6978,1712,ORGAO_PUBLICO,15.98,PESSOA,13.43,1.19,3.453,20
+Religião e Símbolos,6495,1540,PESSOA,34.84,LOCAL,20.11,1.733,2.814,20
+Publicidade Oculta,6032,1547,PLATAFORMA_DIGITAL,53.8,VEICULO_MIDIA,17.03,3.16,2.033,17
+Aviões e Espaço,5743,1369,LOCAL,27.91,ORGANIZACAO,20.22,1.38,3.002,19
+Herança Simbólica da Monarquia,5202,1139,LOCAL,21.08,ORGANIZACAO,14.43,1.461,3.264,19
+Transfobia e Direitos,5126,1266,PESSOA,39.73,ORGANIZACAO,13.01,3.053,2.879,20
+Transporte e Economia,4391,957,LOCAL,21.89,ORGANIZACAO,21.05,1.04,3.329,20
+Jogo não licenciado,2668,753,ORGANIZACAO,30.8,PESSOA,24.65,1.249,2.556,18
+Direitos Reprodutivos,2500,712,PESSOA,27.47,VEICULO_MIDIA,9.9,2.776,3.551,20
+Proteção Animal,1850,574,LOCAL,25.29,PESSOA,25.11,1.007,2.97,19
+Psicologia vs Ciência,1390,461,PESSOA,38.75,ORGANIZACAO,19.44,1.993,2.834,17
+Drogas e Saúde,1220,350,ORGANIZACAO,22.32,PESSOA,16.45,1.357,3.201,19
+Rouanet não financia,1184,248,PROGRAMA_PUBLICO,19.42,ORGANIZACAO,14.91,1.302,3.44,17
+Diferenciação de nacionalidade,944,270,LOCAL,43.77,PESSOA,32.91,1.33,2.219,16
+Ligação Falsa,521,117,ATOR_POLITICO,53.7,LOCAL,34.08,1.575,1.535,5
+Pseudociência e Golpes,438,126,PESSOA,35.27,VEICULO_MIDIA,33.61,1.049,2.264,10
+Raça não é biológica,408,118,LOCAL,34.98,PESSOA,24.28,1.441,2.53,11
+Golpe de Estado,208,45,ATOR_POLITICO,28.93,LOCAL,18.87,1.533,2.684,11
+Chef sem propriedade,183,32,PESSOA,35.0,ORGANIZACAO,25.83,1.355,2.146,6
+Auxílio não cobriu todos,170,42,PROGRAMA_PUBLICO,97.67,EVENTO_POLITICO,1.16,84.0,0.183,3
+Crítica à Violência,124,31,PESSOA,67.42,ORGANIZACAO,32.58,2.069,0.911,2
+Erro na raiz,92,46,PESSOA,44.0,ESTATISTICA,32.0,1.375,2.162,9

cross_modal_validation/concentracao_por_macrotema.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1fe3b1a1e2bad426574107206cfbfbca38917c9d1e78be0b3a6c4b05f7898ce1
+size 9343

cross_modal_validation/macrotema_x_tipo_entidade__contagem.csv

@@ -0,0 +1,39 @@
+macrotheme_label,ATOR_POLITICO,DATA,ESTATISTICA,EVENTO_POLITICO,FONTE_CITADA,LEI_NORMA,LOCAL,OPERACAO_POLICIAL,ORGANIZACAO,ORGAO_JUDICIARIO,ORGAO_PUBLICO,ORGAO_SEGURANCA,PARTIDO,PESSOA,PESSOA_PUBLICA,PLATAFORMA_DIGITAL,PROCESSO_JUDICIAL,PROGRAMA_PUBLICO,URL_DOMINIO,VALOR_MONETARIO,VEICULO_MIDIA
+Crise Política,8336,1182,685,1675,52,228,3213,185,1694,781,2903,232,2121,2251,128,851,215,358,13603,313,3450
+Economia e Política,2492,1211,2239,361,17,138,3055,10,3810,41,1714,15,470,1188,61,574,8,1042,10197,1352,2739
+Taylor Swift e Política,566,689,148,184,37,14,1387,14,1772,54,174,47,82,9100,169,2032,15,152,8802,153,3158
+Cotas e Cortes no Ensino Superior,2176,945,255,594,32,104,3781,208,1525,79,967,970,626,3623,117,609,61,369,8976,73,2624
+Futebol e Racismo,168,746,174,162,36,22,1423,10,7413,99,210,57,30,4517,89,666,18,81,6723,197,1852
+Sátira de humorista,1624,410,59,195,47,6,1091,25,661,73,241,144,173,5861,114,2911,11,42,8430,49,2208
+Apostas Online,57,58,76,16,0,61,1685,7,2788,3,58,101,13,1271,19,2046,1,19,9253,28,1495
+Musk e Censura,533,202,121,74,23,100,914,14,1297,80,366,36,98,2273,81,2234,9,96,5293,36,1469
+Ataques e Conflitos,669,336,126,223,32,9,3598,26,1655,33,139,133,457,1003,22,400,2,22,4850,8,1365
+Política de Imigração,1580,339,141,358,22,6,2617,26,787,89,327,50,277,613,20,202,7,98,3919,13,1048
+Racismo e Liberdade,432,224,191,86,19,269,914,36,492,211,344,109,162,2346,48,348,53,74,4454,12,750
+Clima e Ambiente,574,352,243,150,12,45,2338,27,809,15,613,77,284,454,34,269,1,211,3484,128,886
+Vacinas e Saúde,370,299,270,77,9,21,875,1,1011,14,599,10,68,1041,37,228,8,300,4117,42,815
+Sátira clara,252,24,26,34,19,2,135,5,540,14,49,62,82,4641,47,1127,5,62,2523,4,449
+Pobreza e Trabalho,741,534,480,92,13,67,647,13,556,31,989,40,142,524,16,114,4,627,2859,305,728
+Morte ignorada,62,18,8,39,0,0,215,4,638,3,27,269,4,2052,7,467,62,10,3690,0,628
+Taxação e Pagamentos,516,189,47,19,2,12,144,27,523,10,759,39,76,638,26,537,2,284,2229,275,624
+Religião e Símbolos,130,120,46,111,17,33,857,2,685,19,50,15,30,1485,17,190,2,7,2233,9,437
+Publicidade Oculta,9,7,15,0,1,15,100,0,204,6,24,6,1,507,19,1700,0,2,2872,6,538
+Aviões e Espaço,103,229,51,21,10,4,1068,22,774,0,156,77,5,595,19,115,1,61,1916,18,498
+Herança Simbólica da Monarquia,368,196,26,350,7,8,758,19,519,6,20,25,464,406,10,128,3,22,1606,0,261
+Transfobia e Direitos,76,162,38,57,3,60,403,3,413,12,144,3,26,1261,9,154,12,6,1952,4,328
+Transporte e Economia,216,148,114,18,4,14,676,8,650,3,209,15,32,290,4,100,3,178,1303,99,307
+Jogo não licenciado,1,78,34,4,4,1,80,1,531,1,0,10,2,425,3,395,0,1,944,43,110
+Direitos Reprodutivos,115,35,70,94,3,67,140,4,127,39,90,6,79,433,8,48,16,43,924,3,156
+Proteção Animal,27,38,14,1,0,21,281,6,75,3,19,53,1,279,6,89,1,5,739,2,190
+Psicologia vs Ciência,17,15,28,3,0,15,48,0,140,1,16,9,3,279,1,57,0,14,670,1,73
+Drogas e Saúde,8,14,27,5,1,10,110,1,152,11,77,5,6,112,3,42,0,7,539,2,88
+Rouanet não financia,80,95,9,14,3,4,47,0,129,3,92,0,22,54,8,14,0,168,319,82,41
+Diferenciação de nacionalidade,15,3,13,3,0,2,274,2,36,2,2,2,4,206,0,18,0,2,318,0,42
+Ligação Falsa,167,0,0,12,0,0,106,0,0,0,0,0,3,0,0,0,0,0,210,0,23
+Pseudociência e Golpes,2,13,3,1,0,0,8,0,36,0,0,0,0,85,0,11,0,1,197,0,81
+Raça não é biológica,7,6,7,0,1,0,85,0,29,0,2,0,1,59,0,9,0,0,165,0,37
+Golpe de Estado,46,1,1,25,0,0,30,0,0,0,2,2,3,12,0,0,7,0,49,0,30
+Chef sem propriedade,0,3,0,0,0,0,22,0,31,0,0,0,0,42,0,2,0,0,63,0,20
+Auxílio não cobriu todos,0,0,0,1,0,0,0,0,0,0,0,0,1,0,0,0,0,84,84,0,0
+Crítica à Violência,0,0,0,0,0,0,0,0,29,0,0,0,0,60,0,0,0,0,35,0,0
+Erro na raiz,0,1,16,0,0,0,4,1,2,0,0,0,0,22,0,2,0,0,42,1,1

cross_modal_validation/macrotema_x_tipo_entidade__contagem.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:69d1699d60cfc295850e382eb5f911fb86af74c1a10a4c5d9d1a7d3e80ef09d6
+size 17440

cross_modal_validation/macrotema_x_tipo_entidade__percentual.csv

@@ -0,0 +1,39 @@
+macrotheme_label,ATOR_POLITICO,DATA,ESTATISTICA,EVENTO_POLITICO,FONTE_CITADA,LEI_NORMA,LOCAL,OPERACAO_POLICIAL,ORGANIZACAO,ORGAO_JUDICIARIO,ORGAO_PUBLICO,ORGAO_SEGURANCA,PARTIDO,PESSOA,PESSOA_PUBLICA,PLATAFORMA_DIGITAL,PROCESSO_JUDICIAL,PROGRAMA_PUBLICO,URL_DOMINIO,VALOR_MONETARIO,VEICULO_MIDIA
+Crise Política,18.75,2.6599999999999997,1.54,3.7699999999999996,0.12,0.51,7.23,0.42,3.81,1.76,6.529999999999999,0.52,4.77,5.06,0.29,1.91,0.48,0.8099999999999999,30.599999999999998,0.7000000000000001,7.76
+Economia e Política,7.61,3.6999999999999997,6.84,1.0999999999999999,0.05,0.42,9.33,0.03,11.64,0.13,5.24,0.05,1.44,3.63,0.19,1.7500000000000002,0.02,3.18,31.15,4.130000000000001,8.37
+Taylor Swift e Política,1.97,2.4,0.51,0.64,0.13,0.05,4.82,0.05,6.16,0.19,0.61,0.16,0.29,31.65,0.59,7.07,0.05,0.53,30.620000000000005,0.53,10.979999999999999
+Cotas e Cortes no Ensino Superior,7.580000000000001,3.29,0.89,2.07,0.11,0.36,13.170000000000002,0.72,5.3100000000000005,0.27999999999999997,3.37,3.38,2.18,12.620000000000001,0.41000000000000003,2.12,0.21,1.29,31.259999999999998,0.25,9.139999999999999
+Futebol e Racismo,0.6799999999999999,3.02,0.7000000000000001,0.66,0.15,0.09,5.76,0.04,30.020000000000003,0.4,0.8500000000000001,0.22999999999999998,0.12,18.29,0.36,2.7,0.06999999999999999,0.33,27.229999999999997,0.8,7.5
+Sátira de humorista,6.660000000000001,1.68,0.24,0.8,0.19,0.02,4.4799999999999995,0.1,2.71,0.3,0.9900000000000001,0.59,0.7100000000000001,24.05,0.47000000000000003,11.940000000000001,0.05,0.16999999999999998,34.58,0.2,9.06
+Apostas Online,0.3,0.3,0.4,0.08,0.0,0.32,8.84,0.04,14.63,0.02,0.3,0.53,0.06999999999999999,6.67,0.1,10.74,0.01,0.1,48.559999999999995,0.15,7.85
+Musk e Censura,3.47,1.32,0.79,0.48,0.15,0.65,5.949999999999999,0.09,8.450000000000001,0.52,2.3800000000000003,0.22999999999999998,0.64,14.81,0.53,14.549999999999999,0.06,0.63,34.48,0.22999999999999998,9.569999999999999
+Ataques e Conflitos,4.43,2.22,0.83,1.48,0.21,0.06,23.82,0.16999999999999998,10.95,0.22,0.9199999999999999,0.88,3.02,6.64,0.15,2.65,0.01,0.15,32.1,0.05,9.030000000000001
+Política de Imigração,12.6,2.7,1.1199999999999999,2.86,0.18,0.05,20.87,0.21,6.279999999999999,0.7100000000000001,2.6100000000000003,0.4,2.21,4.89,0.16,1.6099999999999999,0.06,0.7799999999999999,31.25,0.1,8.36
+Racismo e Liberdade,3.73,1.94,1.6500000000000001,0.74,0.16,2.32,7.9,0.31,4.25,1.82,2.97,0.9400000000000001,1.4000000000000001,20.27,0.41000000000000003,3.01,0.45999999999999996,0.64,38.48,0.1,6.4799999999999995
+Clima e Ambiente,5.220000000000001,3.2,2.21,1.3599999999999999,0.11,0.41000000000000003,21.240000000000002,0.25,7.35,0.13999999999999999,5.57,0.7000000000000001,2.58,4.130000000000001,0.31,2.44,0.01,1.92,31.66,1.16,8.05
+Vacinas e Saúde,3.62,2.93,2.64,0.75,0.09,0.21,8.57,0.01,9.9,0.13999999999999999,5.87,0.1,0.67,10.190000000000001,0.36,2.23,0.08,2.94,40.32,0.41000000000000003,7.9799999999999995
+Sátira clara,2.4899999999999998,0.24,0.26,0.33999999999999997,0.19,0.02,1.34,0.05,5.35,0.13999999999999999,0.49,0.61,0.8099999999999999,45.94,0.47000000000000003,11.16,0.05,0.61,24.98,0.04,4.44
+Pobreza e Trabalho,7.779999999999999,5.609999999999999,5.04,0.97,0.13999999999999999,0.7000000000000001,6.79,0.13999999999999999,5.84,0.33,10.39,0.42,1.49,5.5,0.16999999999999998,1.2,0.04,6.58,30.03,3.2,7.6499999999999995
+Morte ignorada,0.76,0.22,0.1,0.48,0.0,0.0,2.62,0.05,7.779999999999999,0.04,0.33,3.2800000000000002,0.05,25.019999999999996,0.09,5.6899999999999995,0.76,0.12,44.98,0.0,7.66
+Taxação e Pagamentos,7.39,2.71,0.67,0.27,0.03,0.16999999999999998,2.06,0.38999999999999996,7.489999999999999,0.13999999999999999,10.879999999999999,0.5599999999999999,1.09,9.139999999999999,0.37,7.7,0.03,4.07,31.94,3.94,8.94
+Religião e Símbolos,2.0,1.8499999999999999,0.7100000000000001,1.71,0.26,0.51,13.19,0.03,10.549999999999999,0.29,0.77,0.22999999999999998,0.45999999999999996,22.86,0.26,2.93,0.03,0.11,34.38,0.13999999999999999,6.7299999999999995
+Publicidade Oculta,0.15,0.12,0.25,0.0,0.02,0.25,1.66,0.0,3.38,0.1,0.4,0.1,0.02,8.41,0.31,28.18,0.0,0.03,47.61,0.1,8.92
+Aviões e Espaço,1.79,3.9899999999999998,0.89,0.37,0.16999999999999998,0.06999999999999999,18.6,0.38,13.48,0.0,2.7199999999999998,1.34,0.09,10.36,0.33,2.0,0.02,1.06,33.36,0.31,8.67
+Herança Simbólica da Monarquia,7.07,3.7699999999999996,0.5,6.7299999999999995,0.13,0.15,14.57,0.37,9.98,0.12,0.38,0.48,8.92,7.8,0.19,2.46,0.06,0.42,30.869999999999997,0.0,5.0200000000000005
+Transfobia e Direitos,1.48,3.16,0.74,1.11,0.06,1.17,7.86,0.06,8.06,0.22999999999999998,2.81,0.06,0.51,24.6,0.18,3.0,0.22999999999999998,0.12,38.080000000000005,0.08,6.4
+Transporte e Economia,4.92,3.37,2.6,0.41000000000000003,0.09,0.32,15.4,0.18,14.799999999999999,0.06999999999999999,4.760000000000001,0.33999999999999997,0.73,6.6000000000000005,0.09,2.2800000000000002,0.06999999999999999,4.05,29.67,2.25,6.99
+Jogo não licenciado,0.04,2.92,1.27,0.15,0.15,0.04,3.0,0.04,19.900000000000002,0.04,0.0,0.37,0.06999999999999999,15.93,0.11,14.81,0.0,0.04,35.38,1.6099999999999999,4.12
+Direitos Reprodutivos,4.6,1.4000000000000001,2.8000000000000003,3.7600000000000002,0.12,2.68,5.6000000000000005,0.16,5.08,1.5599999999999998,3.5999999999999996,0.24,3.16,17.32,0.32,1.92,0.64,1.72,36.96,0.12,6.239999999999999
+Proteção Animal,1.46,2.0500000000000003,0.76,0.05,0.0,1.1400000000000001,15.190000000000001,0.32,4.05,0.16,1.03,2.86,0.05,15.079999999999998,0.32,4.81,0.05,0.27,39.95,0.11,10.27
+Psicologia vs Ciência,1.22,1.08,2.01,0.22,0.0,1.08,3.45,0.0,10.07,0.06999999999999999,1.15,0.65,0.22,20.07,0.06999999999999999,4.1000000000000005,0.0,1.01,48.199999999999996,0.06999999999999999,5.25
+Drogas e Saúde,0.66,1.15,2.21,0.41000000000000003,0.08,0.8200000000000001,9.02,0.08,12.46,0.8999999999999999,6.3100000000000005,0.41000000000000003,0.49,9.180000000000001,0.25,3.44,0.0,0.5700000000000001,44.18,0.16,7.21
+Rouanet não financia,6.76,8.02,0.76,1.18,0.25,0.33999999999999997,3.9699999999999998,0.0,10.9,0.25,7.7700000000000005,0.0,1.8599999999999999,4.5600000000000005,0.6799999999999999,1.18,0.0,14.19,26.939999999999998,6.93,3.46
+Diferenciação de nacionalidade,1.59,0.32,1.38,0.32,0.0,0.21,29.03,0.21,3.81,0.21,0.21,0.21,0.42,21.82,0.0,1.91,0.0,0.21,33.69,0.0,4.45
+Ligação Falsa,32.05,0.0,0.0,2.3,0.0,0.0,20.349999999999998,0.0,0.0,0.0,0.0,0.0,0.58,0.0,0.0,0.0,0.0,0.0,40.31,0.0,4.41
+Pseudociência e Golpes,0.45999999999999996,2.97,0.6799999999999999,0.22999999999999998,0.0,0.0,1.83,0.0,8.219999999999999,0.0,0.0,0.0,0.0,19.41,0.0,2.5100000000000002,0.0,0.22999999999999998,44.98,0.0,18.490000000000002
+Raça não é biológica,1.72,1.47,1.72,0.0,0.25,0.0,20.830000000000002,0.0,7.109999999999999,0.0,0.49,0.0,0.25,14.46,0.0,2.21,0.0,0.0,40.44,0.0,9.07
+Golpe de Estado,22.12,0.48,0.48,12.02,0.0,0.0,14.42,0.0,0.0,0.0,0.96,0.96,1.44,5.7700000000000005,0.0,0.0,3.37,0.0,23.56,0.0,14.42
+Chef sem propriedade,0.0,1.6400000000000001,0.0,0.0,0.0,0.0,12.02,0.0,16.939999999999998,0.0,0.0,0.0,0.0,22.95,0.0,1.09,0.0,0.0,34.43,0.0,10.93
+Auxílio não cobriu todos,0.0,0.0,0.0,0.59,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.59,0.0,0.0,0.0,0.0,49.41,49.41,0.0,0.0
+Crítica à Violência,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,23.39,0.0,0.0,0.0,0.0,48.39,0.0,0.0,0.0,0.0,28.23,0.0,0.0
+Erro na raiz,0.0,1.09,17.39,0.0,0.0,0.0,4.35,1.09,2.17,0.0,0.0,0.0,0.0,23.91,0.0,2.17,0.0,0.0,45.65,1.09,1.09

cross_modal_validation/top_dominios_por_macrotema.csv

@@ -0,0 +1,365 @@
+macrotheme_label,dominio,n_citacoes,n_notas,total_urls_macrotema,pct
+Apostas Online,help.x.com,1194,1194,9253,12.9
+Apostas Online,archive.ph,1147,668,9253,12.4
+Apostas Online,reclameaqui.com.br,1068,926,9253,11.54
+Apostas Online,g1.globo.com,810,800,9253,8.75
+Apostas Online,pastebin.com,609,609,9253,6.58
+Apostas Online,business.x.com,598,595,9253,6.46
+Apostas Online,metropoles.com,444,444,9253,4.8
+Apostas Online,bbc.com,429,428,9253,4.64
+Apostas Online,x.com,333,248,9253,3.6
+Apostas Online,poder360.com.br,159,159,9253,1.72
+Ataques e Conflitos,x.com,353,269,4850,7.28
+Ataques e Conflitos,twitter.com,273,183,4850,5.63
+Ataques e Conflitos,cnnbrasil.com.br,251,237,4850,5.18
+Ataques e Conflitos,g1.globo.com,215,200,4850,4.43
+Ataques e Conflitos,bbc.com,182,168,4850,3.75
+Ataques e Conflitos,oglobo.globo.com,141,134,4850,2.91
+Ataques e Conflitos,reuters.com,110,107,4850,2.27
+Ataques e Conflitos,noticias.uol.com.br,100,96,4850,2.06
+Ataques e Conflitos,gazetadopovo.com.br,79,71,4850,1.63
+Ataques e Conflitos,www1.folha.uol.com.br,79,73,4850,1.63
+Auxílio não cobriu todos,g1.globo.com,42,42,84,50.0
+Auxílio não cobriu todos,conjur.com.br,41,41,84,48.81
+Auxílio não cobriu todos,estadao.com.br,1,1,84,1.19
+Aviões e Espaço,x.com,135,119,1916,7.05
+Aviões e Espaço,g1.globo.com,121,117,1916,6.32
+Aviões e Espaço,cnnbrasil.com.br,77,75,1916,4.02
+Aviões e Espaço,pt.wikipedia.org,53,46,1916,2.77
+Aviões e Espaço,youtube.com,48,46,1916,2.51
+Aviões e Espaço,youtu.be,45,37,1916,2.35
+Aviões e Espaço,aeroin.net,38,37,1916,1.98
+Aviões e Espaço,pt.m.wikipedia.org,35,30,1916,1.83
+Aviões e Espaço,noticias.uol.com.br,34,34,1916,1.77
+Aviões e Espaço,en.wikipedia.org,33,29,1916,1.72
+Chef sem propriedade,instagram.com,14,14,63,22.22
+Chef sem propriedade,g1.globo.com,12,12,63,19.05
+Chef sem propriedade,revistapegn.globo.com,9,9,63,14.29
+Chef sem propriedade,terra.com.br,8,8,63,12.7
+Chef sem propriedade,cnnbrasil.com.br,2,2,63,3.17
+Chef sem propriedade,metropoles.com,2,2,63,3.17
+Chef sem propriedade,revistaoeste.com,2,2,63,3.17
+Chef sem propriedade,365scores.com,1,1,63,1.59
+Chef sem propriedade,chaves.fandom.com,1,1,63,1.59
+Chef sem propriedade,finedininglovers.com,1,1,63,1.59
+Clima e Ambiente,g1.globo.com,258,239,3484,7.41
+Clima e Ambiente,gov.br,138,128,3484,3.96
+Clima e Ambiente,cnnbrasil.com.br,122,121,3484,3.5
+Clima e Ambiente,twitter.com,90,85,3484,2.58
+Clima e Ambiente,x.com,90,85,3484,2.58
+Clima e Ambiente,instagram.com,75,65,3484,2.15
+Clima e Ambiente,www1.folha.uol.com.br,64,61,3484,1.84
+Clima e Ambiente,noticias.uol.com.br,61,58,3484,1.75
+Clima e Ambiente,oglobo.globo.com,57,52,3484,1.64
+Clima e Ambiente,agenciabrasil.ebc.com.br,55,51,3484,1.58
+Cotas e Cortes no Ensino Superior,g1.globo.com,999,955,8976,11.13
+Cotas e Cortes no Ensino Superior,x.com,562,492,8976,6.26
+Cotas e Cortes no Ensino Superior,cnnbrasil.com.br,543,522,8976,6.05
+Cotas e Cortes no Ensino Superior,oglobo.globo.com,338,336,8976,3.77
+Cotas e Cortes no Ensino Superior,noticias.uol.com.br,291,284,8976,3.24
+Cotas e Cortes no Ensino Superior,metropoles.com,290,282,8976,3.23
+Cotas e Cortes no Ensino Superior,gazetadopovo.com.br,217,205,8976,2.42
+Cotas e Cortes no Ensino Superior,estadao.com.br,186,180,8976,2.07
+Cotas e Cortes no Ensino Superior,poder360.com.br,185,183,8976,2.06
+Cotas e Cortes no Ensino Superior,veja.abril.com.br,167,163,8976,1.86
+Crise Política,g1.globo.com,1100,1024,13603,8.09
+Crise Política,cnnbrasil.com.br,811,790,13603,5.96
+Crise Política,noticias.uol.com.br,597,582,13603,4.39
+Crise Política,x.com,571,501,13603,4.2
+Crise Política,poder360.com.br,461,450,13603,3.39
+Crise Política,gazetadopovo.com.br,435,426,13603,3.2
+Crise Política,oglobo.globo.com,383,375,13603,2.82
+Crise Política,metropoles.com,377,357,13603,2.77
+Crise Política,estadao.com.br,368,362,13603,2.71
+Crise Política,planalto.gov.br,368,350,13603,2.71
+Crítica à Violência,pt.m.wikipedia.org,29,29,35,82.86
+Crítica à Violência,boatos.org,2,2,35,5.71
+Crítica à Violência,jusbrasil.com.br,2,2,35,5.71
+Crítica à Violência,pt.wikipedia.org,2,2,35,5.71
+Diferenciação de nacionalidade,pt.wikipedia.org,27,25,318,8.49
+Diferenciação de nacionalidade,pt.m.wikipedia.org,17,17,318,5.35
+Diferenciação de nacionalidade,bbc.com,14,12,318,4.4
+Diferenciação de nacionalidade,dicionario.priberam.org,13,11,318,4.09
+Diferenciação de nacionalidade,ciberduvidas.iscte-iul.pt,12,12,318,3.77
+Diferenciação de nacionalidade,brasilescola.uol.com.br,11,11,318,3.46
+Diferenciação de nacionalidade,x.com,10,10,318,3.14
+Diferenciação de nacionalidade,dicio.com.br,8,8,318,2.52
+Diferenciação de nacionalidade,michaelis.uol.com.br,8,7,318,2.52
+Diferenciação de nacionalidade,mundoeducacao.uol.com.br,7,7,318,2.2
+Direitos Reprodutivos,camara.leg.br,106,103,924,11.47
+Direitos Reprodutivos,jusbrasil.com.br,55,44,924,5.95
+Direitos Reprodutivos,g1.globo.com,43,43,924,4.65
+Direitos Reprodutivos,x.com,33,31,924,3.57
+Direitos Reprodutivos,cnnbrasil.com.br,24,24,924,2.6
+Direitos Reprodutivos,bbc.com,23,23,924,2.49
+Direitos Reprodutivos,planalto.gov.br,19,18,924,2.06
+Direitos Reprodutivos,gazetadopovo.com.br,17,17,924,1.84
+Direitos Reprodutivos,noticias.uol.com.br,17,17,924,1.84
+Direitos Reprodutivos,oglobo.globo.com,17,17,924,1.84
+Drogas e Saúde,g1.globo.com,32,32,539,5.94
+Drogas e Saúde,pt.wikipedia.org,19,19,539,3.53
+Drogas e Saúde,jusbrasil.com.br,17,15,539,3.15
+Drogas e Saúde,gov.br,14,12,539,2.6
+Drogas e Saúde,exame.com,13,13,539,2.41
+Drogas e Saúde,noticias.uol.com.br,13,13,539,2.41
+Drogas e Saúde,queroescolher.com,13,13,539,2.41
+Drogas e Saúde,bloomberglinea.com.br,12,12,539,2.23
+Drogas e Saúde,tjdft.jus.br,12,11,539,2.23
+Drogas e Saúde,valorinveste.globo.com,12,12,539,2.23
+Economia e Política,g1.globo.com,801,758,10197,7.86
+Economia e Política,cnnbrasil.com.br,757,714,10197,7.42
+Economia e Política,poder360.com.br,375,369,10197,3.68
+Economia e Política,oglobo.globo.com,329,318,10197,3.23
+Economia e Política,economia.uol.com.br,309,296,10197,3.03
+Economia e Política,x.com,307,279,10197,3.01
+Economia e Política,gov.br,306,289,10197,3.0
+Economia e Política,infomoney.com.br,305,293,10197,2.99
+Economia e Política,www1.folha.uol.com.br,242,235,10197,2.37
+Economia e Política,agenciabrasil.ebc.com.br,233,222,10197,2.28
+Erro na raiz,pt.wikipedia.org,6,6,42,14.29
+Erro na raiz,mundoeducacao.uol.com.br,4,4,42,9.52
+Erro na raiz,calculadoraonline.com.br,3,3,42,7.14
+Erro na raiz,escolakids.uol.com.br,3,3,42,7.14
+Erro na raiz,pt.m.wikipedia.org,3,3,42,7.14
+Erro na raiz,brasilescola.uol.com.br,2,2,42,4.76
+Erro na raiz,todamateria.com.br,2,2,42,4.76
+Erro na raiz,youtube.com,2,2,42,4.76
+Erro na raiz,brainly.com.br,1,1,42,2.38
+Erro na raiz,calculadoras.ninja,1,1,42,2.38
+Futebol e Racismo,ge.globo.com,1079,1006,6723,16.05
+Futebol e Racismo,x.com,684,640,6723,10.17
+Futebol e Racismo,espn.com.br,259,249,6723,3.85
+Futebol e Racismo,uol.com.br,225,221,6723,3.35
+Futebol e Racismo,cnnbrasil.com.br,201,189,6723,2.99
+Futebol e Racismo,instagram.com,193,188,6723,2.87
+Futebol e Racismo,pt.wikipedia.org,150,135,6723,2.23
+Futebol e Racismo,pt.m.wikipedia.org,149,133,6723,2.22
+Futebol e Racismo,oglobo.globo.com,134,129,6723,1.99
+Futebol e Racismo,lance.com.br,130,127,6723,1.93
+Golpe de Estado,bbc.com,22,22,49,44.9
+Golpe de Estado,metropoles.com,7,7,49,14.29
+Golpe de Estado,valor.globo.com,6,6,49,12.24
+Golpe de Estado,veja.abril.com.br,5,5,49,10.2
+Golpe de Estado,x.com,2,2,49,4.08
+Golpe de Estado,cnnbrasil.com.br,1,1,49,2.04
+Golpe de Estado,g1.globo.com,1,1,49,2.04
+Golpe de Estado,gazetadopovo.com.br,1,1,49,2.04
+Golpe de Estado,jusbrasil.com.br,1,1,49,2.04
+Golpe de Estado,oantagonista.com.br,1,1,49,2.04
+Herança Simbólica da Monarquia,pt.wikipedia.org,129,113,1606,8.03
+Herança Simbólica da Monarquia,pt.m.wikipedia.org,126,112,1606,7.85
+Herança Simbólica da Monarquia,bbc.com,58,56,1606,3.61
+Herança Simbólica da Monarquia,brasilescola.uol.com.br,51,48,1606,3.18
+Herança Simbólica da Monarquia,encyclopedia.ushmm.org,39,36,1606,2.43
+Herança Simbólica da Monarquia,x.com,33,32,1606,2.05
+Herança Simbólica da Monarquia,en.wikipedia.org,31,27,1606,1.93
+Herança Simbólica da Monarquia,g1.globo.com,27,27,1606,1.68
+Herança Simbólica da Monarquia,britannica.com,25,23,1606,1.56
+Herança Simbólica da Monarquia,cnnbrasil.com.br,25,24,1606,1.56
+Jogo não licenciado,x.com,109,93,944,11.55
+Jogo não licenciado,youtu.be,52,50,944,5.51
+Jogo não licenciado,youtube.com,37,28,944,3.92
+Jogo não licenciado,gta.fandom.com,24,24,944,2.54
+Jogo não licenciado,pt.wikipedia.org,24,18,944,2.54
+Jogo não licenciado,twitter.com,22,21,944,2.33
+Jogo não licenciado,reddit.com,20,20,944,2.12
+Jogo não licenciado,rockstargames.com,20,17,944,2.12
+Jogo não licenciado,store.steampowered.com,19,19,944,2.01
+Jogo não licenciado,help.x.com,18,18,944,1.91
+Ligação Falsa,www-gazetadopovo-com-br.cdn.ampproject.org,115,115,210,54.76
+Ligação Falsa,planalto.gov.br,90,90,210,42.86
+Ligação Falsa,brasil247.com,1,1,210,0.48
+Ligação Falsa,jusbrasil.com.br,1,1,210,0.48
+Ligação Falsa,oantagonista.com.br,1,1,210,0.48
+Ligação Falsa,oglobo.globo.com,1,1,210,0.48
+Ligação Falsa,terra.com.br,1,1,210,0.48
+Morte ignorada,twitter.com,505,344,3690,13.69
+Morte ignorada,x.com,445,432,3690,12.06
+Morte ignorada,poder360.com.br,360,360,3690,9.76
+Morte ignorada,youtube.com,330,167,3690,8.94
+Morte ignorada,community-notes-leaderboard.com,311,163,3690,8.43
+Morte ignorada,www-gazetadopovo-com-br.cdn.ampproject.org,294,182,3690,7.97
+Morte ignorada,web.archive.org,255,121,3690,6.91
+Morte ignorada,revistaoeste.com,204,204,3690,5.53
+Morte ignorada,gazetadopovo-com-br.cdn.ampproject.org,157,109,3690,4.25
+Morte ignorada,observatoriodosfamosos-uol-com-br.cdn.ampproject.org,120,120,3690,3.25
+Musk e Censura,x.com,734,651,5293,13.87
+Musk e Censura,cnnbrasil.com.br,270,265,5293,5.1
+Musk e Censura,g1.globo.com,245,235,5293,4.63
+Musk e Censura,twitter.com,196,140,5293,3.7
+Musk e Censura,instagram.com,126,115,5293,2.38
+Musk e Censura,bbc.com,114,111,5293,2.15
+Musk e Censura,pt.wikipedia.org,81,75,5293,1.53
+Musk e Censura,techtudo.com.br,77,76,5293,1.45
+Musk e Censura,help.x.com,76,76,5293,1.44
+Musk e Censura,veja.abril.com.br,69,68,5293,1.3
+Pobreza e Trabalho,g1.globo.com,244,232,2859,8.53
+Pobreza e Trabalho,cnnbrasil.com.br,198,190,2859,6.93
+Pobreza e Trabalho,gov.br,128,120,2859,4.48
+Pobreza e Trabalho,poder360.com.br,114,109,2859,3.99
+Pobreza e Trabalho,oglobo.globo.com,93,90,2859,3.25
+Pobreza e Trabalho,gazetadopovo.com.br,77,76,2859,2.69
+Pobreza e Trabalho,x.com,70,69,2859,2.45
+Pobreza e Trabalho,noticias.uol.com.br,62,61,2859,2.17
+Pobreza e Trabalho,veja.abril.com.br,60,56,2859,2.1
+Pobreza e Trabalho,www1.folha.uol.com.br,55,53,2859,1.92
+Política de Imigração,g1.globo.com,267,248,3919,6.81
+Política de Imigração,x.com,255,230,3919,6.51
+Política de Imigração,cnnbrasil.com.br,209,195,3919,5.33
+Política de Imigração,bbc.com,138,128,3919,3.52
+Política de Imigração,gazetadopovo.com.br,118,110,3919,3.01
+Política de Imigração,noticias.uol.com.br,109,108,3919,2.78
+Política de Imigração,oglobo.globo.com,97,91,3919,2.48
+Política de Imigração,poder360.com.br,94,91,3919,2.4
+Política de Imigração,pt.wikipedia.org,83,71,3919,2.12
+Política de Imigração,www1.folha.uol.com.br,75,68,3919,1.91
+Proteção Animal,g1.globo.com,82,80,739,11.1
+Proteção Animal,x.com,41,41,739,5.55
+Proteção Animal,pt.wikipedia.org,30,27,739,4.06
+Proteção Animal,pt.m.wikipedia.org,27,22,739,3.65
+Proteção Animal,instagram.com,24,22,739,3.25
+Proteção Animal,twitter.com,20,20,739,2.71
+Proteção Animal,noticias.uol.com.br,17,16,739,2.3
+Proteção Animal,petz.com.br,13,13,739,1.76
+Proteção Animal,youtu.be,13,12,739,1.76
+Proteção Animal,oglobo.globo.com,12,12,739,1.62
+Pseudociência e Golpes,e-farsas.com,45,45,197,22.84
+Pseudociência e Golpes,skepticalinquirer.org,23,23,197,11.68
+Pseudociência e Golpes,britannica.com,15,15,197,7.61
+Pseudociência e Golpes,nasa.tumblr.com,15,15,197,7.61
+Pseudociência e Golpes,extra.globo.com,7,7,197,3.55
+Pseudociência e Golpes,sciencebasedlife.wordpress.com,6,6,197,3.05
+Pseudociência e Golpes,twitter.com,6,6,197,3.05
+Pseudociência e Golpes,pt.m.wikipedia.org,5,4,197,2.54
+Pseudociência e Golpes,cambridge.org,4,3,197,2.03
+Pseudociência e Golpes,doi.org,4,4,197,2.03
+Psicologia vs Ciência,gov.br,22,21,670,3.28
+Psicologia vs Ciência,x.com,22,19,670,3.28
+Psicologia vs Ciência,pt.wikipedia.org,20,18,670,2.99
+Psicologia vs Ciência,cvv.org.br,15,15,670,2.24
+Psicologia vs Ciência,drauziovarella.uol.com.br,14,14,670,2.09
+Psicologia vs Ciência,scielo.br,14,13,670,2.09
+Psicologia vs Ciência,autismoerealidade.org.br,13,13,670,1.94
+Psicologia vs Ciência,oglobo.globo.com,13,13,670,1.94
+Psicologia vs Ciência,uol.com.br,12,12,670,1.79
+Psicologia vs Ciência,bbc.com,11,11,670,1.64
+Publicidade Oculta,t.co,1249,492,2872,43.49
+Publicidade Oculta,help.x.com,376,344,2872,13.09
+Publicidade Oculta,x.com,240,205,2872,8.36
+Publicidade Oculta,tjdft.jus.br,170,168,2872,5.92
+Publicidade Oculta,help.twitter.com,117,86,2872,4.07
+Publicidade Oculta,business.x.com,114,110,2872,3.97
+Publicidade Oculta,jusbrasil.com.br,67,64,2872,2.33
+Publicidade Oculta,diariodarepublica.pt,56,29,2872,1.95
+Publicidade Oculta,business.twitter.com,34,34,2872,1.18
+Publicidade Oculta,planalto.gov.br,28,26,2872,0.97
+Racismo e Liberdade,planalto.gov.br,508,468,4454,11.41
+Racismo e Liberdade,jusbrasil.com.br,408,385,4454,9.16
+Racismo e Liberdade,x.com,238,205,4454,5.34
+Racismo e Liberdade,tjdft.jus.br,183,177,4454,4.11
+Racismo e Liberdade,g1.globo.com,182,181,4454,4.09
+Racismo e Liberdade,cnnbrasil.com.br,97,91,4454,2.18
+Racismo e Liberdade,camara.leg.br,93,80,4454,2.09
+Racismo e Liberdade,revistaoeste.com,89,84,4454,2.0
+Racismo e Liberdade,help.x.com,87,83,4454,1.95
+Racismo e Liberdade,www1.folha.uol.com.br,83,71,4454,1.86
+Raça não é biológica,bbc.com,7,7,165,4.24
+Raça não é biológica,pepsic.bvsalud.org,6,6,165,3.64
+Raça não é biológica,gazetadopovo.com.br,5,4,165,3.03
+Raça não é biológica,pt.wikipedia.org,5,5,165,3.03
+Raça não é biológica,revistagalileu.globo.com,5,5,165,3.03
+Raça não é biológica,cambridge.org,4,4,165,2.42
+Raça não é biológica,nature.com,4,4,165,2.42
+Raça não é biológica,oglobo.globo.com,4,4,165,2.42
+Raça não é biológica,sciencedirect.com,4,1,165,2.42
+Raça não é biológica,web.archive.org,4,4,165,2.42
+Religião e Símbolos,pt.wikipedia.org,100,90,2233,4.48
+Religião e Símbolos,x.com,93,83,2233,4.16
+Religião e Símbolos,g1.globo.com,86,86,2233,3.85
+Religião e Símbolos,pt.m.wikipedia.org,84,76,2233,3.76
+Religião e Símbolos,bbc.com,54,53,2233,2.42
+Religião e Símbolos,youtu.be,46,40,2233,2.06
+Religião e Símbolos,en.wikipedia.org,43,37,2233,1.93
+Religião e Símbolos,vatican.va,40,31,2233,1.79
+Religião e Símbolos,cnnbrasil.com.br,38,38,2233,1.7
+Religião e Símbolos,bibliaonline.com.br,36,25,2233,1.61
+Rouanet não financia,gov.br,66,59,319,20.69
+Rouanet não financia,globaldossier.uspto.gov,16,16,319,5.02
+Rouanet não financia,e-farsas.com,14,14,319,4.39
+Rouanet não financia,metropoles.com,13,13,319,4.08
+Rouanet não financia,jornalopcao.com.br,11,11,319,3.45
+Rouanet não financia,planalto.gov.br,11,10,319,3.45
+Rouanet não financia,veja.abril.com.br,11,11,319,3.45
+Rouanet não financia,g1.globo.com,9,9,319,2.82
+Rouanet não financia,patents.google.com,9,8,319,2.82
+Rouanet não financia,x.com,9,7,319,2.82
+Sátira clara,communitynotes.x.com,612,603,2523,24.26
+Sátira clara,x.com,396,385,2523,15.7
+Sátira clara,help.x.com,383,370,2523,15.18
+Sátira clara,communitynotes.twitter.com,283,252,2523,11.22
+Sátira clara,help.twitter.com,215,213,2523,8.52
+Sátira clara,twitter.com,69,66,2523,2.73
+Sátira clara,pt.wikipedia.org,55,52,2523,2.18
+Sátira clara,t.co,45,42,2523,1.78
+Sátira clara,pt.m.wikipedia.org,42,39,2523,1.66
+Sátira clara,google.com,34,34,2523,1.35
+Sátira de humorista,x.com,2445,2161,8430,29.0
+Sátira de humorista,instagram.com,603,570,8430,7.15
+Sátira de humorista,twitter.com,478,436,8430,5.67
+Sátira de humorista,youtube.com,380,360,8430,4.51
+Sátira de humorista,youtu.be,290,282,8430,3.44
+Sátira de humorista,estadao.com.br,232,230,8430,2.75
+Sátira de humorista,tiktok.com,201,163,8430,2.38
+Sátira de humorista,g1.globo.com,178,176,8430,2.11
+Sátira de humorista,noticias.uol.com.br,161,127,8430,1.91
+Sátira de humorista,pt.wikipedia.org,148,142,8430,1.76
+Taxação e Pagamentos,x.com,218,179,2229,9.78
+Taxação e Pagamentos,g1.globo.com,164,161,2229,7.36
+Taxação e Pagamentos,gov.br,129,123,2229,5.79
+Taxação e Pagamentos,cnnbrasil.com.br,94,93,2229,4.22
+Taxação e Pagamentos,bcb.gov.br,70,66,2229,3.14
+Taxação e Pagamentos,normas.receita.fazenda.gov.br,66,59,2229,2.96
+Taxação e Pagamentos,oglobo.globo.com,62,61,2229,2.78
+Taxação e Pagamentos,economia.uol.com.br,61,59,2229,2.74
+Taxação e Pagamentos,instagram.com,61,59,2229,2.74
+Taxação e Pagamentos,veja.abril.com.br,54,54,2229,2.42
+Taylor Swift e Política,x.com,1557,1264,8802,17.69
+Taylor Swift e Política,gshow.globo.com,313,299,8802,3.56
+Taylor Swift e Política,instagram.com,294,264,8802,3.34
+Taylor Swift e Política,g1.globo.com,278,244,8802,3.16
+Taylor Swift e Política,twitter.com,201,180,8802,2.28
+Taylor Swift e Política,cnnbrasil.com.br,199,190,8802,2.26
+Taylor Swift e Política,billboard.com,136,119,8802,1.55
+Taylor Swift e Política,open.spotify.com,134,95,8802,1.52
+Taylor Swift e Política,pt.m.wikipedia.org,128,108,8802,1.45
+Taylor Swift e Política,pt.wikipedia.org,127,114,8802,1.44
+Transfobia e Direitos,x.com,119,99,1952,6.1
+Transfobia e Direitos,g1.globo.com,78,74,1952,4.0
+Transfobia e Direitos,en.wikipedia.org,63,57,1952,3.23
+Transfobia e Direitos,portal.stf.jus.br,49,48,1952,2.51
+Transfobia e Direitos,cnnbrasil.com.br,41,41,1952,2.1
+Transfobia e Direitos,planalto.gov.br,39,34,1952,2.0
+Transfobia e Direitos,pt.m.wikipedia.org,39,36,1952,2.0
+Transfobia e Direitos,pt.wikipedia.org,37,32,1952,1.9
+Transfobia e Direitos,bbc.com,36,34,1952,1.84
+Transfobia e Direitos,ge.globo.com,34,34,1952,1.74
+Transporte e Economia,g1.globo.com,81,73,1303,6.22
+Transporte e Economia,gov.br,69,64,1303,5.3
+Transporte e Economia,x.com,47,44,1303,3.61
+Transporte e Economia,cnnbrasil.com.br,30,30,1303,2.3
+Transporte e Economia,pt.wikipedia.org,25,24,1303,1.92
+Transporte e Economia,planalto.gov.br,23,23,1303,1.77
+Transporte e Economia,camara.leg.br,21,21,1303,1.61
+Transporte e Economia,estadao.com.br,21,20,1303,1.61
+Transporte e Economia,jusbrasil.com.br,20,20,1303,1.53
+Transporte e Economia,uol.com.br,20,19,1303,1.53
+Vacinas e Saúde,gov.br,312,287,4117,7.58
+Vacinas e Saúde,g1.globo.com,168,163,4117,4.08
+Vacinas e Saúde,cnnbrasil.com.br,134,130,4117,3.25
+Vacinas e Saúde,x.com,130,124,4117,3.16
+Vacinas e Saúde,estadao.com.br,83,77,4117,2.02
+Vacinas e Saúde,oglobo.globo.com,81,79,4117,1.97
+Vacinas e Saúde,metropoles.com,76,73,4117,1.85
+Vacinas e Saúde,bbc.com,71,70,4117,1.72
+Vacinas e Saúde,www1.folha.uol.com.br,59,59,4117,1.43
+Vacinas e Saúde,noticias.uol.com.br,58,57,4117,1.41

cross_modal_validation/top_dominios_por_macrotema.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:906c0f8fd28d29914c632bfa9167acd00e15c8d964c6e82a80d4dc4243d52c5f
+size 10887

cross_modal_validation/top_entidades_por_macrotema.csv

@@ -0,0 +1,543 @@
+macrotheme_label,tipo_entidade,texto_canonico,n_ocorrencias,n_notas,score_medio
+Apostas Online,PLATAFORMA_DIGITAL,x,1306,528,0.605
+Apostas Online,LOCAL,brasil,1242,984,0.79
+Apostas Online,ORGANIZACAO,stake,745,666,0.636
+Apostas Online,VEICULO_MIDIA,g1,603,592,0.56
+Apostas Online,ORGANIZACAO,gangue,431,424,0.485
+Apostas Online,ORGANIZACAO,x,406,270,0.568
+Apostas Online,VEICULO_MIDIA,bbc,392,391,0.67
+Apostas Online,ORGANIZACAO,casa de apostas,293,220,0.592
+Apostas Online,ORGANIZACAO,may-bank-intermediacao-de-negocios,159,40,0.686
+Apostas Online,PESSOA,usuario,157,148,0.641
+Apostas Online,ORGANIZACAO,fenae,145,145,0.691
+Apostas Online,PESSOA,waslesqh,144,144,0.479
+Apostas Online,LOCAL,sao-paulo,126,123,0.652
+Apostas Online,PESSOA,apostador,99,95,0.724
+Apostas Online,ORGAO_SEGURANCA,policia,94,94,0.705
+Ataques e Conflitos,LOCAL,israel,1131,870,0.79
+Ataques e Conflitos,ORGANIZACAO,hamas,665,535,0.875
+Ataques e Conflitos,LOCAL,gaza,352,300,0.904
+Ataques e Conflitos,PARTIDO,hamas,310,238,0.847
+Ataques e Conflitos,LOCAL,palestina,214,175,0.824
+Ataques e Conflitos,ATOR_POLITICO,lula,213,162,0.846
+Ataques e Conflitos,LOCAL,brasil,144,118,0.749
+Ataques e Conflitos,LOCAL,ira,133,125,0.711
+Ataques e Conflitos,VEICULO_MIDIA,cnnbrasil,129,124,0.607
+Ataques e Conflitos,PESSOA,jesus,122,75,0.947
+Ataques e Conflitos,ORGANIZACAO,onu,105,90,0.876
+Ataques e Conflitos,LOCAL,faixa de gaza,102,95,0.888
+Ataques e Conflitos,LOCAL,middle-east,100,92,0.677
+Ataques e Conflitos,VEICULO_MIDIA,bbc,100,84,0.649
+Ataques e Conflitos,VEICULO_MIDIA,g1,80,73,0.546
+Auxílio não cobriu todos,PROGRAMA_PUBLICO,Auxílio Emergencial,41,41,0.933
+Auxílio não cobriu todos,PROGRAMA_PUBLICO,cadastro unico,41,41,0.457
+Auxílio não cobriu todos,EVENTO_POLITICO,pandemia,1,1,0.78
+Auxílio não cobriu todos,PARTIDO,partidos dos trabalhadores,1,1,0.529
+Auxílio não cobriu todos,PROGRAMA_PUBLICO,Auxílio Brasil,1,1,0.919
+Auxílio não cobriu todos,PROGRAMA_PUBLICO,Bolsa Família,1,1,0.869
+Aviões e Espaço,LOCAL,brasil,100,89,0.742
+Aviões e Espaço,VEICULO_MIDIA,g1,89,78,0.617
+Aviões e Espaço,ORGANIZACAO,nasa,87,57,0.904
+Aviões e Espaço,LOCAL,terra,64,52,0.799
+Aviões e Espaço,LOCAL,lua,49,32,0.842
+Aviões e Espaço,VEICULO_MIDIA,cnnbrasil,49,47,0.646
+Aviões e Espaço,PESSOA,autor,44,42,0.667
+Aviões e Espaço,ORGAO_PUBLICO,anac,32,26,0.734
+Aviões e Espaço,ORGANIZACAO,fab,29,20,0.741
+Aviões e Espaço,LOCAL,eua,27,23,0.779
+Aviões e Espaço,PESSOA,vorcaro,26,21,0.839
+Aviões e Espaço,VEICULO_MIDIA,flightradar24,21,10,0.707
+Aviões e Espaço,ORGANIZACAO,google,20,11,0.749
+Aviões e Espaço,ORGANIZACAO,latam,20,16,0.877
+Aviões e Espaço,ORGANIZACAO,spacex,20,17,0.93
+Chef sem propriedade,PESSOA,henrique fogaca,17,17,0.949
+Chef sem propriedade,LOCAL,sao-paulo,14,14,0.776
+Chef sem propriedade,VEICULO_MIDIA,globo,14,7,0.536
+Chef sem propriedade,ORGANIZACAO,restaurante jamile,13,13,0.72
+Chef sem propriedade,ORGANIZACAO,restaurante,6,4,0.663
+Chef sem propriedade,ORGANIZACAO,fogaca,3,3,0.678
+Chef sem propriedade,PESSOA,chef,3,2,0.695
+Chef sem propriedade,VEICULO_MIDIA,g1,3,3,0.669
+Chef sem propriedade,LOCAL,balneario camboriu,2,2,0.792
+Chef sem propriedade,LOCAL,sp,2,2,0.648
+Chef sem propriedade,ORGANIZACAO,fogaca-desabamento-restaurante,2,2,0.721
+Chef sem propriedade,PESSOA,alberto hiar,2,2,0.939
+Chef sem propriedade,PESSOA,anuar tacach,2,2,0.942
+Chef sem propriedade,PESSOA,fogaca,2,1,0.988
+Chef sem propriedade,PESSOA,linguini,2,1,0.977
+Clima e Ambiente,LOCAL,brasil,222,178,0.753
+Clima e Ambiente,LOCAL,rs,139,119,0.745
+Clima e Ambiente,VEICULO_MIDIA,g1,119,102,0.558
+Clima e Ambiente,LOCAL,rio grande do sul,102,97,0.86
+Clima e Ambiente,PARTIDO,ps,92,61,0.931
+Clima e Ambiente,ORGAO_PUBLICO,governo federal,91,87,0.727
+Clima e Ambiente,ORGAO_PUBLICO,antt,86,65,0.859
+Clima e Ambiente,ATOR_POLITICO,bolsonaro,85,76,0.841
+Clima e Ambiente,LOCAL,amazonia,85,74,0.914
+Clima e Ambiente,VEICULO_MIDIA,sbt,75,58,0.847
+Clima e Ambiente,ATOR_POLITICO,lula,74,70,0.745
+Clima e Ambiente,LOCAL,bahia,72,46,0.878
+Clima e Ambiente,VEICULO_MIDIA,cnnbrasil,66,65,0.632
+Clima e Ambiente,LOCAL,praias,58,35,0.632
+Clima e Ambiente,ORGANIZACAO,google,56,36,0.718
+Cotas e Cortes no Ensino Superior,VEICULO_MIDIA,g1,582,517,0.587
+Cotas e Cortes no Ensino Superior,LOCAL,brasil,483,403,0.679
+Cotas e Cortes no Ensino Superior,ATOR_POLITICO,bolsonaro,330,267,0.825
+Cotas e Cortes no Ensino Superior,VEICULO_MIDIA,cnnbrasil,305,290,0.622
+Cotas e Cortes no Ensino Superior,LOCAL,sao-paulo,202,197,0.661
+Cotas e Cortes no Ensino Superior,LOCAL,rj,186,149,0.685
+Cotas e Cortes no Ensino Superior,ATOR_POLITICO,lula,181,165,0.792
+Cotas e Cortes no Ensino Superior,ORGAO_SEGURANCA,policia,180,164,0.741
+Cotas e Cortes no Ensino Superior,PESSOA,autor,151,132,0.624
+Cotas e Cortes no Ensino Superior,ORGAO_PUBLICO,STF,140,112,0.834
+Cotas e Cortes no Ensino Superior,LOCAL,rio-de-janeiro,130,128,0.652
+Cotas e Cortes no Ensino Superior,ORGANIZACAO,usp,126,102,0.804
+Cotas e Cortes no Ensino Superior,ORGAO_PUBLICO,PF,115,105,0.753
+Cotas e Cortes no Ensino Superior,PARTIDO,PT,108,102,0.882
+Cotas e Cortes no Ensino Superior,VEICULO_MIDIA,globo.com,108,102,0.49
+Crise Política,ATOR_POLITICO,lula,1357,1122,0.844
+Crise Política,ATOR_POLITICO,bolsonaro,1156,991,0.865
+Crise Política,ORGAO_PUBLICO,STF,1022,806,0.895
+Crise Política,LOCAL,brasil,764,669,0.697
+Crise Política,VEICULO_MIDIA,g1,606,534,0.567
+Crise Política,VEICULO_MIDIA,cnnbrasil,435,419,0.603
+Crise Política,PARTIDO,PT,423,339,0.913
+Crise Política,ATOR_POLITICO,jair bolsonaro,415,403,0.889
+Crise Política,ORGAO_PUBLICO,PF,332,296,0.74
+Crise Política,ORGAO_PUBLICO,TSE,322,213,0.691
+Crise Política,EVENTO_POLITICO,eleicoes,297,271,0.719
+Crise Política,ATOR_POLITICO,alexandre de moraes,243,227,0.781
+Crise Política,PARTIDO,PL,221,182,0.886
+Crise Política,VEICULO_MIDIA,estadao,217,195,0.684
+Crise Política,LOCAL,eua,210,175,0.714
+Crítica à Violência,ORGANIZACAO,mtst,29,29,0.814
+Crítica à Violência,PESSOA,bolsonarista medio,29,29,0.648
+Crítica à Violência,PESSOA,jesus,29,29,0.787
+Crítica à Violência,PESSOA,jesus cristo,2,2,0.497
+Diferenciação de nacionalidade,LOCAL,brasil,50,32,0.885
+Diferenciação de nacionalidade,LOCAL,america latina,20,19,0.882
+Diferenciação de nacionalidade,LOCAL,portugal,15,15,0.825
+Diferenciação de nacionalidade,PESSOA,autor,14,12,0.655
+Diferenciação de nacionalidade,VEICULO_MIDIA,bbc,13,11,0.706
+Diferenciação de nacionalidade,LOCAL,estados unidos,11,9,0.812
+Diferenciação de nacionalidade,PESSOA,andrade,11,4,0.978
+Diferenciação de nacionalidade,PESSOA,nnn,10,10,0.617
+Diferenciação de nacionalidade,LOCAL,america,9,7,0.791
+Diferenciação de nacionalidade,LOCAL,eua,9,9,0.757
+Diferenciação de nacionalidade,PESSOA,estadunidense,9,7,0.693
+Diferenciação de nacionalidade,PESSOA,michaelis,9,7,0.646
+Diferenciação de nacionalidade,LOCAL,americas,8,7,0.684
+Diferenciação de nacionalidade,PESSOA,feia,8,2,0.751
+Diferenciação de nacionalidade,LOCAL,cuba,7,4,0.965
+Direitos Reprodutivos,EVENTO_POLITICO,aborto,65,50,0.723
+Direitos Reprodutivos,PARTIDO,PL,40,27,0.739
+Direitos Reprodutivos,LOCAL,brasil,35,35,0.748
+Direitos Reprodutivos,PESSOA,mulher,33,28,0.652
+Direitos Reprodutivos,VEICULO_MIDIA,g1,26,26,0.546
+Direitos Reprodutivos,ORGAO_PUBLICO,STJ,18,13,0.876
+Direitos Reprodutivos,PESSOA,mae,17,15,0.655
+Direitos Reprodutivos,LEI_NORMA,pl 1904/2024,16,16,0.96
+Direitos Reprodutivos,ORGANIZACAO,oms,16,16,0.725
+Direitos Reprodutivos,ORGAO_JUDICIARIO,juiz,16,16,0.838
+Direitos Reprodutivos,VEICULO_MIDIA,cnnbrasil,16,16,0.632
+Direitos Reprodutivos,ATOR_POLITICO,lula,15,12,0.756
+Direitos Reprodutivos,ORGAO_PUBLICO,camara,15,15,0.755
+Direitos Reprodutivos,PESSOA,autor,15,15,0.672
+Direitos Reprodutivos,PESSOA,nnn,14,14,0.585
+Drogas e Saúde,ORGAO_PUBLICO,STF,43,36,0.931
+Drogas e Saúde,LOCAL,brasil,38,35,0.779
+Drogas e Saúde,PLATAFORMA_DIGITAL,queroescolher.com,18,18,0.57
+Drogas e Saúde,ORGANIZACAO,philip morris brasil,16,16,0.836
+Drogas e Saúde,ORGANIZACAO,senado,16,10,0.892
+Drogas e Saúde,VEICULO_MIDIA,g1,15,14,0.553
+Drogas e Saúde,PESSOA,nnn,13,13,0.589
+Drogas e Saúde,ORGANIZACAO,philip_morris_international,12,12,0.562
+Drogas e Saúde,ORGANIZACAO,pmi,12,6,0.695
+Drogas e Saúde,PESSOA,usuario,10,10,0.633
+Drogas e Saúde,ORGANIZACAO,philip morris,8,8,0.974
+Drogas e Saúde,ORGAO_PUBLICO,Anvisa,8,6,0.809
+Drogas e Saúde,PESSOA,autor,8,8,0.635
+Drogas e Saúde,VEICULO_MIDIA,exame.com,7,7,0.565
+Drogas e Saúde,ORGAO_JUDICIARIO,supremo,6,6,0.822
+Economia e Política,LOCAL,brasil,1040,873,0.795
+Economia e Política,ATOR_POLITICO,lula,529,480,0.752
+Economia e Política,VEICULO_MIDIA,g1,435,389,0.583
+Economia e Política,VEICULO_MIDIA,cnnbrasil,431,405,0.619
+Economia e Política,ATOR_POLITICO,bolsonaro,360,320,0.792
+Economia e Política,ORGAO_PUBLICO,Banco Central,274,213,0.729
+Economia e Política,LOCAL,eua,217,180,0.75
+Economia e Política,ORGANIZACAO,petrobras,211,157,0.887
+Economia e Política,PLATAFORMA_DIGITAL,google,200,138,0.79
+Economia e Política,ORGANIZACAO,google,180,117,0.8
+Economia e Política,ATOR_POLITICO,trump,167,162,0.813
+Economia e Política,PARTIDO,PT,158,153,0.873
+Economia e Política,DATA,em 2024,155,146,0.94
+Economia e Política,VEICULO_MIDIA,estadao,155,150,0.704
+Economia e Política,DATA,em 2022,151,147,0.94
+Erro na raiz,PESSOA,nnn,4,4,0.586
+Erro na raiz,ESTATISTICA,1%,3,1,0.98
+Erro na raiz,ESTATISTICA,50%,3,3,0.98
+Erro na raiz,PESSOA,autor,3,3,0.549
+Erro na raiz,ESTATISTICA,39%,2,1,0.98
+Erro na raiz,LOCAL,floresta,2,1,0.93
+Erro na raiz,PESSOA,bhaskara,2,1,0.961
+Erro na raiz,PESSOA,homem,2,1,0.845
+Erro na raiz,PLATAFORMA_DIGITAL,google,2,1,0.921
+Erro na raiz,DATA,25 de abril,1,1,0.94
+Erro na raiz,ESTATISTICA,0%,1,1,0.98
+Erro na raiz,ESTATISTICA,100%,1,1,0.98
+Erro na raiz,ESTATISTICA,16%,1,1,0.98
+Erro na raiz,ESTATISTICA,25%,1,1,0.98
+Erro na raiz,ESTATISTICA,"26,6%",1,1,0.98
+Futebol e Racismo,ORGANIZACAO,flamengo,661,494,0.879
+Futebol e Racismo,ORGANIZACAO,palmeiras,507,379,0.872
+Futebol e Racismo,ORGANIZACAO,fifa,502,312,0.954
+Futebol e Racismo,ORGANIZACAO,corinthians,378,274,0.874
+Futebol e Racismo,VEICULO_MIDIA,globo,341,292,0.573
+Futebol e Racismo,PESSOA,autor,282,270,0.63
+Futebol e Racismo,ORGANIZACAO,cruzeiro,270,181,0.858
+Futebol e Racismo,ORGANIZACAO,botafogo,268,181,0.863
+Futebol e Racismo,ORGANIZACAO,cbf,262,210,0.919
+Futebol e Racismo,VEICULO_MIDIA,espn,215,198,0.71
+Futebol e Racismo,ORGANIZACAO,fluminense,198,149,0.852
+Futebol e Racismo,ORGANIZACAO,gremio,168,124,0.906
+Futebol e Racismo,PESSOA,neymar,163,140,0.889
+Futebol e Racismo,VEICULO_MIDIA,cnnbrasil,146,134,0.664
+Futebol e Racismo,LOCAL,brasil,136,119,0.701
+Golpe de Estado,ATOR_POLITICO,filipe martins,28,28,0.793
+Golpe de Estado,VEICULO_MIDIA,bbc,21,21,0.604
+Golpe de Estado,ATOR_POLITICO,bolsonaro,16,16,0.642
+Golpe de Estado,EVENTO_POLITICO,minuta do golpe,16,16,0.766
+Golpe de Estado,LOCAL,eua,11,11,0.607
+Golpe de Estado,LOCAL,usa,11,11,0.712
+Golpe de Estado,PESSOA,filipe martins,10,10,0.715
+Golpe de Estado,PROCESSO_JUDICIAL,minuta do golpe,7,7,0.697
+Golpe de Estado,VEICULO_MIDIA,bolsonaro,7,7,0.568
+Golpe de Estado,LOCAL,brasil,6,6,0.582
+Golpe de Estado,EVENTO_POLITICO,golpe de estado,4,4,0.724
+Golpe de Estado,EVENTO_POLITICO,minuta golpista,3,3,0.591
+Golpe de Estado,PARTIDO,bolsonaro,3,3,0.635
+Golpe de Estado,ATOR_POLITICO,felipe martins,2,2,0.804
+Golpe de Estado,LOCAL,maquiavel,2,2,0.605
+Herança Simbólica da Monarquia,LOCAL,brasil,218,165,0.814
+Herança Simbólica da Monarquia,PARTIDO,nazismo,70,47,0.767
+Herança Simbólica da Monarquia,PARTIDO,fascismo,56,33,0.758
+Herança Simbólica da Monarquia,LOCAL,portugal,49,39,0.787
+Herança Simbólica da Monarquia,PLATAFORMA_DIGITAL,wikipedia.org,44,25,0.572
+Herança Simbólica da Monarquia,ATOR_POLITICO,hitler,42,38,0.717
+Herança Simbólica da Monarquia,EVENTO_POLITICO,holocausto,42,34,0.776
+Herança Simbólica da Monarquia,PARTIDO,extrema-direita,37,24,0.799
+Herança Simbólica da Monarquia,EVENTO_POLITICO,holodomor,36,21,0.843
+Herança Simbólica da Monarquia,VEICULO_MIDIA,bbc,33,30,0.622
+Herança Simbólica da Monarquia,ORGANIZACAO,urss,30,22,0.774
+Herança Simbólica da Monarquia,PARTIDO,partido nazista,30,28,0.868
+Herança Simbólica da Monarquia,LOCAL,alemanha,29,28,0.789
+Herança Simbólica da Monarquia,PESSOA,autor,28,26,0.584
+Herança Simbólica da Monarquia,LOCAL,eua,26,23,0.733
+Jogo não licenciado,PESSOA,autor,48,43,0.672
+Jogo não licenciado,PLATAFORMA_DIGITAL,xbox,46,32,0.731
+Jogo não licenciado,ORGANIZACAO,microsoft,43,36,0.93
+Jogo não licenciado,ORGANIZACAO,sony,38,32,0.904
+Jogo não licenciado,PLATAFORMA_DIGITAL,steam,37,29,0.901
+Jogo não licenciado,LOCAL,brasil,31,27,0.871
+Jogo não licenciado,ORGANIZACAO,nintendo,30,19,0.825
+Jogo não licenciado,PLATAFORMA_DIGITAL,youtube,28,19,0.753
+Jogo não licenciado,ORGANIZACAO,rockstargames,25,21,0.727
+Jogo não licenciado,ORGANIZACAO,rockstar,23,21,0.898
+Jogo não licenciado,PESSOA,lucia,19,19,0.932
+Jogo não licenciado,ORGANIZACAO,pokemon,16,15,0.624
+Jogo não licenciado,ORGANIZACAO,rockstar games,16,15,0.948
+Jogo não licenciado,ORGANIZACAO,xbox,16,11,0.662
+Jogo não licenciado,PESSOA,usuario,15,15,0.627
+Ligação Falsa,ATOR_POLITICO,bolsonaro,108,108,0.947
+Ligação Falsa,LOCAL,brasil,106,106,0.629
+Ligação Falsa,ATOR_POLITICO,bolsonarista,50,50,0.671
+Ligação Falsa,VEICULO_MIDIA,gazetadopovo,23,23,0.529
+Ligação Falsa,EVENTO_POLITICO,crime,12,12,0.564
+Ligação Falsa,ATOR_POLITICO,lula,9,9,0.721
+Ligação Falsa,PARTIDO,bolsonaristas,3,3,0.771
+Morte ignorada,PESSOA,jessica,852,846,0.825
+Morte ignorada,ORGANIZACAO,choquei,559,478,0.569
+Morte ignorada,PESSOA,otavi0xi,458,458,0.636
+Morte ignorada,ORGAO_SEGURANCA,choquei,248,180,0.697
+Morte ignorada,LOCAL,brasil,205,198,0.475
+Morte ignorada,PESSOA,raphael sousa oliveira,172,172,0.748
+Morte ignorada,VEICULO_MIDIA,gazetadopovo,161,117,0.636
+Morte ignorada,PESSOA,jessica canedo,141,140,0.731
+Morte ignorada,PLATAFORMA_DIGITAL,twitter.com,109,62,0.584
+Morte ignorada,PLATAFORMA_DIGITAL,twitter,100,97,0.566
+Morte ignorada,PLATAFORMA_DIGITAL,choquei,99,97,0.565
+Morte ignorada,VEICULO_MIDIA,vida-e-cidadania,90,46,0.614
+Morte ignorada,VEICULO_MIDIA,choquei,86,79,0.649
+Morte ignorada,PESSOA,jessica vitoria,76,76,0.86
+Morte ignorada,PESSOA,ceo,65,65,0.481
+Musk e Censura,PLATAFORMA_DIGITAL,twitter,454,291,0.889
+Musk e Censura,PESSOA,elon musk,447,424,0.866
+Musk e Censura,LOCAL,brasil,295,263,0.768
+Musk e Censura,PLATAFORMA_DIGITAL,x,258,163,0.721
+Musk e Censura,VEICULO_MIDIA,cnnbrasil,235,231,0.71
+Musk e Censura,PLATAFORMA_DIGITAL,instagram,210,145,0.904
+Musk e Censura,VEICULO_MIDIA,g1,171,159,0.585
+Musk e Censura,ORGANIZACAO,google,170,98,0.835
+Musk e Censura,ORGANIZACAO,starlink,138,100,0.856
+Musk e Censura,PESSOA,autor,129,122,0.647
+Musk e Censura,ORGAO_PUBLICO,STF,128,85,0.912
+Musk e Censura,PESSOA,musk,121,107,0.743
+Musk e Censura,PLATAFORMA_DIGITAL,tiktok,104,84,0.947
+Musk e Censura,ORGANIZACAO,apple,99,73,0.871
+Musk e Censura,PESSOA,elonmusk,97,90,0.646
+Pobreza e Trabalho,ORGAO_PUBLICO,IBGE,306,198,0.853
+Pobreza e Trabalho,ORGAO_PUBLICO,INSS,230,204,0.765
+Pobreza e Trabalho,PROGRAMA_PUBLICO,Bolsa Família,226,203,0.923
+Pobreza e Trabalho,ATOR_POLITICO,lula,224,184,0.736
+Pobreza e Trabalho,LOCAL,brasil,217,182,0.782
+Pobreza e Trabalho,ATOR_POLITICO,bolsonaro,167,152,0.8
+Pobreza e Trabalho,VEICULO_MIDIA,g1,124,108,0.587
+Pobreza e Trabalho,VEICULO_MIDIA,cnnbrasil,106,104,0.603
+Pobreza e Trabalho,DATA,em 2023,84,84,0.94
+Pobreza e Trabalho,LOCAL,argentina,61,52,0.742
+Pobreza e Trabalho,PESSOA,autor,60,57,0.611
+Pobreza e Trabalho,PARTIDO,PT,59,54,0.909
+Pobreza e Trabalho,DATA,em 2019,54,54,0.94
+Pobreza e Trabalho,DATA,em 2024,54,53,0.94
+Pobreza e Trabalho,DATA,em 2022,53,51,0.94
+Política de Imigração,LOCAL,venezuela,281,248,0.771
+Política de Imigração,LOCAL,brasil,253,221,0.76
+Política de Imigração,LOCAL,eua,242,215,0.728
+Política de Imigração,ATOR_POLITICO,maduro,217,190,0.802
+Política de Imigração,LOCAL,ucrania,208,178,0.807
+Política de Imigração,ATOR_POLITICO,trump,147,127,0.796
+Política de Imigração,LOCAL,russia,142,119,0.76
+Política de Imigração,ATOR_POLITICO,lula,131,114,0.805
+Política de Imigração,VEICULO_MIDIA,g1,124,113,0.557
+Política de Imigração,ATOR_POLITICO,nicolas maduro,115,110,0.84
+Política de Imigração,LOCAL,china,107,81,0.773
+Política de Imigração,LOCAL,cuba,105,81,0.861
+Política de Imigração,VEICULO_MIDIA,cnnbrasil,100,93,0.61
+Política de Imigração,ORGANIZACAO,onu,83,60,0.928
+Política de Imigração,VEICULO_MIDIA,bbc,80,71,0.615
+Proteção Animal,VEICULO_MIDIA,g1,66,58,0.606
+Proteção Animal,LOCAL,brasil,30,26,0.739
+Proteção Animal,LOCAL,rio-grande-do-sul,18,18,0.609
+Proteção Animal,PESSOA,autor,16,16,0.686
+Proteção Animal,PLATAFORMA_DIGITAL,wikipedia.org,16,8,0.606
+Proteção Animal,PESSOA,janja,15,15,0.779
+Proteção Animal,LOCAL,santa-catarina,12,12,0.707
+Proteção Animal,VEICULO_MIDIA,globo,12,7,0.752
+Proteção Animal,LOCAL,rs,11,11,0.597
+Proteção Animal,PLATAFORMA_DIGITAL,instagram,11,7,0.842
+Proteção Animal,PLATAFORMA_DIGITAL,twitter,11,11,0.651
+Proteção Animal,PESSOA,homem,9,6,0.772
+Proteção Animal,ORGAO_SEGURANCA,bombeiros,8,7,0.733
+Proteção Animal,VEICULO_MIDIA,nationalgeographicbrasil,8,8,0.681
+Proteção Animal,ESTATISTICA,20%,7,5,0.98
+Pseudociência e Golpes,PESSOA,baba vanga,47,47,0.966
+Pseudociência e Golpes,ORGANIZACAO,nasa,30,17,0.96
+Pseudociência e Golpes,VEICULO_MIDIA,britannica,26,13,0.845
+Pseudociência e Golpes,VEICULO_MIDIA,skeptical inquirer,21,21,0.822
+Pseudociência e Golpes,VEICULO_MIDIA,nature,12,8,0.658
+Pseudociência e Golpes,PESSOA,fernanda,10,5,0.979
+Pseudociência e Golpes,PLATAFORMA_DIGITAL,twitter,6,6,0.724
+Pseudociência e Golpes,DATA,em 2022,4,4,0.94
+Pseudociência e Golpes,PESSOA,carlson,4,4,0.938
+Pseudociência e Golpes,VEICULO_MIDIA,nationalgeographicbrasil,4,4,0.753
+Pseudociência e Golpes,VEICULO_MIDIA,nypost,4,4,0.579
+Pseudociência e Golpes,DATA,em 1996,3,3,0.94
+Pseudociência e Golpes,DATA,em 2010,3,3,0.94
+Pseudociência e Golpes,PESSOA,nandabande,3,3,0.544
+Pseudociência e Golpes,PESSOA,nnn,3,3,0.533
+Psicologia vs Ciência,LOCAL,brasil,21,19,0.77
+Psicologia vs Ciência,PESSOA,autor,21,18,0.695
+Psicologia vs Ciência,ORGANIZACAO,oms,12,12,0.877
+Psicologia vs Ciência,PESSOA,nnn,12,12,0.621
+Psicologia vs Ciência,PESSOA,drauziovarella,11,11,0.588
+Psicologia vs Ciência,PESSOA,ele,11,6,0.787
+Psicologia vs Ciência,ESTATISTICA,20%,10,8,0.98
+Psicologia vs Ciência,ORGANIZACAO,cvv,10,6,0.754
+Psicologia vs Ciência,PESSOA,autora,10,10,0.663
+Psicologia vs Ciência,VEICULO_MIDIA,correiobraziliense,10,10,0.591
+Psicologia vs Ciência,VEICULO_MIDIA,globo,9,6,0.675
+Psicologia vs Ciência,ORGANIZACAO,centro de valorizacao da vida,8,8,0.876
+Psicologia vs Ciência,ORGANIZACAO,cfp,8,6,0.767
+Psicologia vs Ciência,PESSOA,pessoa,7,7,0.593
+Psicologia vs Ciência,PLATAFORMA_DIGITAL,google,7,4,0.775
+Publicidade Oculta,PLATAFORMA_DIGITAL,telegram,679,678,0.914
+Publicidade Oculta,VEICULO_MIDIA,t.co,403,312,0.482
+Publicidade Oculta,PLATAFORMA_DIGITAL,x,289,176,0.582
+Publicidade Oculta,PLATAFORMA_DIGITAL,t.co,185,93,0.498
+Publicidade Oculta,PLATAFORMA_DIGITAL,help,122,66,0.526
+Publicidade Oculta,ORGANIZACAO,x,102,63,0.576
+Publicidade Oculta,PLATAFORMA_DIGITAL,twitter.com,95,32,0.815
+Publicidade Oculta,PESSOA,autor,77,73,0.653
+Publicidade Oculta,LOCAL,brasil,67,44,0.659
+Publicidade Oculta,PLATAFORMA_DIGITAL,twitter,67,64,0.838
+Publicidade Oculta,VEICULO_MIDIA,diariodarepublica.pt,54,27,0.617
+Publicidade Oculta,PLATAFORMA_DIGITAL,onlyfans,35,24,0.876
+Publicidade Oculta,ORGANIZACAO,shopee,31,27,0.719
+Publicidade Oculta,PESSOA,usuario,31,31,0.664
+Publicidade Oculta,PLATAFORMA_DIGITAL,instagram,26,19,0.859
+Racismo e Liberdade,LOCAL,brasil,348,326,0.715
+Racismo e Liberdade,PESSOA,autor,169,151,0.647
+Racismo e Liberdade,LOCAL,planalto,124,86,0.561
+Racismo e Liberdade,VEICULO_MIDIA,g1,100,93,0.566
+Racismo e Liberdade,PESSOA,cuca,88,70,0.931
+Racismo e Liberdade,VEICULO_MIDIA,cnnbrasil,69,64,0.635
+Racismo e Liberdade,ORGAO_PUBLICO,STF,68,60,0.891
+Racismo e Liberdade,ESTATISTICA,20%,62,54,0.98
+Racismo e Liberdade,PESSOA,nnn,62,62,0.57
+Racismo e Liberdade,PESSOA,vitima,54,46,0.683
+Racismo e Liberdade,PLATAFORMA_DIGITAL,twitter,52,43,0.756
+Racismo e Liberdade,ATOR_POLITICO,bolsonaro,48,43,0.873
+Racismo e Liberdade,PARTIDO,PL,45,35,0.801
+Racismo e Liberdade,ATOR_POLITICO,lula,43,38,0.853
+Racismo e Liberdade,PESSOA,mulher,43,35,0.65
+Raça não é biológica,LOCAL,brasil,14,11,0.78
+Raça não é biológica,PESSOA,autor,9,9,0.625
+Raça não é biológica,VEICULO_MIDIA,bbc,7,7,0.632
+Raça não é biológica,LOCAL,bra,5,4,0.624
+Raça não é biológica,PESSOA,richard lynn,4,4,0.981
+Raça não é biológica,VEICULO_MIDIA,gazetadopovo,4,3,0.551
+Raça não é biológica,VEICULO_MIDIA,revistagalileu,4,4,0.554
+Raça não é biológica,ESTATISTICA,20%,3,3,0.98
+Raça não é biológica,LOCAL,africa,3,3,0.843
+Raça não é biológica,LOCAL,estado,3,3,0.513
+Raça não é biológica,LOCAL,japao,3,3,0.879
+Raça não é biológica,ORGANIZACAO,cambridge,3,3,0.493
+Raça não é biológica,ORGANIZACAO,ourworldindata.org,3,2,0.763
+Raça não é biológica,PLATAFORMA_DIGITAL,sciencedirect.com,3,1,0.514
+Raça não é biológica,VEICULO_MIDIA,cnnbrasil,3,3,0.617
+Religião e Símbolos,PESSOA,jesus,111,88,0.871
+Religião e Símbolos,LOCAL,brasil,85,73,0.769
+Religião e Símbolos,PESSOA,papa francisco,72,59,0.835
+Religião e Símbolos,PESSOA,papa,68,51,0.706
+Religião e Símbolos,PESSOA,autor,53,47,0.689
+Religião e Símbolos,ORGANIZACAO,igreja catolica,52,50,0.901
+Religião e Símbolos,PESSOA,nnn,51,50,0.608
+Religião e Símbolos,ORGANIZACAO,vaticano,49,39,0.836
+Religião e Símbolos,VEICULO_MIDIA,g1,48,46,0.562
+Religião e Símbolos,ORGANIZACAO,igreja,37,32,0.724
+Religião e Símbolos,VEICULO_MIDIA,bbc,36,36,0.594
+Religião e Símbolos,PESSOA,dionisio,31,31,0.82
+Religião e Símbolos,PESSOA,jesus cristo,30,30,0.807
+Religião e Símbolos,VEICULO_MIDIA,cnnbrasil,30,30,0.606
+Religião e Símbolos,PESSOA,frei gilson,25,20,0.877
+Rouanet não financia,PROGRAMA_PUBLICO,lei rouanet,98,87,0.83
+Rouanet não financia,ATOR_POLITICO,dilma rousseff,20,19,0.886
+Rouanet não financia,DATA,em 2014,19,19,0.94
+Rouanet não financia,ORGAO_PUBLICO,governo federal,19,18,0.829
+Rouanet não financia,ORGANIZACAO,uspto,17,9,0.756
+Rouanet não financia,ORGAO_PUBLICO,ministerio da cultura,17,17,0.908
+Rouanet não financia,LOCAL,brasil,16,16,0.676
+Rouanet não financia,PROGRAMA_PUBLICO,lei-rouanet,16,15,0.594
+Rouanet não financia,DATA,em 2023,12,12,0.94
+Rouanet não financia,ORGANIZACAO,inpi,12,11,0.736
+Rouanet não financia,ATOR_POLITICO,bolsonaro,11,8,0.83
+Rouanet não financia,ORGAO_PUBLICO,secom,11,9,0.657
+Rouanet não financia,DATA,06/08/2014,10,10,0.94
+Rouanet não financia,ORGANIZACAO,ancine,10,7,0.826
+Rouanet não financia,ORGANIZACAO,empresas,10,10,0.582
+Sátira clara,PESSOA,nnn,1745,1740,0.551
+Sátira clara,PESSOA,autor,1276,1217,0.646
+Sátira clara,PLATAFORMA_DIGITAL,twitter,539,448,0.767
+Sátira clara,PESSOA,autora,154,149,0.633
+Sátira clara,PLATAFORMA_DIGITAL,x,146,90,0.66
+Sátira clara,ORGANIZACAO,nnn,127,127,0.525
+Sátira clara,PESSOA,usuario,102,99,0.686
+Sátira clara,ORGANIZACAO,comunidade,99,76,0.62
+Sátira clara,VEICULO_MIDIA,nnn,99,99,0.532
+Sátira clara,VEICULO_MIDIA,nn,76,76,0.687
+Sátira clara,PESSOA,pessoa,68,65,0.603
+Sátira clara,PESSOA,o autor,66,66,0.692
+Sátira clara,PLATAFORMA_DIGITAL,communitynotes,50,19,0.59
+Sátira clara,ORGANIZACAO,communitynotes,49,43,0.536
+Sátira clara,PESSOA,ele,40,35,0.554
+Sátira de humorista,PLATAFORMA_DIGITAL,instagram,518,361,0.846
+Sátira de humorista,PESSOA,autor,361,332,0.652
+Sátira de humorista,PLATAFORMA_DIGITAL,youtube,361,284,0.757
+Sátira de humorista,PLATAFORMA_DIGITAL,twitter,355,331,0.679
+Sátira de humorista,ATOR_POLITICO,lula,312,280,0.82
+Sátira de humorista,PLATAFORMA_DIGITAL,x.com,277,127,0.597
+Sátira de humorista,PLATAFORMA_DIGITAL,tiktok,271,163,0.899
+Sátira de humorista,ATOR_POLITICO,bolsonaro,228,171,0.853
+Sátira de humorista,PLATAFORMA_DIGITAL,x,213,139,0.613
+Sátira de humorista,LOCAL,brasil,175,155,0.748
+Sátira de humorista,ATOR_POLITICO,trump,168,137,0.85
+Sátira de humorista,VEICULO_MIDIA,globo,140,113,0.743
+Sátira de humorista,VEICULO_MIDIA,g1,129,101,0.675
+Sátira de humorista,VEICULO_MIDIA,estadao.com.br,123,123,0.581
+Sátira de humorista,VEICULO_MIDIA,uol,111,46,0.756
+Taxação e Pagamentos,PLATAFORMA_DIGITAL,pix,217,152,0.726
+Taxação e Pagamentos,PROGRAMA_PUBLICO,pix,199,131,0.621
+Taxação e Pagamentos,ORGAO_PUBLICO,receita federal,176,174,0.927
+Taxação e Pagamentos,ORGAO_PUBLICO,Banco Central,120,91,0.755
+Taxação e Pagamentos,ATOR_POLITICO,bolsonaro,113,100,0.804
+Taxação e Pagamentos,VEICULO_MIDIA,g1,110,101,0.597
+Taxação e Pagamentos,ORGANIZACAO,pix,76,54,0.641
+Taxação e Pagamentos,ORGAO_PUBLICO,pix,74,59,0.606
+Taxação e Pagamentos,ATOR_POLITICO,jair bolsonaro,71,71,0.819
+Taxação e Pagamentos,ORGAO_PUBLICO,receita,70,51,0.832
+Taxação e Pagamentos,LOCAL,brasil,68,61,0.745
+Taxação e Pagamentos,ATOR_POLITICO,nikolas ferreira,59,57,0.775
+Taxação e Pagamentos,VEICULO_MIDIA,cnnbrasil,50,49,0.657
+Taxação e Pagamentos,PESSOA,autor,46,44,0.624
+Taxação e Pagamentos,VALOR_MONETARIO,r$ 5 mil,46,44,0.98
+Taylor Swift e Política,PLATAFORMA_DIGITAL,spotify,509,291,0.933
+Taylor Swift e Política,VEICULO_MIDIA,globo,479,356,0.734
+Taylor Swift e Política,PESSOA,taylor swift,470,449,0.953
+Taylor Swift e Política,PESSOA,anitta,229,161,0.936
+Taylor Swift e Política,PESSOA,ana paula,225,197,0.876
+Taylor Swift e Política,PESSOA,milena,214,187,0.882
+Taylor Swift e Política,LOCAL,brasil,211,193,0.779
+Taylor Swift e Política,PESSOA,beyonce,196,169,0.911
+Taylor Swift e Política,PLATAFORMA_DIGITAL,x.com,187,71,0.57
+Taylor Swift e Política,VEICULO_MIDIA,g1,175,140,0.621
+Taylor Swift e Política,VEICULO_MIDIA,bbb,147,110,0.685
+Taylor Swift e Política,PLATAFORMA_DIGITAL,instagram,145,98,0.816
+Taylor Swift e Política,ATOR_POLITICO,trump,126,101,0.806
+Taylor Swift e Política,PESSOA,autor,123,117,0.621
+Taylor Swift e Política,PESSOA,epstein,122,78,0.714
+Transfobia e Direitos,LOCAL,brasil,149,118,0.81
+Transfobia e Direitos,PESSOA,imane khelif,129,124,0.974
+Transfobia e Direitos,ORGAO_PUBLICO,STF,114,72,0.881
+Transfobia e Direitos,LOCAL,argelia,61,55,0.902
+Transfobia e Direitos,PESSOA,autor,42,40,0.628
+Transfobia e Direitos,ORGANIZACAO,iba,41,26,0.877
+Transfobia e Direitos,PESSOA,mulher,41,35,0.646
+Transfobia e Direitos,PESSOA,homem,35,30,0.678
+Transfobia e Direitos,VEICULO_MIDIA,g1,35,32,0.58
+Transfobia e Direitos,VEICULO_MIDIA,cnnbrasil,30,30,0.609
+Transfobia e Direitos,DATA,desde 2019,29,29,0.94
+Transfobia e Direitos,PESSOA,imane_khelif,28,28,0.794
+Transfobia e Direitos,PESSOA,nnn,27,27,0.624
+Transfobia e Direitos,LOCAL,algeria,26,26,0.621
+Transfobia e Direitos,PESSOA,khelif,25,17,0.827
+Transporte e Economia,LOCAL,brasil,91,77,0.804
+Transporte e Economia,ORGANIZACAO,uber,73,41,0.931
+Transporte e Economia,ORGANIZACAO,tesla,66,47,0.893
+Transporte e Economia,ORGANIZACAO,byd,55,42,0.921
+Transporte e Economia,VEICULO_MIDIA,g1,53,47,0.605
+Transporte e Economia,PROGRAMA_PUBLICO,ipva,50,40,0.801
+Transporte e Economia,ATOR_POLITICO,bolsonaro,47,45,0.797
+Transporte e Economia,ATOR_POLITICO,lula,42,35,0.757
+Transporte e Economia,PROGRAMA_PUBLICO,dpvat,41,33,0.906
+Transporte e Economia,LOCAL,china,35,28,0.82
+Transporte e Economia,PESSOA,motorista,32,27,0.801
+Transporte e Economia,ORGAO_PUBLICO,dnit,26,20,0.826
+Transporte e Economia,ORGAO_PUBLICO,governo federal,26,26,0.744
+Transporte e Economia,PESSOA,autor,26,23,0.663
+Transporte e Economia,VEICULO_MIDIA,cnnbrasil,21,21,0.587
+Vacinas e Saúde,LOCAL,brasil,276,231,0.773
+Vacinas e Saúde,ATOR_POLITICO,bolsonaro,173,145,0.89
+Vacinas e Saúde,ORGAO_PUBLICO,Anvisa,157,109,0.85
+Vacinas e Saúde,PROGRAMA_PUBLICO,SUS,141,108,0.784
+Vacinas e Saúde,VEICULO_MIDIA,g1,101,89,0.604
+Vacinas e Saúde,PESSOA,autor,98,93,0.623
+Vacinas e Saúde,VEICULO_MIDIA,cnnbrasil,70,66,0.608
+Vacinas e Saúde,ORGANIZACAO,pfizer,62,46,0.868
+Vacinas e Saúde,ESTATISTICA,20%,61,56,0.98
+Vacinas e Saúde,VEICULO_MIDIA,estadao,61,55,0.674
+Vacinas e Saúde,LOCAL,eua,56,52,0.798
+Vacinas e Saúde,ORGAO_PUBLICO,ministerio da saude,54,53,0.913
+Vacinas e Saúde,VEICULO_MIDIA,globo,46,34,0.661
+Vacinas e Saúde,ORGANIZACAO,oms,41,39,0.924
+Vacinas e Saúde,ORGAO_PUBLICO,fda,40,30,0.89

cross_modal_validation/top_entidades_por_macrotema.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9e16b4cff3764ec8a49a7f65baec093ec9234d68d354173fa5018e8818d30117
+size 14292

entities.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d2d1bd7f8f8882c27bbfeb23b54f1bd5588c4e9b154c4ab1ac67451f47337c8d
+size 39504229

macrotheme_metadata.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:37f488512998dfd3f502d2d87e2d8a642c1e1950a6d684bd7133d3852d031880
+size 11295

notes_pt.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f924a18bd0901d06377b2a7525b14b3dc68ad9e1b73c34e81b0bbeec083b09b4
+size 35360021

paper/README_LATEX.md

@@ -0,0 +1,61 @@
+# Pacote LaTeX — Community Notes BR (DSW 2026)
+
+## Conteúdo
+
+```
+paper/
+├── paper.tex              # Fonte principal, formato SBC
+├── references.bib         # Bibliografia (12 entradas + 2 a completar)
+├── _make_figures.py       # Gera as 3 figuras a partir do dataset
+├── figures/
+│   ├── heatmap_macrotema_tipo.pdf
+│   ├── timeline_consenso.pdf
+│   └── mf_scatter.pdf
+└── README_LATEX.md        # este arquivo
+```
+
+## Pré-requisitos
+
+1. **Template SBC** (`sbc-template.cls`, `sbc-template.sty`, `sbc.bst`):
+   - Baixar de https://www.sbc.org.br/documentos-da-sbc/template-para-artigos-sbc
+   - Colocar `sbc-template.cls`, `sbc-template.sty` e `sbc.bst` em `paper/` (mesmo diretório do `.tex`)
+2. **TeX Live ou MikTeX** com `pdflatex` e `bibtex`
+3. **Pacotes LaTeX**: `babel`, `inputenc`, `graphicx`, `url`, `booktabs`, `hyperref`, `xcolor`, `tabularx`, `multirow` (todos já no template padrão)
+
+## Compilação
+
+```bash
+cd paper/
+pdflatex paper.tex
+bibtex paper
+pdflatex paper.tex
+pdflatex paper.tex
+```
+
+Saída: `paper.pdf`.
+
+## Antes de submeter no JEMS
+
+- [ ] Substituir as duas entradas placeholder em `references.bib` (FakeRecogna, Fake.Br Corpus) por referências completas
+- [ ] Preencher os marcadores `[citar X]` no texto das Seções 2.2 e 2.4
+- [ ] Confirmar a URL pública do dataset na Seção 9 (Disponibilidade)
+- [ ] Verificar contagem de páginas: alvo 6–10 páginas (mais até 2 extras de agradecimentos/referências)
+- [ ] Conferir se figuras ficam legíveis em escala SBC (tamanho ~9pt) — ajustar `\includegraphics[width=...]` se necessário
+- [ ] Conferir formatação dos abstracts (resumo PT e abstract EN obrigatórios)
+- [ ] Conferir presença da subseção "Uso de Inteligência Artificial" antes das referências
+
+## Regenerar figuras
+
+Se ajustar o dataset:
+
+```bash
+python _make_figures.py
+```
+
+Requer Python com `pandas`, `matplotlib`, `fastparquet`. Os arquivos `.pdf` e `.png` são regenerados em `figures/`.
+
+## Notas
+
+- **Figuras em PDF vetorial.** São preferíveis ao PNG no LaTeX porque escalam sem perda. As versões PNG estão lá apenas para preview rápido fora do LaTeX.
+- **Encoding.** Se houver problemas com acentos PT-BR, verificar que o arquivo está salvo em UTF-8 e que `\usepackage[utf8]{inputenc}` está presente.
+- **Bibliografia.** O estilo `sbc` é o convencional. Se aparecer "I don't know about style sbc", confirmar que `sbc.bst` está no diretório do `.tex` ou no path do TeX.

paper/_make_figures.py

@@ -0,0 +1,91 @@
+"""Generate paper figures from the published dataset."""
+import sys
+import pandas as pd
+import matplotlib
+matplotlib.use('Agg')
+import matplotlib.pyplot as plt
+import numpy as np
+
+OUT_DIR = 'C:/Users/davim/Downloads/dataset/published_dataset/paper/figures'
+
+# === Heatmap macrotema × tipo ===
+ct = pd.read_parquet(
+    'C:/Users/davim/Downloads/dataset/cross_modal_validation/macrotema_x_tipo_entidade__contagem.parquet',
+    engine='fastparquet'
+).set_index('macrotheme_label')
+if 'URL_DOMINIO' in ct.columns:
+    ct = ct.drop(columns=['URL_DOMINIO'])
+top_types = ct.sum(axis=0).sort_values(ascending=False).head(12).index.tolist()
+ct = ct[top_types]
+top15 = ct.sum(axis=1).sort_values(ascending=False).head(15).index
+ct = ct.loc[top15]
+ct_pct = ct.div(ct.sum(axis=1), axis=0) * 100
+
+fig, ax = plt.subplots(figsize=(10, 7))
+im = ax.imshow(ct_pct.values, cmap='YlOrRd', aspect='auto')
+ax.set_xticks(range(len(ct_pct.columns)))
+ax.set_xticklabels(ct_pct.columns, rotation=45, ha='right', fontsize=9)
+ax.set_yticks(range(len(ct_pct.index)))
+ax.set_yticklabels(ct_pct.index, fontsize=9)
+for i in range(ct_pct.shape[0]):
+    for j in range(ct_pct.shape[1]):
+        v = ct_pct.values[i, j]
+        if v >= 5:
+            ax.text(j, i, f'{v:.0f}', ha='center', va='center',
+                    fontsize=7, color='black' if v < 25 else 'white')
+cbar = fig.colorbar(im, ax=ax, fraction=0.04)
+cbar.set_label('% das entidades nao-URL no macrotema', fontsize=9)
+ax.set_title('Assinatura semantica por macrotema (top 15 x top 12 tipos)', fontsize=10)
+plt.tight_layout()
+plt.savefig(f'{OUT_DIR}/heatmap_macrotema_tipo.pdf', bbox_inches='tight')
+plt.savefig(f'{OUT_DIR}/heatmap_macrotema_tipo.png', dpi=150, bbox_inches='tight')
+plt.close()
+print('OK heatmap')
+
+# === Timeline ===
+notes = pd.read_parquet(
+    'C:/Users/davim/Downloads/dataset/published_dataset/notes_pt.parquet',
+    engine='fastparquet'
+)
+notes['ano_mes'] = pd.to_datetime(notes['created_at']).dt.to_period('M').dt.to_timestamp()
+g = notes.groupby(['ano_mes','consenso']).size().unstack(fill_value=0)
+for c in ['NMR','CRH','CRNH','Outro']:
+    if c not in g.columns:
+        g[c] = 0
+g = g[['NMR','CRH','CRNH','Outro']]
+
+fig, ax = plt.subplots(figsize=(10, 4))
+ax.fill_between(g.index, 0, g['NMR'], color='#cccccc', label='NMR (necessita mais avaliacoes)')
+ax.fill_between(g.index, g['NMR'], g['NMR']+g['CRH'], color='#4E79A7', label='CRH (publicada)')
+ax.fill_between(g.index, g['NMR']+g['CRH'], g['NMR']+g['CRH']+g['CRNH'], color='#E15759', label='CRNH (nao-util)')
+ax.fill_between(g.index, g['NMR']+g['CRH']+g['CRNH'], g.sum(axis=1), color='#F28E2B', label='Outro')
+ax.set_xlabel('Mes')
+ax.set_ylabel('Notas (PT)')
+ax.set_title('Volume mensal de notas em PT por consenso comunitario')
+ax.legend(loc='upper left', fontsize=8)
+plt.tight_layout()
+plt.savefig(f'{OUT_DIR}/timeline_consenso.pdf', bbox_inches='tight')
+plt.savefig(f'{OUT_DIR}/timeline_consenso.png', dpi=150, bbox_inches='tight')
+plt.close()
+print('OK timeline')
+
+# === MF scatter ===
+sub = notes.dropna(subset=['coreNoteIntercept','coreNoteFactor1']).sample(
+    min(10000, len(notes.dropna(subset=['coreNoteIntercept','coreNoteFactor1']))),
+    random_state=42
+)
+fig, ax = plt.subplots(figsize=(7, 6))
+colors = sub['consenso'].map({'CRH':'#4E79A7','NMR':'#cccccc','CRNH':'#E15759','Outro':'#F28E2B'}).fillna('#aaaaaa')
+ax.scatter(sub['coreNoteFactor1'], sub['coreNoteIntercept'], c=colors.values, s=4, alpha=0.4)
+ax.axhline(0.4, color='black', linestyle='--', alpha=0.3, label='intercept = 0.4 (limiar CRH)')
+ax.set_xlabel('coreNoteFactor1 (eixo de polarizacao)')
+ax.set_ylabel('coreNoteIntercept (utilidade absoluta)')
+ax.set_title('Espaco de pontuacao MF (amostra de 10k notas)')
+ax.legend(fontsize=8, loc='upper left')
+plt.tight_layout()
+plt.savefig(f'{OUT_DIR}/mf_scatter.pdf', bbox_inches='tight')
+plt.savefig(f'{OUT_DIR}/mf_scatter.png', dpi=150, bbox_inches='tight')
+plt.close()
+print('OK mf_scatter')
+
+print('\nFiguras geradas em:', OUT_DIR)

paper/figures/mf_scatter.pdf

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:addfafcc2fd122a0853405b14cdc8b1a21f7724a3ba34398acbed66181545e89
+size 182872

paper/paper.aux

@@ -0,0 +1,83 @@
+\relax 
+\providecommand \babel@aux [2]{\global \let \babel@toc \@gobbletwo }
+\@nameuse{bbl@beforestart}
+\catcode `"\active 
+\providecommand\hyper@newdestlabel[2]{}
+\providecommand\HyField@AuxAddToFields[1]{}
+\providecommand\HyField@AuxAddToCoFields[2]{}
+\babel@aux{brazilian}{}
+\citation{wojcik2022birdwatch}
+\citation{prollochs2022community}
+\citation{monteiro2018fakebr}
+\citation{prollochs2022community}
+\citation{wojcik2022birdwatch}
+\citation{allen2022birds}
+\citation{monteiro2018fakebr}
+\@writefile{toc}{\contentsline {section}{\numberline {1}Introdução}{2}{section.1}\protected@file@percent }
+\newlabel{sec:intro}{{1}{2}{Introdução}{section.1}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {2}Trabalhos relacionados}{2}{section.2}\protected@file@percent }
+\newlabel{sec:related}{{2}{2}{Trabalhos relacionados}{section.2}{}}
+\citation{santos2007harem}
+\citation{luz2018lenerbr}
+\citation{grootendorst2022bertopic}
+\citation{pham2024topicgpt}
+\citation{raasveldt2019duckdb}
+\citation{joulin2017bag}
+\@writefile{toc}{\contentsline {section}{\numberline {3}Coleta e curadoria base}{3}{section.3}\protected@file@percent }
+\newlabel{sec:coleta}{{3}{3}{Coleta e curadoria base}{section.3}{}}
+\@writefile{toc}{\contentsline {subsection}{\numberline {3.1}Fonte e ETL}{3}{subsection.3.1}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {3.2}Detecção de drift de esquema e órfãos}{3}{subsection.3.2}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {3.3}Filtragem por idioma}{3}{subsection.3.3}\protected@file@percent }
+\citation{wang2023e5instruct}
+\citation{moulavi2014dbcv}
+\@writefile{toc}{\contentsline {subsection}{\numberline {3.4}Estatística lateral notável}{4}{subsection.3.4}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {3.5}Hidratação amostral de tweets}{4}{subsection.3.5}\protected@file@percent }
+\@writefile{toc}{\contentsline {section}{\numberline {4}Pipeline de enriquecimento}{4}{section.4}\protected@file@percent }
+\newlabel{sec:enriquecimento}{{4}{4}{Pipeline de enriquecimento}{section.4}{}}
+\@writefile{toc}{\contentsline {subsection}{\numberline {4.1}Embeddings semânticos com instrução}{4}{subsection.4.1}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {4.2}Tópicos com BERTopic e calibração por DBCV}{4}{subsection.4.2}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {4.3}Rotulagem estruturada com gramática formal GBNF}{4}{subsection.4.3}\protected@file@percent }
+\citation{zaratiana2024gliner}
+\@writefile{toc}{\contentsline {subsection}{\numberline {4.4}Macroagregação hierárquica e detecção de procedurais}{5}{subsection.4.4}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {4.5}Reconhecimento de entidades nomeadas}{5}{subsection.4.5}\protected@file@percent }
+\@writefile{toc}{\contentsline {subsection}{\numberline {4.6}Pontuação por fatoração matricial}{6}{subsection.4.6}\protected@file@percent }
+\@writefile{toc}{\contentsline {section}{\numberline {5}Caracterização quantitativa}{6}{section.5}\protected@file@percent }
+\newlabel{sec:caracterizacao}{{5}{6}{Caracterização quantitativa}{section.5}{}}
+\@writefile{lof}{\contentsline {figure}{\numberline {1}{\ignorespaces Volume mensal de notas em PT por consenso comunitário. NMR (cinza) domina; CRH (azul) cresce no segundo semestre de 2024 com a expansão das Community Notes.}}{6}{figure.1}\protected@file@percent }
+\newlabel{fig:timeline}{{1}{6}{Volume mensal de notas em PT por consenso comunitário. NMR (cinza) domina; CRH (azul) cresce no segundo semestre de 2024 com a expansão das Community Notes}{figure.1}{}}
+\@writefile{lot}{\contentsline {table}{\numberline {1}{\ignorespaces Dez maiores macrotemas, em volume de notas.}}{7}{table.1}\protected@file@percent }
+\newlabel{tab:macrotemas}{{1}{7}{Dez maiores macrotemas, em volume de notas}{table.1}{}}
+\@writefile{lof}{\contentsline {figure}{\numberline {2}{\ignorespaces Espaço de pontuação MF para o subset PT. CRH (azul) concentra-se acima de \texttt  {intercept} $\approx 0{,}4$; o eixo \texttt  {coreNoteFactor1} captura polarização horizontal independente da utilidade.}}{7}{figure.2}\protected@file@percent }
+\newlabel{fig:mf}{{2}{7}{Espaço de pontuação MF para o subset PT. CRH (azul) concentra-se acima de \texttt {intercept} $\approx 0{,}4$; o eixo \texttt {coreNoteFactor1} captura polarização horizontal independente da utilidade}{figure.2}{}}
+\@writefile{lot}{\contentsline {table}{\numberline {2}{\ignorespaces Missingness por coluna em \texttt  {notes\_pt.parquet}.}}{8}{table.2}\protected@file@percent }
+\newlabel{tab:missing}{{2}{8}{Missingness por coluna em \texttt {notes\_pt.parquet}}{table.2}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {6}Avaliação de qualidade}{8}{section.6}\protected@file@percent }
+\newlabel{sec:qualidade}{{6}{8}{Avaliação de qualidade}{section.6}{}}
+\@writefile{lot}{\contentsline {table}{\numberline {3}{\ignorespaces Assinatura semântica de macrotemas selecionados (top entidades não-URL e top fontes).}}{8}{table.3}\protected@file@percent }
+\newlabel{tab:crossmodal}{{3}{8}{Assinatura semântica de macrotemas selecionados (top entidades não-URL e top fontes)}{table.3}{}}
+\@writefile{lof}{\contentsline {figure}{\numberline {3}{\ignorespaces Assinatura semântica por macrotema: percentual de cada tipo de entidade não-URL nos 15 maiores macrotemas. Concentração distinta por linha indica especialização semântica coerente com o rótulo do macrotema.}}{9}{figure.3}\protected@file@percent }
+\newlabel{fig:heatmap}{{3}{9}{Assinatura semântica por macrotema: percentual de cada tipo de entidade não-URL nos 15 maiores macrotemas. Concentração distinta por linha indica especialização semântica coerente com o rótulo do macrotema}{figure.3}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {7}Casos de uso e questões de pesquisa}{9}{section.7}\protected@file@percent }
+\newlabel{sec:usos}{{7}{9}{Casos de uso e questões de pesquisa}{section.7}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {8}Limitações e desafios}{10}{section.8}\protected@file@percent }
+\newlabel{sec:limitacoes}{{8}{10}{Limitações e desafios}{section.8}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {9}Disponibilidade}{10}{section.9}\protected@file@percent }
+\newlabel{sec:disponibilidade}{{9}{10}{Disponibilidade}{section.9}{}}
+\@writefile{toc}{\contentsline {section}{\numberline {10}Considerações finais}{10}{section.10}\protected@file@percent }
+\newlabel{sec:conclusao}{{10}{10}{Considerações finais}{section.10}{}}
+\bibstyle{plain}
+\bibdata{references}
+\bibcite{allen2022birds}{1}
+\bibcite{grootendorst2022bertopic}{2}
+\bibcite{joulin2017bag}{3}
+\bibcite{luz2018lenerbr}{4}
+\bibcite{monteiro2018fakebr}{5}
+\bibcite{moulavi2014dbcv}{6}
+\bibcite{pham2024topicgpt}{7}
+\bibcite{prollochs2022community}{8}
+\bibcite{raasveldt2019duckdb}{9}
+\bibcite{santos2007harem}{10}
+\bibcite{wang2023e5instruct}{11}
+\bibcite{wojcik2022birdwatch}{12}
+\bibcite{zaratiana2024gliner}{13}
+\gdef \@abspage@last{12}

paper/paper.bbl

@@ -0,0 +1,89 @@
+\begin{thebibliography}{10}
+
+\bibitem{allen2022birds}
+Jennifer Allen, Cameron Martel, and David~G Rand.
+\newblock Birds of a feather don't fact-check each other: Partisanship and the
+  evaluation of news in twitter's birdwatch crowdsourced fact-checking program.
+\newblock In {\em Proceedings of the 2022 CHI Conference on Human Factors in
+  Computing Systems}, pages 1--19, 2022.
+
+\bibitem{grootendorst2022bertopic}
+Maarten Grootendorst.
+\newblock Bertopic: Neural topic modeling with a class-based tf-idf procedure.
+\newblock {\em arXiv preprint arXiv:2203.05794}, 2022.
+
+\bibitem{joulin2017bag}
+Armand Joulin, Edouard Grave, Piotr Bojanowski, and Tomas Mikolov.
+\newblock Bag of tricks for efficient text classification.
+\newblock In {\em Proceedings of the 15th Conference of the European Chapter of
+  the Association for Computational Linguistics (EACL)}, pages 427--431, 2017.
+
+\bibitem{luz2018lenerbr}
+Pedro~Henrique Luz~de Araujo, Te{\'o}filo~Em{\'i}dio de~Campos, Renato R~R
+  de~Oliveira, Matheus Stauffer, Samuel Couto, and Paulo Bermejo.
+\newblock Lener-br: a dataset for named entity recognition in brazilian legal
+  text.
+\newblock In {\em International Conference on the Computational Processing of
+  Portuguese (PROPOR)}, pages 313--323, 2018.
+
+\bibitem{monteiro2018fakebr}
+Rafael~A. Monteiro, Roney L.~S. Santos, Thiago A.~S. Pardo, Tiago~A.
+  de~Almeida, Evandro E.~S. Ruiz, and Oto~A. Vale.
+\newblock Contributions to the study of fake news in {P}ortuguese: New corpus
+  and automatic detection results.
+\newblock In {\em International Conference on the Computational Processing of
+  Portuguese (PROPOR)}, pages 324--334. Springer, 2018.
+
+\bibitem{moulavi2014dbcv}
+Davoud Moulavi, Pablo~A Jaskowiak, Ricardo J G~B Campello, Arthur Zimek, and
+  J{\"o}rg Sander.
+\newblock Density-based clustering validation.
+\newblock In {\em Proceedings of the 2014 SIAM International Conference on Data
+  Mining}, pages 839--847, 2014.
+
+\bibitem{pham2024topicgpt}
+Chau~Minh Pham, Alexander Hoyle, Simeng Sun, Philip Resnik, and Mohit Iyyer.
+\newblock {T}opic{GPT}: A prompt-based topic modeling framework.
+\newblock In {\em Proceedings of the 2024 Conference of the North American
+  Chapter of the Association for Computational Linguistics (NAACL)}, 2024.
+
+\bibitem{prollochs2022community}
+Nicolas Pr{\"o}llochs.
+\newblock Community-based fact-checking on twitter's birdwatch platform.
+\newblock In {\em Proceedings of the International AAAI Conference on Web and
+  Social Media (ICWSM)}, volume~16, pages 794--805, 2022.
+
+\bibitem{raasveldt2019duckdb}
+Mark Raasveldt and Hannes M{\"u}hleisen.
+\newblock Duckdb: an embeddable analytical database.
+\newblock In {\em Proceedings of the 2019 International Conference on
+  Management of Data (SIGMOD)}, pages 1981--1984, 2019.
+
+\bibitem{santos2007harem}
+Diana Santos and Nuno Cardoso.
+\newblock {\em Reconhecimento de entidades mencionadas em portugu{\^e}s:
+  Documenta{\c c}{\~a}o e atas do {HAREM}, a primeira avalia{\c c}{\~a}o
+  conjunta na {\'a}rea}.
+\newblock Linguateca, 2007.
+
+\bibitem{wang2023e5instruct}
+Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder, and Furu
+  Wei.
+\newblock Improving text embeddings with large language models.
+\newblock {\em arXiv preprint arXiv:2401.00368}, 2023.
+
+\bibitem{wojcik2022birdwatch}
+Stefan Wojcik, Sophie Hilgard, Nick Judd, Delia Mocanu, Stephen Ragain,
+  M~B~Fallin Hunzaker, Keith Coleman, and Jay Baxter.
+\newblock Birdwatch: Crowd wisdom and bridging algorithms can inform
+  understanding and reduce the spread of misinformation.
+\newblock In {\em arXiv preprint arXiv:2210.15723}, 2022.
+
+\bibitem{zaratiana2024gliner}
+Urchade Zaratiana, Nadi Tomeh, Pierre Holat, and Thierry Charnois.
+\newblock Gliner: Generalist model for named entity recognition using
+  bidirectional transformer.
+\newblock In {\em Proceedings of the 2024 Conference of the North American
+  Chapter of the Association for Computational Linguistics (NAACL)}, 2024.
+
+\end{thebibliography}

paper/paper.blg

@@ -0,0 +1,48 @@
+This is BibTeX, Version 0.99e
+Capacity: max_strings=200000, hash_size=200000, hash_prime=170003
+The top-level auxiliary file: paper.aux
+Reallocating 'name_of_file' (item size: 1) to 6 items.
+The style file: plain.bst
+Reallocating 'name_of_file' (item size: 1) to 11 items.
+Database file #1: references.bib
+You've used 13 entries,
+            2118 wiz_defined-function locations,
+            564 strings with 7094 characters,
+and the built_in function-call counts, 5549 in all, are:
+= -- 520
+> -- 302
+< -- 8
++ -- 119
+- -- 106
+* -- 365
+:= -- 871
+add.period$ -- 40
+call.type$ -- 13
+change.case$ -- 91
+chr.to.int$ -- 0
+cite$ -- 13
+duplicate$ -- 233
+empty$ -- 426
+format.name$ -- 106
+if$ -- 1199
+int.to.chr$ -- 0
+int.to.str$ -- 13
+missing$ -- 14
+newline$ -- 68
+num.names$ -- 26
+pop$ -- 127
+preamble$ -- 1
+purify$ -- 79
+quote$ -- 0
+skip$ -- 179
+stack$ -- 0
+substring$ -- 284
+swap$ -- 85
+text.length$ -- 8
+text.prefix$ -- 0
+top$ -- 0
+type$ -- 50
+warning$ -- 0
+while$ -- 47
+width$ -- 15
+write$ -- 141

paper/paper.log

@@ -0,0 +1,650 @@
+This is pdfTeX, Version 3.141592653-2.6-1.40.28 (MiKTeX 25.12) (preloaded format=pdflatex 2026.4.29)  9 MAY 2026 00:03
+entering extended mode
+ restricted \write18 enabled.
+ %&-line parsing enabled.
+**./paper.tex
+(paper.tex
+LaTeX2e <2025-11-01>
+L3 programming layer <2025-12-24>
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/base\article.cls
+Document Class: article 2025/01/22 v1.4n Standard LaTeX document class
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/base\size12.clo
+File: size12.clo 2025/01/22 v1.4n Standard LaTeX file (size option)
+)
+\c@part=\count275
+\c@section=\count276
+\c@subsection=\count277
+\c@subsubsection=\count278
+\c@paragraph=\count279
+\c@subparagraph=\count280
+\c@figure=\count281
+\c@table=\count282
+\abovecaptionskip=\skip49
+\belowcaptionskip=\skip50
+\bibindent=\dimen148
+)
+(sbc-template.sty
+Package: sbc-template 2017/01/01 SBC Conferences Template
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/psnfss\times.sty
+Package: times 2020/03/25 PSNFSS-v9.3 (SPQR) 
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics\epsfig.sty
+Package: epsfig 2024/01/14 v1.7b (e)psfig emulation (SPQR)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics\graphicx.sty
+Package: graphicx 2024/12/31 v1.2e Enhanced LaTeX Graphics (DPC,SPQR)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics\keyval.sty
+Package: keyval 2022/05/29 v1.15 key=value parser (DPC)
+\KV@toks@=\toks17
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics\graphics.sty
+Package: graphics 2024/08/06 v1.4g Standard LaTeX Graphics (DPC,SPQR)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics\trig.sty
+Package: trig 2023/12/02 v1.11 sin cos tan (DPC)
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics-cfg\graphics.c
+fg
+File: graphics.cfg 2016/06/04 v1.11 sample graphics configuration
+)
+Package graphics Info: Driver file: pdftex.def on input line 106.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics-def\pdftex.def
+File: pdftex.def 2025/09/29 v1.2d Graphics/color driver for pdftex
+))
+\Gin@req@height=\dimen149
+\Gin@req@width=\dimen150
+)
+\epsfxsize=\dimen151
+\epsfysize=\dimen152
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/geometry\geometry.sty
+Package: geometry 2026/03/07 v6.0 Page Geometry
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/iftex\ifvtex.sty
+Package: ifvtex 2019/10/25 v1.7 ifvtex legacy package. Use iftex instead.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/iftex\iftex.sty
+Package: iftex 2024/12/12 v1.0g TeX engine tests
+))
+\Gm@cnth=\count283
+\Gm@cntv=\count284
+\c@Gm@tempcnt=\count285
+\Gm@bindingoffset=\dimen153
+\Gm@wd@mp=\dimen154
+\Gm@odd@mp=\dimen155
+\Gm@even@mp=\dimen156
+\Gm@layoutwidth=\dimen157
+\Gm@layoutheight=\dimen158
+\Gm@layouthoffset=\dimen159
+\Gm@layoutvoffset=\dimen160
+\Gm@dimlist=\toks18
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/geometry\geometry.cfg))
+) (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/base\inputenc.sty
+Package: inputenc 2024/02/08 v1.3d Input encoding file
+\inpenc@prehook=\toks19
+\inpenc@posthook=\toks20
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/babel\babel.sty
+Package: babel 2025/12/11 v25.17 The multilingual framework for LuaLaTeX, pdfLa
+TeX and XeLaTeX
+\babel@savecnt=\count286
+LaTeX Encoding Info:    Redeclaring text command \ij (encoding OT1) on input li
+ne 2068.
+LaTeX Encoding Info:    Redeclaring text command \IJ (encoding OT1) on input li
+ne 2070.
+LaTeX Encoding Info:    Redeclaring text command \ij (encoding T1) on input lin
+e 2072.
+LaTeX Encoding Info:    Redeclaring text command \IJ (encoding T1) on input lin
+e 2073.
+LaTeX Encoding Info:    Ignoring declaration for text command \ij (encoding ?) 
+on input line 2074.
+LaTeX Encoding Info:    Ignoring declaration for text command \IJ (encoding ?) 
+on input line 2076.
+LaTeX Encoding Info:    Ignoring declaration for text command \SS (encoding ?) 
+on input line 2101.
+\U@D=\dimen161
+\l@unhyphenated=\language79
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/babel\txtbabel.def)
+\bbl@readstream=\read2
+\bbl@dirlevel=\count287
+Package babel Info: Configuration files are deprecated, as
+(babel)             they can break document portability.
+(babel)             Reported on input line 4196.
+
+*************************************
+* Local config file bblopts.cfg used
+*
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/arabi\bblopts.cfg
+File: bblopts.cfg 2005/09/08 v0.1 add Arabic and Farsi to "declared" options of
+ babel
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/babel/locale/pt\babel
+-brazilian.tex)
+Package babel Info: Importing font and identification data for brazilian
+(babel)             from babel-pt-BR.ini. Reported on input line 4320.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/babel-portuges\brazilia
+n.ldf
+Language: portuges 2026/01/24 v1.2u Portuguese support from the babel system
+Package babel Info: Hyphen rules for 'brazilian' set to \l@portuguese
+(babel)             (\language56). Reported on input line 100.
+Package babel Info: Making " an active character on input line 132.
+)) (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/url\url.sty
+\Urlmuskip=\muskip17
+Package: url 2013/09/16  ver 3.4  Verb mode for urls, etc.
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/booktabs\booktabs.sty
+Package: booktabs 2020/01/12 v1.61803398 Publication quality tables
+\heavyrulewidth=\dimen162
+\lightrulewidth=\dimen163
+\cmidrulewidth=\dimen164
+\belowrulesep=\dimen165
+\belowbottomsep=\dimen166
+\aboverulesep=\dimen167
+\abovetopsep=\dimen168
+\cmidrulesep=\dimen169
+\cmidrulekern=\dimen170
+\defaultaddspace=\dimen171
+\@cmidla=\count288
+\@cmidlb=\count289
+\@aboverulesep=\dimen172
+\@belowrulesep=\dimen173
+\@thisruleclass=\count290
+\@lastruleclass=\count291
+\@thisrulewidth=\dimen174
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/hyperref\hyperref.sty
+Package: hyperref 2025-07-12 v7.01o Hypertext links for LaTeX
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/kvsetkeys\kvsetkeys.sty
+Package: kvsetkeys 2022-10-05 v1.19 Key value parser (HO)
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/kvdefinekeys\kvdefine
+keys.sty
+Package: kvdefinekeys 2019-12-19 v1.6 Define keys (HO)
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/pdfescape\pdfescape.s
+ty
+Package: pdfescape 2019/12/09 v1.15 Implements pdfTeX's escape features (HO)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/ltxcmds\ltxcmds.sty
+Package: ltxcmds 2023-12-04 v1.26 LaTeX kernel commands for general use (HO)
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/pdftexcmds\pdftexcmds
+.sty
+Package: pdftexcmds 2020-06-27 v0.33 Utility functions of pdfTeX for LuaTeX (HO
+)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/infwarerr\infwarerr.s
+ty
+Package: infwarerr 2019/12/03 v1.5 Providing info/warning/error messages (HO)
+)
+Package pdftexcmds Info: \pdf@primitive is available.
+Package pdftexcmds Info: \pdf@ifprimitive is available.
+Package pdftexcmds Info: \pdfdraftmode found.
+))
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/hycolor\hycolor.sty
+Package: hycolor 2020-01-27 v1.10 Color options for hyperref/bookmark (HO)
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/hyperref\nameref.sty
+Package: nameref 2025-06-21 v2.57 Cross-referencing by name of section
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/refcount\refcount.sty
+Package: refcount 2019/12/15 v3.6 Data extraction from label references (HO)
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/gettitlestring\gettit
+lestring.sty
+Package: gettitlestring 2019/12/15 v1.6 Cleanup title references (HO)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/kvoptions\kvoptions.sty
+Package: kvoptions 2022-06-15 v3.15 Key value format for package options (HO)
+))
+\c@section@level=\count292
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/etoolbox\etoolbox.sty
+Package: etoolbox 2025/10/02 v2.5m e-TeX tools for LaTeX (JAW)
+\etb@tempcnta=\count293
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/stringenc\stringenc.s
+ty
+Package: stringenc 2019/11/29 v1.12 Convert strings between diff. encodings (HO
+)
+)
+\@linkdim=\dimen175
+\Hy@linkcounter=\count294
+\Hy@pagecounter=\count295
+ (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/hyperref\pd1enc.def
+File: pd1enc.def 2025-07-12 v7.01o Hyperref: PDFDocEncoding definition (HO)
+Now handling font encoding PD1 ...
+... no UTF-8 mapping file for font encoding PD1
+) (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/intcalc\intcalc.sty
+Package: intcalc 2019/12/15 v1.3 Expandable calculations with integers (HO)
+)
+\Hy@SavedSpaceFactor=\count296
+ (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/hyperref\puenc.def
+File: puenc.def 2025-07-12 v7.01o Hyperref: PDF Unicode definition (HO)
+Now handling font encoding PU ...
+... no UTF-8 mapping file for font encoding PU
+)
+Package hyperref Info: Hyper figures OFF on input line 4195.
+Package hyperref Info: Link nesting OFF on input line 4200.
+Package hyperref Info: Hyper index ON on input line 4203.
+Package hyperref Info: Plain pages OFF on input line 4210.
+Package hyperref Info: Backreferencing OFF on input line 4215.
+Package hyperref Info: Implicit mode ON; LaTeX internals redefined.
+Package hyperref Info: Bookmarks ON on input line 4462.
+\c@Hy@tempcnt=\count297
+LaTeX Info: Redefining \url on input line 4801.
+\XeTeXLinkMargin=\dimen176
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/bitset\bitset.sty
+Package: bitset 2019/12/09 v1.3 Handle bit-vector datatype (HO)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/bigintcalc\bigintcalc
+.sty
+Package: bigintcalc 2019/12/15 v1.5 Expandable calculations on big integers (HO
+)
+))
+\Fld@menulength=\count298
+\Field@Width=\dimen177
+\Fld@charsize=\dimen178
+Package hyperref Info: Hyper figures OFF on input line 6078.
+Package hyperref Info: Link nesting OFF on input line 6083.
+Package hyperref Info: Hyper index ON on input line 6086.
+Package hyperref Info: backreferencing OFF on input line 6093.
+Package hyperref Info: Link coloring OFF on input line 6098.
+Package hyperref Info: Link coloring with OCG OFF on input line 6103.
+Package hyperref Info: PDF/A mode OFF on input line 6108.
+\Hy@abspage=\count299
+\c@Item=\count300
+\c@Hfootnote=\count301
+)
+Package hyperref Info: Driver (autodetected): hpdftex.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/hyperref\hpdftex.def
+File: hpdftex.def 2025-07-12 v7.01o Hyperref driver for pdfTeX
+\Fld@listcount=\count302
+\c@bookmark@seq@number=\count303
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/rerunfilecheck\rerunfil
+echeck.sty
+Package: rerunfilecheck 2025-06-21 v1.11 Rerun checks for auxiliary files (HO)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/generic/uniquecounter\uniquec
+ounter.sty
+Package: uniquecounter 2019/12/15 v1.4 Provide unlimited unique counter (HO)
+)
+Package uniquecounter Info: New unique counter `rerunfilecheck' on input line 2
+84.
+)
+\Hy@SectionHShift=\skip51
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/xcolor\xcolor.sty
+Package: xcolor 2024/09/29 v3.02 LaTeX color extensions (UK)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics-cfg\color.cfg
+File: color.cfg 2016/01/02 v1.6 sample color configuration
+)
+Package xcolor Info: Driver file: pdftex.def on input line 274.
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/graphics\mathcolor.ltx)
+Package xcolor Info: Model `cmy' substituted by `cmy0' on input line 1349.
+Package xcolor Info: Model `hsb' substituted by `rgb' on input line 1353.
+Package xcolor Info: Model `RGB' extended on input line 1365.
+Package xcolor Info: Model `HTML' substituted by `rgb' on input line 1367.
+Package xcolor Info: Model `Hsb' substituted by `hsb' on input line 1368.
+Package xcolor Info: Model `tHsb' substituted by `hsb' on input line 1369.
+Package xcolor Info: Model `HSB' substituted by `hsb' on input line 1370.
+Package xcolor Info: Model `Gray' substituted by `gray' on input line 1371.
+Package xcolor Info: Model `wave' substituted by `hsb' on input line 1372.
+) (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/tools\tabularx.sty
+Package: tabularx 2023/12/11 v2.12a `tabularx' package (DPC)
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/tools\array.sty
+Package: array 2025/09/25 v2.6n Tabular extension package (FMi)
+\col@sep=\dimen179
+\ar@mcellbox=\box53
+\extrarowheight=\dimen180
+\NC@list=\toks21
+\extratabsurround=\skip52
+\backup@length=\skip53
+\ar@cellbox=\box54
+)
+\TX@col@width=\dimen181
+\TX@old@table=\dimen182
+\TX@old@col=\dimen183
+\TX@target=\dimen184
+\TX@delta=\dimen185
+\TX@cols=\count304
+\TX@ftn=\toks22
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/multirow\multirow.sty
+Package: multirow 2024/11/12 v2.9 Span multiple rows of a table
+\multirow@colwidth=\skip54
+\multirow@cntb=\count305
+\multirow@dima=\skip55
+\bigstrutjot=\dimen186
+)
+LaTeX Font Info:    Trying to load font information for OT1+ptm on input line 2
+5.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/psnfss\ot1ptm.fd
+File: ot1ptm.fd 2001/06/04 font definitions for OT1/ptm.
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/l3backend\l3backend-pdf
+tex.def
+File: l3backend-pdftex.def 2025-10-09 L3 backend support: PDF output (pdfTeX)
+\l__color_backend_stack_int=\count306
+) (paper.aux
+Package babel Info: 'brazilian' activates 'portuges' shorthands.
+(babel)             Reported on input line 8.
+)
+\openout1 = `paper.aux'.
+
+LaTeX Font Info:    Checking defaults for OML/cmm/m/it on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for OMS/cmsy/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for OT1/cmr/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for T1/cmr/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for TS1/cmr/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for OMX/cmex/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for U/cmr/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for PD1/pdf/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+LaTeX Font Info:    Checking defaults for PU/pdf/m/n on input line 25.
+LaTeX Font Info:    ... okay on input line 25.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/context/base/mkii\supp-pdf.mk
+ii
+[Loading MPS to PDF converter (version 2006.09.02).]
+\scratchcounter=\count307
+\scratchdimen=\dimen187
+\scratchbox=\box55
+\nofMPsegments=\count308
+\nofMParguments=\count309
+\everyMPshowfont=\toks23
+\MPscratchCnt=\count310
+\MPscratchDim=\dimen188
+\MPnumerator=\count311
+\makeMPintoPDFobject=\count312
+\everyMPtoPDFconversion=\toks24
+)
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/epstopdf-pkg\epstopdf-b
+ase.sty
+Package: epstopdf-base 2020-01-24 v2.11 Base part for package epstopdf
+Package epstopdf-base Info: Redefining graphics rule for `.eps' on input line 4
+85.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/00miktex\epstopdf-sys.c
+fg
+File: epstopdf-sys.cfg 2021/03/18 v2.0 Configuration of epstopdf for MiKTeX
+))
+*geometry* driver: auto-detecting
+*geometry* detected driver: pdftex
+*geometry* verbose mode - [ preamble ] result:
+* driver: pdftex
+* paper: a4paper
+* layout: <same size as paper>
+* layoutoffset:(h,v)=(0.0pt,0.0pt)
+* modes: 
+* h-part:(L,W,R)=(85.35826pt, 426.79135pt, 85.35826pt)
+* v-part:(T,H,B)=(99.58464pt, 674.33032pt, 71.13188pt)
+* \paperwidth=597.50787pt
+* \paperheight=845.04684pt
+* \textwidth=426.79135pt
+* \textheight=674.33032pt
+* \oddsidemargin=13.08827pt
+* \evensidemargin=13.08827pt
+* \topmargin=-9.68535pt
+* \headheight=12.0pt
+* \headsep=25.0pt
+* \topskip=12.0pt
+* \footskip=30.0pt
+* \marginparwidth=44.0pt
+* \marginparsep=10.0pt
+* \columnsep=10.0pt
+* \skip\footins=10.8pt plus 4.0pt minus 2.0pt
+* \hoffset=0.0pt
+* \voffset=0.0pt
+* \mag=1000
+* \@twocolumnfalse
+* \@twosidefalse
+* \@mparswitchfalse
+* \@reversemarginfalse
+* (1in=72.27pt=25.4mm, 1cm=28.453pt)
+
+Package hyperref Info: Link coloring OFF on input line 25.
+(paper.out) (paper.out)
+\@outlinefile=\write3
+\openout3 = `paper.out'.
+
+LaTeX Font Info:    External font `cmex10' loaded for size
+(Font)              <12> on input line 28.
+LaTeX Font Info:    External font `cmex10' loaded for size
+(Font)              <8> on input line 28.
+LaTeX Font Info:    External font `cmex10' loaded for size
+(Font)              <6> on input line 28.
+LaTeX Font Info:    Trying to load font information for OT1+pcr on input line 2
+8.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/psnfss\ot1pcr.fd
+File: ot1pcr.fd 2001/06/04 font definitions for OT1/pcr.
+)
+LaTeX Font Info:    Font shape `OT1/pcr/m/it' in size <10.95> not available
+(Font)              Font shape `OT1/pcr/m/sl' tried instead on input line 28.
+
+[1
+
+{C:/Users/davim/AppData/Local/MiKTeX/fonts/map/pdftex/pdftex.map}{C:/Users/davi
+m/AppData/Local/Programs/MiKTeX/fonts/enc/dvips/base/8r.enc}]
+Underfull \hbox (badness 2351) in paragraph at lines 40--41
+\OT1/ptm/m/n/12 As Com-mu-nity No-tes (ori-gi-nal-mente \OT1/ptm/m/it/12 Birdwa
+tch\OT1/ptm/m/n/12 ) s[]ao o prin-ci-pal me-ca-nismo de
+ []
+
+[2]
+Underfull \hbox (badness 10000) in paragraph at lines 63--64
+\OT1/ptm/m/n/12 O snapshot p[]ublico ofi-cial do Birdwatch []e hos-pe-dado em
+ []
+
+
+Underfull \hbox (badness 7613) in paragraph at lines 63--64
+\OT1/pcr/m/n/12 ton.twimg.com/birdwatch-public-data\OT1/ptm/m/n/12 , or-ga-ni-z
+ado por data e di-vi-
+ []
+
+[3]
+Underfull \hbox (badness 10000) in paragraph at lines 83--84
+\OT1/ptm/m/n/12 Usamos \OT1/pcr/m/n/12 intfloat/multilingual-e5-large-instruct 
+\OT1/ptm/m/n/12 [[]] (1024 di-
+ []
+
+
+Underfull \hbox (badness 1762) in paragraph at lines 83--84
+\OT1/ptm/m/n/12 mens[]oes) com a se-guinte instru[][]ao em por-tugu[]es, pre-fi
+-xada a cada do-cu-mento:
+ []
+
+[4]
+LaTeX Font Info:    Trying to load font information for OMS+pcr on input line 1
+03.
+ (C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/psnfss\omspcr.fd
+File: omspcr.fd 
+)
+LaTeX Font Info:    Font shape `OMS/pcr/m/n' in size <12> not available
+(Font)              Font shape `OMS/cmsy/m/n' tried instead on input line 103.
+LaTeX Font Info:    Trying to load font information for TS1+ptm on input line 1
+08.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/psnfss\ts1ptm.fd
+File: ts1ptm.fd 2001/06/04 font definitions for TS1/ptm.
+)
+LaTeX Font Info:    Trying to load font information for OMS+ptm on input line 1
+15.
+
+(C:\Users\davim\AppData\Local\Programs\MiKTeX\tex/latex/psnfss\omsptm.fd
+File: omsptm.fd 
+)
+LaTeX Font Info:    Font shape `OMS/ptm/m/n' in size <12> not available
+(Font)              Font shape `OMS/cmsy/m/n' tried instead on input line 115.
+
+Underfull \hbox (badness 10000) in paragraph at lines 115--116
+[]\OT1/ptm/m/n/12 Cada en-ti-dade car-rega \OT1/pcr/m/n/12 papel[]no[]texto $\O
+MS/cmsy/m/n/12 2$ f\OT1/pcr/m/n/12 mencao\OT1/ptm/m/n/12 ,
+ []
+
+
+Underfull \hbox (badness 10000) in paragraph at lines 115--116
+\OT1/pcr/m/n/12 fonte[]ou[]evidencia\OMS/cmsy/m/n/12 g\OT1/ptm/m/n/12 . Ti-pos 
+como \OT1/pcr/m/n/12 URL[]DOMINIO\OT1/ptm/m/n/12 , \OT1/pcr/m/n/12 LEI[]NORMA\O
+T1/ptm/m/n/12 ,
+ []
+
+
+Underfull \hbox (badness 10000) in paragraph at lines 115--116
+\OT1/pcr/m/n/12 PROCESSO[]JUDICIAL \OT1/ptm/m/n/12 e \OT1/pcr/m/n/12 VEICULO[]M
+IDIA \OT1/ptm/m/n/12 re-ce-bem \OT1/pcr/m/n/12 fonte[]ou[]evidencia
+ []
+
+[5]
+Underfull \hbox (badness 10000) in paragraph at lines 118--119
+\OT1/ptm/m/n/12 Reproduzimos o al-go-ritmo ofi-cial de pontua[][]ao pu-bli-cado
+ pela X
+ []
+
+
+Underfull \hbox (badness 3769) in paragraph at lines 118--119
+\OT1/ptm/m/n/12 (\OT1/pcr/m/n/12 twitter/communitynotes\OT1/ptm/m/n/12 ) so-bre
+ o sub-con-junto PT. O al-go-ritmo []e uma
+ []
+
+
+Underfull \hbox (badness 1478) in paragraph at lines 118--119
+\OT1/ptm/m/n/12 fatora[][]ao ma-tri-cial so-bre a ma-triz \OT1/ptm/m/it/12 usu[
+]ario $\OMS/cmsy/m/n/12 ^^B$ \OT1/ptm/m/it/12 nota \OT1/ptm/m/n/12 de avalia[][
+]oes \OT1/pcr/m/n/12 helpful\OT1/ptm/m/n/12 /\OT1/pcr/m/n/12 not
+ []
+
+
+Underfull \hbox (badness 1838) in paragraph at lines 118--119
+\OT1/pcr/m/n/12 helpful\OT1/ptm/m/n/12 , com regulariza[][]ao L2, pro-du-zindo 
+\OT1/pcr/m/n/12 coreNoteIntercept \OT1/ptm/m/n/12 (uti-li-dade
+ []
+
+
+Underfull \hbox (badness 10000) in paragraph at lines 125--126
+[]\OT1/ptm/b/n/12 Status e con-senso. \OT1/ptm/m/n/12 Dos 142k no-tas, 11,1% at
+in-gi-ram
+ []
+
+<figures/timeline_consenso.pdf, id=155, 714.94035pt x 281.52051pt>
+File: figures/timeline_consenso.pdf Graphic file (type pdf)
+<use figures/timeline_consenso.pdf>
+Package pdftex.def Info: figures/timeline_consenso.pdf  used on input line 129.
+
+(pdftex.def)             Requested size: 426.79135pt x 168.05446pt.
+LaTeX Font Info:    External font `cmex10' loaded for size
+(Font)              <10.95> on input line 141.
+[6 <./figures/timeline_consenso.pdf>]
+<figures/mf_scatter.pdf, id=207, 498.23454pt x 426.0605pt>
+File: figures/mf_scatter.pdf Graphic file (type pdf)
+<use figures/mf_scatter.pdf>
+Package pdftex.def Info: figures/mf_scatter.pdf  used on input line 165.
+(pdftex.def)             Requested size: 298.75264pt x 255.48224pt.
+ [7 <./figures/mf_scatter.pdf>]
+<figures/heatmap_macrotema_tipo.pdf, id=262, 716.55264pt x 497.92741pt>
+File: figures/heatmap_macrotema_tipo.pdf Graphic file (type pdf)
+<use figures/heatmap_macrotema_tipo.pdf>
+Package pdftex.def Info: figures/heatmap_macrotema_tipo.pdf  used on input line
+ 202.
+(pdftex.def)             Requested size: 426.79135pt x 296.57819pt.
+
+Underfull \hbox (badness 10000) in paragraph at lines 214--214
+[]|\OT1/ptm/b/n/10.95 Tipo do-mi-
+ []
+
+
+Overfull \hbox (16.91504pt too wide) in paragraph at lines 216--216
+[]|\OT1/ptm/m/n/10.95 ATOR[]POL. (27%)| 
+ []
+
+
+Underfull \hbox (badness 3701) in paragraph at lines 217--217
+[]|\OT1/ptm/m/n/10.95 flamengo, pal-mei-ras, fifa,
+ []
+
+
+Overfull \hbox (21.27295pt too wide) in paragraph at lines 218--218
+[]|\OT1/ptm/m/n/10.95 ORG.+PLAT. (49%)| 
+ []
+
+
+Underfull \hbox (badness 10000) in paragraph at lines 218--219
+[]|\OT1/ptm/m/n/10.95 archive.ph, re-cla-
+ []
+
+[8] [9 <./figures/heatmap_macrotema_tipo.pdf>]
+Underfull \hbox (badness 10000) in paragraph at lines 248--251
+[]$\OT1/pcr/m/n/12 https : / / huggingface . co / datasets / histlearn /
+ []
+
+
+Underfull \hbox (badness 4779) in paragraph at lines 248--251
+\OT1/ptm/m/n/12 sob licen[]a CC0 1.0 Uni-ver-sal, ali-nhada []a licen[]a da fon
+te ori-gi-nal. Os
+ []
+
+
+Underfull \hbox (badness 10000) in paragraph at lines 248--251
+\OT1/ptm/m/n/12 ar-qui-vos \OT1/pcr/m/n/12 notes[]pt.parquet \OT1/ptm/m/n/12 (3
+5MB), \OT1/pcr/m/n/12 entities.parquet \OT1/ptm/m/n/12 (40MB),
+ []
+
+
+Underfull \hbox (badness 10000) in paragraph at lines 248--251
+\OT1/pcr/m/n/12 topic[]metadata.parquet\OT1/ptm/m/n/12 , \OT1/pcr/m/n/12 macrot
+heme[]metadata.parquet\OT1/ptm/m/n/12 ,
+ []
+
+[10] (paper.bbl [11]) [12] (paper.aux)
+ ***********
+LaTeX2e <2025-11-01>
+L3 programming layer <2025-12-24>
+ ***********
+Package rerunfilecheck Info: File `paper.out' has not changed.
+(rerunfilecheck)             Checksum: B3348061EF2570F95994CFFD343034E5;4299.
+ ) 
+Here is how much of TeX's memory you used:
+ 11157 strings out of 467871
+ 179023 string characters out of 5418376
+ 623596 words of memory out of 5000000
+ 39824 multiletter control sequences out of 15000+600000
+ 647390 words of font info for 77 fonts, out of 8000000 for 9000
+ 1141 hyphenation exceptions out of 8191
+ 87i,11n,93p,1537b,686s stack positions out of 10000i,1000n,20000p,200000b,200000s
+<C:/Users/davim/AppData/Local/Programs/MiKTeX/fonts/type1/public/amsfonts/cm/
+cmmi12.pfb><C:/Users/davim/AppData/Local/Programs/MiKTeX/fonts/type1/public/ams
+fonts/cm/cmr12.pfb><C:/Users/davim/AppData/Local/Programs/MiKTeX/fonts/type1/pu
+blic/amsfonts/cm/cmr8.pfb><C:/Users/davim/AppData/Local/Programs/MiKTeX/fonts/t
+ype1/public/amsfonts/cm/cmsy10.pfb><C:/Users/davim/AppData/Local/Programs/MiKTe
+X/fonts/type1/urw/courier/ucrr8a.pfb><C:/Users/davim/AppData/Local/Programs/MiK
+TeX/fonts/type1/urw/courier/ucrro8a.pfb><C:/Users/davim/AppData/Local/Programs/
+MiKTeX/fonts/type1/urw/times/utmb8a.pfb><C:/Users/davim/AppData/Local/Programs/
+MiKTeX/fonts/type1/urw/times/utmr8a.pfb><C:/Users/davim/AppData/Local/Programs/
+MiKTeX/fonts/type1/urw/times/utmri8a.pfb>
+Output written on paper.pdf (12 pages, 417359 bytes).
+PDF statistics:
+ 416 PDF objects out of 1000 (max. 8388607)
+ 55 named destinations out of 1000 (max. 500000)
+ 184 words of extra memory for PDF output out of 10000 (max. 10000000)
+

paper/paper.out

@@ -0,0 +1,21 @@
+\BOOKMARK [1][-]{section.1}{\376\377\000I\000n\000t\000r\000o\000d\000u\000\347\000\343\000o}{}% 1
+\BOOKMARK [1][-]{section.2}{\376\377\000T\000r\000a\000b\000a\000l\000h\000o\000s\000\040\000r\000e\000l\000a\000c\000i\000o\000n\000a\000d\000o\000s}{}% 2
+\BOOKMARK [1][-]{section.3}{\376\377\000C\000o\000l\000e\000t\000a\000\040\000e\000\040\000c\000u\000r\000a\000d\000o\000r\000i\000a\000\040\000b\000a\000s\000e}{}% 3
+\BOOKMARK [2][-]{subsection.3.1}{\376\377\000F\000o\000n\000t\000e\000\040\000e\000\040\000E\000T\000L}{section.3}% 4
+\BOOKMARK [2][-]{subsection.3.2}{\376\377\000D\000e\000t\000e\000c\000\347\000\343\000o\000\040\000d\000e\000\040\000d\000r\000i\000f\000t\000\040\000d\000e\000\040\000e\000s\000q\000u\000e\000m\000a\000\040\000e\000\040\000\363\000r\000f\000\343\000o\000s}{section.3}% 5
+\BOOKMARK [2][-]{subsection.3.3}{\376\377\000F\000i\000l\000t\000r\000a\000g\000e\000m\000\040\000p\000o\000r\000\040\000i\000d\000i\000o\000m\000a}{section.3}% 6
+\BOOKMARK [2][-]{subsection.3.4}{\376\377\000E\000s\000t\000a\000t\000\355\000s\000t\000i\000c\000a\000\040\000l\000a\000t\000e\000r\000a\000l\000\040\000n\000o\000t\000\341\000v\000e\000l}{section.3}% 7
+\BOOKMARK [2][-]{subsection.3.5}{\376\377\000H\000i\000d\000r\000a\000t\000a\000\347\000\343\000o\000\040\000a\000m\000o\000s\000t\000r\000a\000l\000\040\000d\000e\000\040\000t\000w\000e\000e\000t\000s}{section.3}% 8
+\BOOKMARK [1][-]{section.4}{\376\377\000P\000i\000p\000e\000l\000i\000n\000e\000\040\000d\000e\000\040\000e\000n\000r\000i\000q\000u\000e\000c\000i\000m\000e\000n\000t\000o}{}% 9
+\BOOKMARK [2][-]{subsection.4.1}{\376\377\000E\000m\000b\000e\000d\000d\000i\000n\000g\000s\000\040\000s\000e\000m\000\342\000n\000t\000i\000c\000o\000s\000\040\000c\000o\000m\000\040\000i\000n\000s\000t\000r\000u\000\347\000\343\000o}{section.4}% 10
+\BOOKMARK [2][-]{subsection.4.2}{\376\377\000T\000\363\000p\000i\000c\000o\000s\000\040\000c\000o\000m\000\040\000B\000E\000R\000T\000o\000p\000i\000c\000\040\000e\000\040\000c\000a\000l\000i\000b\000r\000a\000\347\000\343\000o\000\040\000p\000o\000r\000\040\000D\000B\000C\000V}{section.4}% 11
+\BOOKMARK [2][-]{subsection.4.3}{\376\377\000R\000o\000t\000u\000l\000a\000g\000e\000m\000\040\000e\000s\000t\000r\000u\000t\000u\000r\000a\000d\000a\000\040\000c\000o\000m\000\040\000g\000r\000a\000m\000\341\000t\000i\000c\000a\000\040\000f\000o\000r\000m\000a\000l\000\040\000G\000B\000N\000F}{section.4}% 12
+\BOOKMARK [2][-]{subsection.4.4}{\376\377\000M\000a\000c\000r\000o\000a\000g\000r\000e\000g\000a\000\347\000\343\000o\000\040\000h\000i\000e\000r\000\341\000r\000q\000u\000i\000c\000a\000\040\000e\000\040\000d\000e\000t\000e\000c\000\347\000\343\000o\000\040\000d\000e\000\040\000p\000r\000o\000c\000e\000d\000u\000r\000a\000i\000s}{section.4}% 13
+\BOOKMARK [2][-]{subsection.4.5}{\376\377\000R\000e\000c\000o\000n\000h\000e\000c\000i\000m\000e\000n\000t\000o\000\040\000d\000e\000\040\000e\000n\000t\000i\000d\000a\000d\000e\000s\000\040\000n\000o\000m\000e\000a\000d\000a\000s}{section.4}% 14
+\BOOKMARK [2][-]{subsection.4.6}{\376\377\000P\000o\000n\000t\000u\000a\000\347\000\343\000o\000\040\000p\000o\000r\000\040\000f\000a\000t\000o\000r\000a\000\347\000\343\000o\000\040\000m\000a\000t\000r\000i\000c\000i\000a\000l}{section.4}% 15
+\BOOKMARK [1][-]{section.5}{\376\377\000C\000a\000r\000a\000c\000t\000e\000r\000i\000z\000a\000\347\000\343\000o\000\040\000q\000u\000a\000n\000t\000i\000t\000a\000t\000i\000v\000a}{}% 16
+\BOOKMARK [1][-]{section.6}{\376\377\000A\000v\000a\000l\000i\000a\000\347\000\343\000o\000\040\000d\000e\000\040\000q\000u\000a\000l\000i\000d\000a\000d\000e}{}% 17
+\BOOKMARK [1][-]{section.7}{\376\377\000C\000a\000s\000o\000s\000\040\000d\000e\000\040\000u\000s\000o\000\040\000e\000\040\000q\000u\000e\000s\000t\000\365\000e\000s\000\040\000d\000e\000\040\000p\000e\000s\000q\000u\000i\000s\000a}{}% 18
+\BOOKMARK [1][-]{section.8}{\376\377\000L\000i\000m\000i\000t\000a\000\347\000\365\000e\000s\000\040\000e\000\040\000d\000e\000s\000a\000f\000i\000o\000s}{}% 19
+\BOOKMARK [1][-]{section.9}{\376\377\000D\000i\000s\000p\000o\000n\000i\000b\000i\000l\000i\000d\000a\000d\000e}{}% 20
+\BOOKMARK [1][-]{section.10}{\376\377\000C\000o\000n\000s\000i\000d\000e\000r\000a\000\347\000\365\000e\000s\000\040\000f\000i\000n\000a\000i\000s}{}% 21

paper/paper.pdf

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:24661c3163a73d1cc7d5bfc9fa5efb79583c1a192f69d130371ae4e690b204bc
+size 417359

paper/paper.tex

@@ -0,0 +1,264 @@
+\documentclass[12pt]{article}
+
+\usepackage{sbc-template}
+\usepackage[utf8]{inputenc}
+\usepackage[brazilian]{babel}
+\usepackage{graphicx,url}
+\usepackage{booktabs}
+\usepackage{hyperref}
+\usepackage{xcolor}
+\usepackage{tabularx}
+\usepackage{multirow}
+
+\sloppy
+
+\title{Community Notes BR: um conjunto de dados enriquecido em português\\
+para pesquisa em moderação colaborativa e desinformação}
+
+\author{Davi Machado da Rocha\inst{1}}
+
+\address{Universidade de São Paulo (USP)\\
+São Paulo, SP, Brasil
+\email{davimrocha@usp.br}
+}
+
+\begin{document}
+
+\maketitle
+
+\begin{abstract}
+We present \textbf{Community Notes BR}, a curated and enriched Portuguese subset of X's crowdsourced fact-checking notes, covering 142,448 notes between October 2021 and April 2026. The dataset is built from the official Birdwatch public dump (snapshot 2026-04-07) through a five-stage pipeline: deterministic ETL with referential-integrity checks; language filtering via fastText (precision-oriented threshold of 0.80); fine-grained topic modeling combining E5-large multilingual embeddings, BERTopic, and a local LLM with grammar-constrained JSON output (GBNF) producing 899 topics labeled with controlled categories; hierarchical macroaggregation into 38 macrothemes; named entity recognition with GLiNER under a custom 16-type Portuguese taxonomy plus six regex extractors and three canonicalization dictionaries, totaling 536,373 entities; and reproduction of the official Matrix Factorization scoring over the Portuguese subset. Quality is assessed by cross-modal consistency between macrothemes and entity-type signatures rather than exhaustive human validation. The dataset is released under CC0 with two parquet files, supporting metadata, and a taxonomy specification. Use cases include benchmarking Portuguese NER over politically salient categories, classifying note helpfulness, polarization analysis, and longitudinal studies of Brazilian online discourse over two electoral cycles.
+\end{abstract}
+
+\begin{resumo}
+Apresentamos o \textbf{Community Notes BR}, um subconjunto curado e enriquecido em português das notas de verificação colaborativa da X, com 142.448 notas entre outubro de 2021 e abril de 2026. A base é construída a partir do dump público oficial do Birdwatch (snapshot 2026-04-07) por meio de um pipeline de cinco etapas: ETL determinístico com checagens de integridade referencial; filtragem por idioma via fastText (limiar de confiança 0,80, orientado à precisão); modelagem fina de tópicos combinando embeddings E5-large multilingual, BERTopic e LLM local com saída JSON restrita por gramática formal (GBNF), produzindo 899 tópicos rotulados com categorias controladas; macroagregação hierárquica em 38 macrotemas; reconhecimento de entidades nomeadas com GLiNER sob taxonomia portuguesa de 16 tipos, mais seis extratores regex e três dicionários de canonicalização, totalizando 536.373 entidades; e reprodução do algoritmo oficial de pontuação por fatoração matricial sobre o subconjunto. A avaliação de qualidade baseia-se em consistência cross-modal entre macrotemas e assinaturas de tipos de entidade. O dataset é distribuído sob CC0, com dois arquivos parquet, metadados de apoio e uma especificação de taxonomia. Os casos de uso incluem benchmarks de NER em PT-BR para categorias politicamente salientes, classificação de utilidade, análise de polarização e estudos longitudinais do discurso digital brasileiro ao longo de dois ciclos eleitorais.
+\end{resumo}
+
+\section{Introdução}
+\label{sec:intro}
+
+As Community Notes (originalmente \textit{Birdwatch}) são o principal mecanismo de moderação colaborativa em operação na X (antiga Twitter), no qual usuários voluntários propõem notas contextuais a tweets potencialmente enganosos, e a publicação dessas notas depende de consenso interpartidário medido por um algoritmo de fatoração matricial publicado abertamente \cite{wojcik2022birdwatch,prollochs2022community}. O dump das notas, ratings e histórico de status é disponibilizado publicamente sob CC0, atualizado em intervalos curtos, e cobre todas as línguas suportadas pela plataforma.
+
+Apesar do volume crescente de notas em português brasileiro --- incluindo episódios de alto interesse público como as eleições de 2022, o ataque às sedes dos Três Poderes em janeiro de 2023, as enchentes no Rio Grande do Sul em 2024, escândalos esportivos, o debate sobre apostas online e polêmicas envolvendo a X e o STF ---, não há até onde sabemos um conjunto de dados público que reúna o recorte PT-BR com enriquecimento multinível pronto para pesquisa em PLN, redes de citação ou análise política. Bases existentes em PT-BR para desinformação são tipicamente coletadas de agências de checagem profissionais \cite{monteiro2018fakebr} e capturam um regime distinto: verificações editoriais em volume baixo, não notas crowdsourced em escala.
+
+Este artigo apresenta o \textbf{Community Notes BR}, dataset que (i) recorta o snapshot público de 2026-04-07 ao subconjunto em português com filtragem de alta precisão, (ii) reproduz o algoritmo oficial de pontuação para esse subconjunto, (iii) atribui rótulos temáticos hierárquicos --- 899 tópicos finos agrupados em 38 macrotemas --- por meio de pipeline que combina embeddings instruct, BERTopic e rotulagem por LLM com gramática formal GBNF, (iv) extrai 536 mil entidades nomeadas com taxonomia adaptada ao contexto político-institucional brasileiro, e (v) é avaliado por consistência cross-modal entre macrotemas e tipos de entidade, método que torna a qualidade verificável sem rotulador humano exaustivo.
+
+A Seção~\ref{sec:related} contextualiza trabalhos relacionados; a Seção~\ref{sec:coleta} descreve a coleta e a curadoria base; a Seção~\ref{sec:enriquecimento} detalha o enriquecimento; a Seção~\ref{sec:caracterizacao} caracteriza quantitativamente o dataset; a Seção~\ref{sec:qualidade} apresenta a avaliação de qualidade; a Seção~\ref{sec:usos} discute casos de uso; a Seção~\ref{sec:limitacoes} sumariza limitações; e a Seção~\ref{sec:disponibilidade} trata da disponibilidade.
+
+\section{Trabalhos relacionados}
+\label{sec:related}
+
+\textbf{Datasets de Community Notes.} \cite{prollochs2022community} realiza a primeira análise empírica em larga escala da base, focando em propriedades dos avaliadores e na dinâmica de consenso. \cite{wojcik2022birdwatch} descrevem o algoritmo de fatoração matricial e sua avaliação experimental. Posteriormente, \cite{allen2022birds} examinam a precisão das notas frente ao consenso de especialistas. Esses trabalhos tratam a base global em inglês como dado primário; nenhum produz um recorte em PT com enriquecimento independente.
+
+\textbf{Datasets de desinformação em PT-BR.} O Fake.Br Corpus \cite{monteiro2018fakebr} reúne notícias verdadeiras e falsas em PT-BR coletadas de portais e agências de checagem, com rótulos editoriais. Outras coleções, derivadas de plataformas como Aos Fatos e Boatos.org, seguem padrão similar: rótulos atribuídos por verificadores profissionais, alta qualidade individual, mas baixo volume e viés de seleção temática (predominância eleitoral e sanitária). O Community Notes BR opera em regime distinto: sinal contínuo de consenso entre avaliadores anônimos, escala duas ordens de grandeza maior e cobertura de tópicos não atendidos por agências (esporte, entretenimento, sátira).
+
+\textbf{NER em PT-BR.} HAREM \cite{santos2007harem} e LeNER-Br \cite{luz2018lenerbr} são as referências em PT, com taxonomias clássicas (pessoa, organização, local, tempo) e foco jurídico, respectivamente. Nossa taxonomia se afasta desses trabalhos ao incluir categorias politicamente salientes (\texttt{ATOR\_POLITICO}, \texttt{PARTIDO}, \texttt{ORGAO\_JUDICIARIO}, \texttt{PROGRAMA\_PUBLICO}).
+
+\textbf{Modelagem de tópicos e LLM como anotador.} BERTopic \cite{grootendorst2022bertopic} é a base do nosso pipeline de tópicos. Trabalhos recentes que usam LLMs para rotular tópicos automaticamente \cite{pham2024topicgpt} tipicamente produzem texto livre, deixando o controle vocabular para etapa posterior. Nosso uso de gramática GBNF (Backus-Naur form para \texttt{llama.cpp}) garante saída JSON válida e categorização restrita já durante a geração, evitando passes de pós-processamento e assegurando consistência em produção.
+
+\section{Coleta e curadoria base}
+\label{sec:coleta}
+
+\subsection{Fonte e ETL}
+O snapshot público oficial do Birdwatch é hospedado em \texttt{ton.twimg.com/birdwatch-public-data}, organizado por data e dividido em cinco datasets lógicos (\texttt{notes}, \texttt{noteRatings}, \texttt{noteStatusHistory}, \texttt{userEnrollment}, \texttt{batSignals}). Cada dataset é fragmentado em shards TSV \texttt{.zip}. Adotamos o snapshot de 2026-04-07 como ponto de corte.
+
+O ETL é implementado em DuckDB \cite{raasveldt2019duckdb} com três camadas. \textit{Bronze} preserva todos os shards em \texttt{VARCHAR}, calcula hashes MD5/SHA-256 por arquivo e gera manifesto auditável. \textit{Silver} aplica conversões tipadas (\texttt{BIGINT}, \texttt{TIMESTAMP}), padroniza nomes em \textit{snake\_case} e remove colunas 100\% nulas. \textit{Gold} exporta Parquet com compressão ZSTD, com sharding automático para tabelas acima de 5M linhas.
+
+\subsection{Detecção de drift de esquema e órfãos}
+Diferentes shards de um mesmo dataset podem ter esquemas distintos quando o Birdwatch evolui. Computamos \texttt{header\_hash} por arquivo e geramos alerta quando há mais de um cabeçalho distinto por dataset. Em paralelo, checamos integridade referencial entre \texttt{notes}, \texttt{ratings} e \texttt{noteStatusHistory}, removendo registros órfãos. Produzimos também \texttt{snapshot\_diff} entre snapshots consecutivos para detectar envelhecimento (notas removidas, mudanças de status).
+
+\subsection{Filtragem por idioma}
+O \texttt{summary} de cada nota é submetido ao classificador fastText \texttt{lid.176.bin} \cite{joulin2017bag}, que cobre 176 idiomas em modelo único. Usamos um limiar de confiança de 0{,}80 para reter o subconjunto PT, balanceando precisão e cobertura. O resultado é de 142.448 notas, com confiança média 0{,}98 (mediana 0{,}99). Uma amostra estratificada de 300 notas (100 por faixa 0{,}80--0{,}90 / 0{,}90--0{,}95 / 0{,}95--1{,}00, \textit{seed} 42) foi inspecionada visualmente e apresentou rotulagem correta; tratou-se de uma verificação rápida, não de avaliação humana exaustiva.
+
+\subsection{Estatística lateral notável}
+A taxa de consenso \texttt{CURRENTLY\_RATED\_HELPFUL} é de 11{,}57\% para notas em PT, contra 8{,}69\% para EN no mesmo snapshot --- diferencial de 2{,}88 pontos percentuais que merece investigação ulterior.
+
+\subsection{Hidratação amostral de tweets}
+O dump original não inclui o texto dos tweets. Para uma amostra de 4.055 notas, hidratamos os tweets via X API v2 (\texttt{GET /2/tweets}) sob estratificação em três camadas: \texttt{top\_notas} (notas com mais ratings), \texttt{bat\_signals} (tweets com solicitação explícita de revisão) e \texttt{aleatorio} (linha de base). O texto hidratado \textbf{não é redistribuído} neste dataset, em respeito aos termos de serviço da X; a coluna \texttt{stratum} é exposta para análises sobre o desenho amostral.
+
+\section{Pipeline de enriquecimento}
+\label{sec:enriquecimento}
+
+\subsection{Embeddings semânticos com instrução}
+Usamos \texttt{intfloat/multilingual-e5-large-instruct} \cite{wang2023e5instruct} (1024 dimensões) com a seguinte instrução em português, prefixada a cada documento: \textit{``Identifique o assunto factual em disputa neste texto, ignorando aspectos procedurais sobre a plataforma ou sobre como as notas funcionam.''} Esta instrução orienta o vetor para a controvérsia factual subjacente, em vez de capturar a forma discursiva. O efeito empírico é a separação mais clara entre tópicos substantivos (vacinas, eleições, futebol) e tópicos meta-procedurais.
+
+\subsection{Tópicos com BERTopic e calibração por DBCV}
+Aplicamos BERTopic com UMAP (\texttt{n\_neighbors=15}, \texttt{n\_components=10}) seguido de HDBSCAN (\texttt{min\_cluster\_size=30}, \texttt{min\_samples=5}). Os parâmetros foram selecionados via busca em grade orientada por DBCV \cite{moulavi2014dbcv} sobre 36 combinações cruzando \texttt{n\_components} $\in \{5, 10, 15\}$, \texttt{min\_cluster\_size} $\in \{15, 30, 50, 80\}$ e \texttt{min\_samples} $\in \{5, 10, 15, 20\}$. A configuração final equilibra DBCV alto, número de tópicos $\geq 100$ e tamanho do maior cluster sob controle.
+
+A representação de palavras-chave usa c-TF-IDF combinado com KeyBERTInspired e Maximal Marginal Relevance (diversidade 0{,}3). Uma redução de outliers por similaridade de embeddings (limiar 0{,}975) é aplicada após o ajuste inicial. O resultado é de \textbf{899 tópicos}, com 33\% das notas no cluster de outliers (\texttt{topic\_id = -1}).
+
+\subsection{Rotulagem estruturada com gramática formal GBNF}
+Esta é a contribuição metodológica central. Em vez de pedir um rótulo curto a um LLM e tratar o texto livre resultante, definimos uma gramática Backus-Naur estendida (GBNF) que restringe a saída do modelo a um objeto JSON com três campos exatos:
+
+\begin{small}
+\begin{verbatim}
+root ::= "{" ws ctx-kv "," ws cat-kv "," ws rot-kv ws "}"
+ctx-kv ::= "\"contexto_central\"" ws ":" ws string
+\end{verbatim}
+\end{small}
+
+\noindent (demais campos análogos.) A gramática é compilada por \texttt{llama.cpp} e impõe que cada token gerado pertença ao espaço de strings JSON válidas, eliminando erros de \textit{parsing} por construção. O LLM utilizado é o \texttt{Marco-Mini-Instruct} (GGUF Q6\_K, modelo \textit{open-weight} quantizado para uso local). O prompt restringe \texttt{categoria\_ampla} a 13 valores controlados (Política, Economia, Saúde, Golpes e Fraudes, Tecnologia, Esporte, Educação, Meio Ambiente, Entretenimento, Ciência, Segurança, Desinformação, Outro) e proíbe palavras genéricas (``desinformação'', ``manipulação'') no \texttt{rotulo\_curto}, forçando foco no assunto concreto.
+
+\subsection{Macroagregação hierárquica e detecção de procedurais}
+Aplicamos agrupamento aglomerativo (linkage \textit{average} sobre similaridade cosseno dos \texttt{topic\_embeddings\_}, limiar 0{,}05 escolhido por inspeção do dendrograma) e obtemos \textbf{38 macrotemas}. Cada macrotema é rotulado por um segundo passe LLM sob GBNF distinta (\texttt{\{rotulo\_macro, categoria\_dominante\}}), recebendo agora os \texttt{contexto\_central} dos tópicos constituintes. Um filtro de conteúdo procedural (notas que falam sobre o funcionamento da plataforma, sátira sem alvo concreto) é aplicado em duas camadas: heurística por palavras-chave e classificação direta pelo segundo LLM, que pode atribuir \texttt{categoria\_dominante = Procedural}.
+
+\subsection{Reconhecimento de entidades nomeadas}
+A extração combina três fontes:
+\begin{itemize}
+\item \textbf{GLiNER multilingual} \cite{zaratiana2024gliner} (\texttt{urchade/gliner\_multi-v2.1}) com taxonomia de 16 tipos adaptada ao contexto político-institucional brasileiro. Cada tipo recebe um \textit{threshold} próprio entre 0{,}40 e 0{,}55, calibrado para favorecer precisão em tipos confundíveis.
+\item \textbf{Seis extratores regex} para padrões formais com alta precisão por construção: \texttt{URL\_DOMINIO}, \texttt{DATA}, \texttt{VALOR\_MONETARIO}, \texttt{ESTATISTICA}, \texttt{LEI\_NORMA} e \texttt{PROCESSO\_JUDICIAL}.
+\item \textbf{Três dicionários YAML} para canonicalização: programas públicos (Bolsa Família, Auxílio Brasil, SUS, Prouni, $\dots$), siglas de órgãos (STF, TSE, IBGE, Anvisa, $\dots$) e partidos. \textit{Lookup} pós-extração reescreve \texttt{tipo\_entidade} e produz \texttt{texto\_canonico} consistente.
+\end{itemize}
+
+Quando dois extratores marcam regiões sobrepostas com IoU $\geq 0{,}5$, a prioridade é dada por fonte: \texttt{regex\_url} (100) $>$ \texttt{regex\_processo} = \texttt{regex\_lei\_norma} (95) $>$ \texttt{regex\_valor} = \texttt{regex\_percentual} (90) $>$ \texttt{regex\_data} (85) $>$ \texttt{gliner} (50). Em empate, vence o de maior \texttt{score}.
+
+Cada entidade carrega \texttt{papel\_no\_texto} $\in$ \{\texttt{mencao}, \texttt{fonte\_ou\_evidencia}\}. Tipos como \texttt{URL\_DOMINIO}, \texttt{LEI\_NORMA}, \texttt{PROCESSO\_JUDICIAL} e \texttt{VEICULO\_MIDIA} recebem \texttt{fonte\_ou\_evidencia} por default; demais tipos são \texttt{mencao}. Esta distinção é central para análises de citação versus apoio probatório.
+
+\subsection{Pontuação por fatoração matricial}
+Reproduzimos o algoritmo oficial de pontuação publicado pela X (\texttt{twitter/communitynotes}) sobre o subconjunto PT. O algoritmo é uma fatoração matricial sobre a matriz \textit{usuário} $\times$ \textit{nota} de avaliações \texttt{helpful}/\texttt{not helpful}, com regularização L2, produzindo \texttt{coreNoteIntercept} (utilidade absoluta) e \texttt{coreNoteFactor1} (primeira dimensão latente, interpretável como eixo de polarização do consenso). A reprodução roda em CPU sob \texttt{scikit-learn} com checkpoints incrementais. Patches mínimos no código original convertem \texttt{assert} em \texttt{warning} para que o scorer aceite o universo reduzido.
+
+\section{Caracterização quantitativa}
+\label{sec:caracterizacao}
+
+\textbf{Volume e cobertura.} 142.448 notas distribuídas entre 2021-10 e 2026-04, sobre 90.822 tweets distintos (média 1{,}57 nota/tweet) e 25.483 autores únicos.
+
+\textbf{Status e consenso.} Dos 142k notas, 11{,}1\% atingiram \texttt{CURRENTLY\_RATED\_HELPFUL}, 3{,}1\% \texttt{CURRENTLY\_RATED\_NOT\_HELPFUL}, 82{,}0\% permanecem em \texttt{NEEDS\_MORE\_RATINGS} e 3{,}8\% têm status indefinido. A Figura~\ref{fig:timeline} apresenta o volume mensal de notas por classe de consenso.
+
+\begin{figure}[ht]
+\centering
+\includegraphics[width=\linewidth]{figures/timeline_consenso}
+\caption{Volume mensal de notas em PT por consenso comunitário. NMR (cinza) domina; CRH (azul) cresce no segundo semestre de 2024 com a expansão das Community Notes.}
+\label{fig:timeline}
+\end{figure}
+
+\textbf{Tópicos e macrotemas.} 899 tópicos finos, dos quais 47.162 notas (33\%) caem no outlier \texttt{topic\_id = -1}. Os outros 67\% das notas distribuem-se em 38 macrotemas. A Tabela~\ref{tab:macrotemas} lista os dez maiores.
+
+\begin{table}[ht]
+\centering
+\caption{Dez maiores macrotemas, em volume de notas.}
+\label{tab:macrotemas}
+\small
+\begin{tabular}{rlllr}
+\toprule
+\textbf{ID} & \textbf{Macrotema} & \textbf{Categoria dom.} & \textbf{\# tópicos} & \textbf{\# notas} \\
+\midrule
+0 & Sátira clara & Outro & 73 & 12.090 \\
+1 & Crise Política & Política & 123 & 9.833 \\
+2 & Sátira de humorista & Política & 74 & 7.552 \\
+3 & Economia e Política & Economia & 72 & 6.864 \\
+4 & Taylor Swift e Política & Política & 45 & 6.400 \\
+5 & Cotas e Cortes (Ensino Superior) & Política & 47 & 6.370 \\
+6 & Futebol e Racismo & Política & 48 & 5.474 \\
+7 & Apostas Online & Golpes e Fraudes & 61 & 4.700 \\
+8 & Musk e Censura & Tecnologia & 32 & 4.344 \\
+9 & Racismo e Liberdade & Política & 35 & 3.525 \\
+\bottomrule
+\end{tabular}
+\end{table}
+
+\textbf{Entidades.} 536.373 entidades em 131.399 notas (92\% das notas carregam pelo menos uma entidade); média de 4{,}08 entidades por nota anotada. A distribuição por tipo concentra-se em URL (33\%), \texttt{PESSOA} (15\%), \texttt{LOCAL} (9\%), \texttt{ORGANIZACAO} (9\%), \texttt{VEICULO\_MIDIA} (8\%) e \texttt{ATOR\_POLITICO} (6\%), com cauda longa em tipos especializados.
+
+\textbf{Pontuação MF.} \texttt{coreNoteIntercept} está disponível para 72{,}7\% das notas (as restantes têm ratings insuficientes). O intercepto tem mediana 0{,}15 e cauda longa positiva (máx.~0{,}65); o \texttt{coreNoteFactor1} tem mediana $\approx 0$ e desvio-padrão 0{,}43, indicando dispersão substantiva no eixo de polarização. A Figura~\ref{fig:mf} mostra a distribuição conjunta dos dois parâmetros sobre amostra de 10k notas.
+
+\begin{figure}[ht]
+\centering
+\includegraphics[width=0.7\linewidth]{figures/mf_scatter}
+\caption{Espaço de pontuação MF para o subset PT. CRH (azul) concentra-se acima de \texttt{intercept} $\approx 0{,}4$; o eixo \texttt{coreNoteFactor1} captura polarização horizontal independente da utilidade.}
+\label{fig:mf}
+\end{figure}
+
+\textbf{Dados faltantes.} A Tabela~\ref{tab:missing} sumariza missingness por coluna.
+
+\begin{table}[ht]
+\centering
+\caption{Missingness por coluna em \texttt{notes\_pt.parquet}.}
+\label{tab:missing}
+\small
+\begin{tabular}{lrl}
+\toprule
+\textbf{Coluna} & \textbf{Faltantes (\%)} & \textbf{Razão} \\
+\midrule
+\texttt{coreNoteIntercept}/\texttt{Factor1} & 27{,}3 & ratings insuficientes para MF \\
+\texttt{topic\_name}/\texttt{macrotheme\_label} & 33{,}4 & cluster outlier (\texttt{topic\_id = -1}) \\
+\texttt{status\_final} & 3{,}8 & status sem mapeamento canônico \\
+\texttt{stratum} & 97{,}2 & só amostra de 4.055 hidratada \\
+\bottomrule
+\end{tabular}
+\end{table}
+
+\section{Avaliação de qualidade}
+\label{sec:qualidade}
+
+Não foi realizada validação humana exaustiva. A qualidade é sustentada por quatro linhas convergentes de evidência.
+
+\textbf{Validação determinística.} As checagens determinísticas asseguram a integridade da base: hashes MD5/SHA-256 por shard, detecção de drift de esquema, eliminação de órfãos referenciais entre \texttt{notes}/\texttt{ratings}/\texttt{status\_history}, e diff entre snapshots consecutivos.
+
+\textbf{Métricas intrínsecas.} Os parâmetros do BERTopic foram selecionados por DBCV. A confiança média do filtro de idioma é 0{,}98 (mediana 0{,}99). O \texttt{score} médio das entidades GLiNER é 0{,}83 (mediana 0{,}91); entidades regex pertencem ao regime de alta precisão por construção.
+
+\textbf{Validação por consistência cross-modal.} Esta é a evidência principal de qualidade na ausência de validação humana exaustiva. Investigamos se os macrotemas têm assinaturas semânticas distintas em três dimensões independentes do rótulo: (i) tipo dominante de entidade não-URL, (ii) entidades canônicas \textit{top-15}, (iii) domínios mais citados como fonte. A Figura~\ref{fig:heatmap} mostra a distribuição de tipos por macrotema. Em \textbf{14 dos 15 maiores macrotemas, as assinaturas são coerentes com o rótulo} (Tabela~\ref{tab:crossmodal}). A coerência entre rótulo, tipo de entidade e fonte citada --- em camadas obtidas por modelos \textit{independentes} (BERTopic + LLM para tópicos; GLiNER + regex para entidades) --- é evidência de validade interna não-trivial.
+
+\begin{figure}[ht]
+\centering
+\includegraphics[width=\linewidth]{figures/heatmap_macrotema_tipo}
+\caption{Assinatura semântica por macrotema: percentual de cada tipo de entidade não-URL nos 15 maiores macrotemas. Concentração distinta por linha indica especialização semântica coerente com o rótulo do macrotema.}
+\label{fig:heatmap}
+\end{figure}
+
+\begin{table}[ht]
+\centering
+\caption{Assinatura semântica de macrotemas selecionados (top entidades não-URL e top fontes).}
+\label{tab:crossmodal}
+\small
+\begin{tabular}{p{3.0cm}p{2.4cm}p{4.4cm}p{3.0cm}}
+\toprule
+\textbf{Macrotema} & \textbf{Tipo dominante} & \textbf{Top entidades} & \textbf{Top fontes} \\
+\midrule
+Crise Política & ATOR\_POL.~(27\%) & lula, bolsonaro, STF, TSE & g1, cnnbrasil \\
+Futebol e Racismo & ORG.~(41\%) & flamengo, palmeiras, fifa, cbf & ge.globo.com \\
+Apostas Online & ORG.+PLAT.~(49\%) & stake, casa de apostas & archive.ph, reclameaqui \\
+Ataques e Conflitos & LOCAL (35\%) & israel, hamas, gaza, palestina & bbc, cnnbrasil \\
+Vacinas e Saúde & heterogêneo & Anvisa, SUS, pfizer & gov.br, g1 \\
+\bottomrule
+\end{tabular}
+\end{table}
+
+\textbf{Falhas detectadas (autorelato).} Duas falhas são reportadas honestamente: (i) \textit{Sátira clara} apresenta entidades genéricas (\texttt{autor}, \texttt{nnn}, \texttt{comunidade}) e 100\% dos top domínios são meta-plataforma (\texttt{communitynotes.x.com}, \texttt{help.x.com}) --- conteúdo procedural não capturado pelo filtro de duas camadas; (ii) \textit{Cotas e Cortes no Ensino Superior} apresenta razão dominante/secundário $\approx 1{,}04$ e entidades \textit{top} que não batem com o rótulo, sugerindo mistura no corte hierárquico. Reportar estas falhas é, em si, evidência de que o método de validação cross-modal encontra problemas reais.
+
+\section{Casos de uso e questões de pesquisa}
+\label{sec:usos}
+
+Sugerimos cinco frentes para a comunidade. \textbf{(1) Benchmark de NER em PT-BR} para categorias politicamente salientes ausentes em LeNER-Br e HAREM (\texttt{ATOR\_POLITICO}, \texttt{PARTIDO}, \texttt{ORGAO\_JUDICIARIO}, \texttt{PROGRAMA\_PUBLICO}, \texttt{OPERACAO\_POLICIAL}), com 536k entidades acompanhadas de \texttt{score} por entidade, prontas para amostragem e validação. \textbf{(2) Classificação de utilidade} a partir do texto da nota, com ou sem features tabulares (\texttt{n\_ratings}, \texttt{coreNoteFactor1}). \textbf{(3) Análise de polarização} ao longo do \texttt{coreNoteFactor1}, condicionada a macrotema e a tipo de entidade citada. \textbf{(4) Estudos de citação por domínio}: a coluna \texttt{dominio} permite identificar quais sites são mais citados como evidência por macrotema; resultados preliminares mostram concentração editorial (\texttt{g1.globo.com}, \texttt{cnnbrasil.com.br}) em macrotemas políticos e padrões de denúncia (\texttt{archive.ph}, \texttt{reclameaqui.com.br}) em macrotemas de fraude. \textbf{(5) Estudos longitudinais}: a janela de 4{,}5 anos cobre dois ciclos eleitorais, três anos pós-COVID, as enchentes do RS em 2024, escândalos esportivos, debates sobre apostas online e mudanças de moderação na X.
+
+\section{Limitações e desafios}
+\label{sec:limitacoes}
+
+\begin{itemize}
+\item Não há validação humana exaustiva dos rótulos de tópicos ou entidades.
+\item A revisão LLM do NER está implementada no pipeline, mas não foi aplicada nesta release por restrições de tempo de GPU.
+\item O texto de tweet não é redistribuído (apenas \texttt{tweetId}), em respeito aos termos de serviço da X.
+\item O dataset é \textit{snapshot-bound}; status evolui no tempo e releases futuras podem mostrar deslocamentos.
+\item 33\% das notas residem no cluster de outliers do BERTopic.
+\item O macrotema \textit{Sátira clara} contém vazamento procedural residual.
+\item O filtro de idioma a 0{,}80 prioriza precisão e pode excluir notas curtas ou \textit{code-mixed}.
+\end{itemize}
+
+\section{Disponibilidade}
+\label{sec:disponibilidade}
+
+O dataset está disponível publicamente em\\
+\url{https://huggingface.co/datasets/histlearn/notas-comunidade-ptbr},\\
+sob licença CC0 1.0 Universal, alinhada à licença da fonte original. Os arquivos \texttt{notes\_pt.parquet} (35\,MB), \texttt{entities.parquet} (40\,MB), \texttt{topic\_metadata.parquet}, \texttt{macrotheme\_metadata.parquet}, \texttt{taxonomy.json} e a pasta \texttt{cross\_modal\_validation/} totalizam $\approx 75$\,MB. O datacard completo está incluído como \texttt{README.md}.
+
+\section{Considerações finais}
+\label{sec:conclusao}
+
+O \textbf{Community Notes BR} preenche uma lacuna específica em recursos linguísticos para PT-BR aplicados a moderação colaborativa: um recorte público, enriquecido em três níveis independentes (tópico, entidade, pontuação), com método de validação que torna sua qualidade auditável sem rotulador humano dedicado. As contribuições metodológicas --- em particular, a rotulagem por LLM com gramática formal e a validação por consistência cross-modal --- são transferíveis a outros datasets enriquecidos. Convidamos a comunidade a aplicar a infraestrutura de revisão LLM já implementada no NER, expandir validação humana onde a aplicação exigir, e cruzar este dataset com bases editoriais de checagem para análises comparativas.
+
+\subsection*{Uso de Inteligência Artificial}
+
+Este artigo e o dataset que ele descreve fazem uso explícito de Inteligência Artificial Generativa, da seguinte forma. \textbf{No dataset:} o modelo \texttt{Marco-Mini-Instruct} (GGUF Q6\_K, executado via \texttt{llama-cpp-python}) foi utilizado para rotulagem estruturada de tópicos e macrotemas, com saída restrita por gramática formal GBNF; o modelo \texttt{intfloat/multilingual-e5-large-instruct} foi utilizado para gerar embeddings semânticos; o modelo \texttt{urchade/gliner\_multi-v2.1} foi utilizado para reconhecimento de entidades nomeadas. Em todos os casos, o uso é parte explícita e documentada do pipeline; nenhum desses modelos é listado como autor, e a responsabilidade pelos rótulos finais é do autor humano. \textbf{No texto deste artigo:} ferramentas de IA Generativa (Claude, da Anthropic) foram utilizadas como assistentes na revisão de redação, organização de seções e sugestões bibliográficas. Todas as decisões metodológicas, escolhas de design e interpretações são de responsabilidade do autor humano.
+
+\bibliographystyle{plain}
+\bibliography{references}
+
+\end{document}

paper/references.bib

@@ -0,0 +1,106 @@
+@inproceedings{wojcik2022birdwatch,
+  title={Birdwatch: Crowd Wisdom and Bridging Algorithms can Inform Understanding and Reduce the Spread of Misinformation},
+  author={Wojcik, Stefan and Hilgard, Sophie and Judd, Nick and Mocanu, Delia and Ragain, Stephen and Hunzaker, M B Fallin and Coleman, Keith and Baxter, Jay},
+  booktitle={arXiv preprint arXiv:2210.15723},
+  year={2022}
+}
+
+@inproceedings{prollochs2022community,
+  title={Community-based fact-checking on Twitter's Birdwatch platform},
+  author={Pr{\"o}llochs, Nicolas},
+  booktitle={Proceedings of the International AAAI Conference on Web and Social Media (ICWSM)},
+  volume={16},
+  pages={794--805},
+  year={2022}
+}
+
+@inproceedings{allen2022birds,
+  title={Birds of a Feather Don't Fact-Check Each Other: Partisanship and the Evaluation of News in Twitter's Birdwatch Crowdsourced Fact-Checking Program},
+  author={Allen, Jennifer and Martel, Cameron and Rand, David G},
+  booktitle={Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems},
+  pages={1--19},
+  year={2022}
+}
+
+@article{grootendorst2022bertopic,
+  title={BERTopic: Neural topic modeling with a class-based TF-IDF procedure},
+  author={Grootendorst, Maarten},
+  journal={arXiv preprint arXiv:2203.05794},
+  year={2022}
+}
+
+@inproceedings{joulin2017bag,
+  title={Bag of Tricks for Efficient Text Classification},
+  author={Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Mikolov, Tomas},
+  booktitle={Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics (EACL)},
+  pages={427--431},
+  year={2017}
+}
+
+@article{wang2023e5instruct,
+  title={Improving Text Embeddings with Large Language Models},
+  author={Wang, Liang and Yang, Nan and Huang, Xiaolong and Yang, Linjun and Majumder, Rangan and Wei, Furu},
+  journal={arXiv preprint arXiv:2401.00368},
+  year={2023}
+}
+
+@inproceedings{zaratiana2024gliner,
+  title={GLiNER: Generalist Model for Named Entity Recognition Using Bidirectional Transformer},
+  author={Zaratiana, Urchade and Tomeh, Nadi and Holat, Pierre and Charnois, Thierry},
+  booktitle={Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL)},
+  year={2024}
+}
+
+@book{santos2007harem,
+  title={Reconhecimento de entidades mencionadas em portugu{\^e}s: Documenta{\c c}{\~a}o e atas do {HAREM}, a primeira avalia{\c c}{\~a}o conjunta na {\'a}rea},
+  author={Santos, Diana and Cardoso, Nuno},
+  publisher={Linguateca},
+  year={2007}
+}
+
+@inproceedings{luz2018lenerbr,
+  title={LeNER-Br: a Dataset for Named Entity Recognition in Brazilian Legal Text},
+  author={Luz de Araujo, Pedro Henrique and de Campos, Te{\'o}filo Em{\'i}dio and de Oliveira, Renato R R and Stauffer, Matheus and Couto, Samuel and Bermejo, Paulo},
+  booktitle={International Conference on the Computational Processing of Portuguese (PROPOR)},
+  pages={313--323},
+  year={2018}
+}
+
+@inproceedings{moulavi2014dbcv,
+  title={Density-Based Clustering Validation},
+  author={Moulavi, Davoud and Jaskowiak, Pablo A and Campello, Ricardo J G B and Zimek, Arthur and Sander, J{\"o}rg},
+  booktitle={Proceedings of the 2014 SIAM International Conference on Data Mining},
+  pages={839--847},
+  year={2014}
+}
+
+@inproceedings{raasveldt2019duckdb,
+  title={DuckDB: an Embeddable Analytical Database},
+  author={Raasveldt, Mark and M{\"u}hleisen, Hannes},
+  booktitle={Proceedings of the 2019 International Conference on Management of Data (SIGMOD)},
+  pages={1981--1984},
+  year={2019}
+}
+
+@inproceedings{monteiro2018fakebr,
+  title={Contributions to the Study of Fake News in {P}ortuguese: New Corpus and Automatic Detection Results},
+  author={Monteiro, Rafael A. and Santos, Roney L. S. and Pardo, Thiago A. S. and de Almeida, Tiago A. and Ruiz, Evandro E. S. and Vale, Oto A.},
+  booktitle={International Conference on the Computational Processing of Portuguese (PROPOR)},
+  pages={324--334},
+  year={2018},
+  publisher={Springer}
+}
+
+@inproceedings{pham2024topicgpt,
+  title={{T}opic{GPT}: A Prompt-based Topic Modeling Framework},
+  author={Pham, Chau Minh and Hoyle, Alexander and Sun, Simeng and Resnik, Philip and Iyyer, Mohit},
+  booktitle={Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL)},
+  year={2024}
+}
+
+@misc{communitynotesalg,
+  title={Community Notes scoring algorithm},
+  author={{X Corp}},
+  howpublished={\url{https://github.com/twitter/communitynotes}},
+  year={2024}
+}

paper/sbc-template.sty

@@ -0,0 +1,73 @@
+% sbc-template.sty -- Style for SBC Conferences
+% Baseado no template oficial da SBC v2017
+% https://www.overleaf.com/latex/templates/sbc-conferences-template/blbxwjwzdngr
+
+\NeedsTeXFormat{LaTeX2e}
+\ProvidesPackage{sbc-template}[2017/01/01 SBC Conferences Template]
+
+\RequirePackage{times}
+\RequirePackage{epsfig}
+\RequirePackage{geometry}
+
+\geometry{a4paper,top=3.5cm,bottom=2.5cm,left=3.0cm,right=3.0cm}
+
+\setlength{\parindent}{1.27cm}
+\setlength{\parskip}{6pt}
+
+% Title formatting
+\renewcommand{\title}[1]{\gdef\@title{#1}}
+\renewcommand{\author}[1]{\gdef\@author{#1}}
+
+\newcommand{\address}[1]{\gdef\@address{#1}}
+\newcommand{\@address}{}
+
+\newcommand{\inst}[1]{\ensuremath{^{#1}}}
+\newcommand{\nextinstitute}{\par}
+\newcommand{\email}[1]{\par\texttt{#1}}
+
+\renewcommand{\maketitle}{%
+  \begin{center}
+    {\Large\bfseries\@title\par}
+    \vspace{12pt}
+    {\normalsize\@author\par}
+    \vspace{8pt}
+    {\small\itshape\@address\par}
+  \end{center}
+  \vspace{12pt}
+}
+
+% Abstract environment
+\renewenvironment{abstract}{%
+  \begin{center}
+    \begin{minipage}{0.92\textwidth}
+    \small\textbf{Abstract.}
+}{%
+    \end{minipage}
+  \end{center}
+  \vspace{6pt}
+}
+
+% Resumo environment
+\newenvironment{resumo}{%
+  \begin{center}
+    \begin{minipage}{0.92\textwidth}
+    \small\textbf{Resumo.}
+}{%
+    \end{minipage}
+  \end{center}
+  \vspace{6pt}
+}
+
+% Section formatting
+\renewcommand{\section}{\@startsection{section}{1}{\z@}%
+  {-12pt \@plus -3pt \@minus -2pt}{6pt \@plus 2pt}%
+  {\normalfont\large\bfseries}}
+
+\renewcommand{\subsection}{\@startsection{subsection}{2}{\z@}%
+  {-8pt \@plus -2pt \@minus -1pt}{4pt \@plus 1pt}%
+  {\normalfont\normalsize\bfseries}}
+
+% Bibliography formatting
+
+
+\endinput

paper_skeleton.md

@@ -0,0 +1,288 @@
+# Community Notes BR: um conjunto de dados enriquecido em português para pesquisa em moderação colaborativa e desinformação
+
+**Davi Machado da Rocha**
+Universidade de São Paulo (USP) — São Paulo, SP, Brasil
+`davimrocha@usp.br`
+
+---
+
+## Abstract (English — mandatory)
+
+> *We present **Community Notes BR**, a curated and enriched Portuguese subset of X's crowdsourced fact-checking notes, covering 142,448 notes between October 2021 and April 2026. The dataset is built from the official Birdwatch public dump (snapshot 2026-04-07) through a five-stage pipeline: deterministic ETL with referential-integrity checks; language filtering via fastText (precision-oriented threshold of 0.80); fine-grained topic modeling combining E5-large multilingual embeddings, BERTopic, and a local LLM with grammar-constrained JSON output (GBNF) to produce 899 topics labeled with controlled categories; hierarchical macroaggregation into 38 macrothemes; named entity recognition with GLiNER under a custom 16-type Portuguese taxonomy plus six regex extractors and three canonicalization dictionaries, totaling 536,373 entities; and reproduction of the official Matrix Factorization scoring (`coreNoteIntercept`, `coreNoteFactor1`) over the Portuguese subset. We present a quality assessment based on cross-modal consistency between macrothemes and entity-type signatures rather than exhaustive human validation. The dataset is released on Hugging Face under CC0, with two parquet files (`notes_pt.parquet`, `entities.parquet`), supporting metadata, and a taxonomy specification. Use cases include benchmarking Portuguese NER over politically salient categories, classifying note helpfulness, polarization analysis along the MF factor, and longitudinal studies of Brazilian online discourse over two electoral cycles.*
+
+## Resumo
+
+> *Apresentamos o **Community Notes BR**, um subconjunto curado e enriquecido em português das notas de verificação colaborativa da X, com 142.448 notas entre outubro de 2021 e abril de 2026. A base é construída a partir do dump público oficial do Birdwatch (snapshot 2026-04-07) por meio de um pipeline de cinco etapas: ETL determinístico com checagens de integridade referencial; filtragem por idioma via fastText (limiar de confiança 0,80, orientado à precisão); modelagem fina de tópicos combinando embeddings E5-large multilingual, BERTopic e LLM local com saída JSON restrita por gramática formal (GBNF), produzindo 899 tópicos rotulados com categorias controladas; macroagregação hierárquica em 38 macrotemas; reconhecimento de entidades nomeadas com GLiNER sob taxonomia portuguesa de 16 tipos, mais seis extratores regex e três dicionários de canonicalização, totalizando 536.373 entidades; e reprodução do algoritmo oficial de pontuação por fatoração matricial (`coreNoteIntercept`, `coreNoteFactor1`) sobre o subconjunto. A avaliação de qualidade baseia-se em consistência cross-modal entre macrotemas e assinaturas de tipos de entidade, em vez de validação humana exaustiva. O dataset é distribuído no Hugging Face sob CC0, com dois arquivos parquet (`notes_pt.parquet`, `entities.parquet`), metadados de apoio e uma especificação de taxonomia. Os casos de uso incluem benchmarks de NER em PT-BR para categorias politicamente salientes, classificação de utilidade de notas, análise de polarização ao longo do fator de fatoração matricial e estudos longitudinais do discurso digital brasileiro ao longo de dois ciclos eleitorais.*
+
+---
+
+## 1. Introdução *(~1 página)*
+
+### Parágrafos sugeridos
+
+**§1 — Contexto.** As Community Notes (originalmente *Birdwatch*) são o principal mecanismo de moderação colaborativa em operação na X (antiga Twitter), no qual usuários voluntários propõem notas contextuais a tweets potencialmente enganosos, e a publicação dessas notas depende de consenso interpartidário medido por um algoritmo de fatoração matricial publicado abertamente. O dump das notas, ratings e histórico de status é disponibilizado publicamente sob CC0, atualizado em intervalos curtos e cobre todas as línguas suportadas pela plataforma. **[citar Wojcik et al. 2022; Allen, Martel & Rand 2022; Pröllochs 2022]**
+
+**§2 — Lacuna PT-BR.** Apesar do volume crescente de notas em português brasileiro — incluindo episódios de alto interesse público (eleições 2022, ataque às sedes dos Três Poderes em janeiro de 2023, enchentes no Rio Grande do Sul em 2024, escândalos esportivos, debate sobre apostas online, polêmicas envolvendo Elon Musk e o STF) —, não há até onde sabemos um conjunto de dados público que reúna o recorte PT-BR com enriquecimento multinível pronto para pesquisa em PLN, redes de citação ou análise política. Bases existentes em PT-BR para desinformação são tipicamente coletadas de agências de checagem **[citar FakeRecogna; Fakecorpus; outros]** e capturam um regime distinto: verificações editoriais, não notas crowdsourced.
+
+**§3 — Contribuição.** Este artigo apresenta o **Community Notes BR**, dataset que (i) recorta o snapshot público de 2026-04-07 ao subconjunto em português com filtragem de alta precisão, (ii) reproduz o algoritmo oficial de pontuação para esse subconjunto, (iii) atribui rótulos temáticos hierárquicos (899 tópicos finos → 38 macrotemas) por meio de pipeline que combina embeddings instruct, BERTopic e rotulagem por LLM com gramática formal GBNF, (iv) extrai 536 mil entidades nomeadas com taxonomia adaptada ao contexto político-institucional brasileiro, e (v) é avaliado por consistência cross-modal entre macrotemas e tipos de entidade — método que torna a qualidade verificável sem rotulador humano exaustivo.
+
+**§4 — Estrutura do artigo.** A Seção 2 contextualiza trabalhos relacionados; a Seção 3 descreve a coleta e a curadoria base; a Seção 4 detalha o enriquecimento; a Seção 5 caracteriza quantitativamente o dataset; a Seção 6 apresenta a avaliação de qualidade; a Seção 7 discute casos de uso; a Seção 8 sumariza limitações; e a Seção 9 trata da disponibilidade.
+
+### Diretrizes
+- Manter no máximo 4 parágrafos.
+- O parágrafo §3 vende as 5 contribuições — não enxugar demais.
+- Citações: priorizar artigos do próprio Twitter/X sobre o algoritmo, e o estudo de Pröllochs por ser o paper de referência para uso da base.
+
+---
+
+## 2. Trabalhos relacionados *(~0,8 página)*
+
+### Subseções sugeridas
+
+**2.1. Datasets de Community Notes / Birdwatch.** Pröllochs (2022) realiza a primeira análise empírica em larga escala da base, focando em propriedades dos avaliadores e dinâmica de consenso. Wojcik et al. (2022) descrevem o algoritmo de fatoração matricial e sua avaliação experimental. Posteriormente, Allen, Martel e Rand (2022) examinam a precisão das notas frente a consenso de especialistas. Esses trabalhos tratam a base global em inglês como dado primário; nenhum produz um recorte em PT com enriquecimento independente.
+
+**2.2. Datasets de desinformação e checagem em PT-BR.** *Listar 2-3 bases:* FakeRecogna **[citar]**, Fake.Br Corpus **[citar]**, ou bases construídas a partir de Aos Fatos / Boatos.org. Diferenciar o regime: agências de checagem produzem rótulos editoriais em volume baixo, frequentemente sobre tópicos com viés de seleção; Community Notes opera em escala, com sinal contínuo de consenso, e cobre tópicos não capturados por agências.
+
+**2.3. Recursos de NER em PT-BR.** HAREM (Santos & Cardoso 2007) e LeNER-Br (Luz de Araújo et al. 2018) são as referências em PT, com taxonomias clássicas (pessoa, organização, local, tempo) e foco jurídico, respectivamente. Nossa taxonomia se afasta desses trabalhos ao incluir categorias politicamente salientes (`ATOR_POLITICO`, `PARTIDO`, `ORGAO_JUDICIARIO`, `PROGRAMA_PUBLICO`).
+
+**2.4. Modelagem de tópicos e LLM como anotador.** BERTopic (Grootendorst 2022) é a base do nosso pipeline de tópicos. Trabalhos recentes que usam LLMs para rotular tópicos automaticamente **[citar 1-2]** tipicamente produzem texto livre. Nosso uso de gramática GBNF (Backus-Naur form para llama.cpp) garante saída JSON válida e categorização restrita.
+
+### Diretrizes
+- Esta seção é estritamente justificativa — para cada referência, dizer *o que ela faz que nós não fazemos / o que ela não faz que nós fazemos*.
+
+---
+
+## 3. Coleta e curadoria base *(~1,5 página)*
+
+### Subseções sugeridas
+
+**3.1. Fonte.** O snapshot público oficial do Birdwatch é hospedado em `ton.twimg.com/birdwatch-public-data`, organizado por data e dividido em cinco datasets lógicos (`notes`, `noteRatings`, `noteStatusHistory`, `userEnrollment`, `batSignals`). Cada dataset é fragmentado em shards TSV `.zip` de tamanho variável conforme volume. Adotamos o snapshot de 2026-04-07 como ponto de corte, justificando a escolha pela proximidade com o início do período eleitoral municipal de 2026 e pela cobertura de cinco ciclos relevantes.
+
+**3.2. ETL bronze/silver/gold.** Implementamos pipeline em DuckDB com três camadas. *Bronze* preserva todos os shards em `VARCHAR`, calcula hashes MD5/SHA-256 por arquivo e gera manifesto auditável. *Silver* aplica conversões tipadas (`BIGINT`, `TIMESTAMP`), padroniza nomes em snake_case e remove colunas 100% nulas. *Gold* exporta Parquet ZSTD particionado, com sharding automático para tabelas acima de 5M linhas.
+
+**3.3. Detecção de drift de esquema e órfãos.** Diferentes shards de um mesmo dataset podem ter esquemas distintos quando o Birdwatch evolui. Computamos `header_hash` por arquivo e geramos alerta quando há mais de um cabeçalho distinto por dataset. Em paralelo, checamos integridade referencial entre `notes` ↔ `ratings` ↔ `noteStatusHistory`, removendo registros órfãos que apontam para notas ausentes do dump. Produzimos também `snapshot_diff` entre snapshots consecutivos para detectar envelhecimento (notas removidas, mudanças de status).
+
+**3.4. Filtragem por idioma.** O `summary` de cada nota é submetido ao classificador fastText `lid.176.bin` (Joulin et al. 2017), que cobre 176 idiomas em modelo único. Usamos um limiar de confiança de 0,80 para reter o subconjunto PT, balanceando precisão e cobertura. O resultado é de 142.448 notas, com confiança média de 0,98 (mediana 0,99). Uma amostra estratificada de 300 notas (100 por faixa de confiança 0,80–0,90 / 0,90–0,95 / 0,95–1,00, *seed* 42) foi inspecionada visualmente; a verificação foi rápida e apareceu correta, mas não constitui avaliação humana rigorosa.
+
+**3.5. Estatística lateral notável.** A taxa de consenso `CURRENTLY_RATED_HELPFUL` (CRH) é de 11,57% para notas em PT, contra 8,69% para EN no mesmo snapshot — diferencial de 2,88 pontos percentuais que merece investigação ulterior por parte da comunidade.
+
+**3.6. Hidratação amostral de tweets.** O dump original não inclui o texto dos tweets. Para uma amostra de 4.055 notas, hidratamos os tweets via X API v2 (`GET /2/tweets`) sob estratificação em três camadas: `top_notas` (notas com mais ratings), `bat_signals` (tweets com solicitação explícita de revisão) e `aleatorio` (linha de base). O texto hidratado **não é redistribuído** neste dataset, em respeito aos termos de serviço da X; a coluna `stratum` é exposta para permitir análises sobre o desenho amostral.
+
+### Figuras/tabelas
+- **Figura 1.** Diagrama do pipeline (5 estágios em fluxo).
+- **Tabela 1.** Cardinalidades em cada checkpoint (snapshot bruto → após filtro PT → final).
+- **Tabela 2.** Taxa CRH por idioma (top 5).
+
+---
+
+## 4. Pipeline de enriquecimento *(~2,5 páginas)*
+
+### 4.1. Embeddings semânticos com instrução *(~0,5p)*
+
+Usamos `intfloat/multilingual-e5-large-instruct` (1024 dimensões) com a seguinte instrução em português, prefixada a cada documento:
+
+> *"Identifique o assunto factual em disputa neste texto, ignorando aspectos procedurais sobre a plataforma ou sobre como as notas funcionam."*
+
+Esta instrução orienta o vetor para a controvérsia factual subjacente, em vez de capturar a forma discursiva da nota. O efeito empírico é a separação cleaner entre tópicos substantivos (vacinas, eleições, futebol) e tópicos meta-procedurais (como usar notas, sátira sem alvo claro). Os embeddings são pré-computados uma única vez (~30 min em GPU T4 para 142k notas) e reutilizados em todas as etapas subsequentes.
+
+### 4.2. Tópicos com BERTopic e calibração por DBCV *(~0,5p)*
+
+Aplicamos BERTopic (Grootendorst 2022) com UMAP (`n_neighbors=15`, `n_components=10`, `metric=cosine`) seguido de HDBSCAN (`min_cluster_size=30`, `min_samples=5`). Os parâmetros foram selecionados via **busca em grade orientada por DBCV** (Density-Based Clustering Validation; Moulavi et al. 2014) sobre 36 combinações cruzando `n_components ∈ {5, 10, 15}`, `min_cluster_size ∈ {15, 30, 50, 80}` e `min_samples ∈ {5, 10, 15, 20}`. A configuração final equilibra DBCV alto, número de tópicos ≥ 100 e tamanho do maior cluster sob controle.
+
+A representação de palavras-chave usa c-TF-IDF combinado com KeyBERTInspired e MaximalMarginalRelevance (diversidade 0,3) para reduzir redundância. Uma redução de outliers via similaridade de embeddings (limiar 0,975) é aplicada após o ajuste inicial. O resultado é de **899 tópicos**, com 33% das notas no cluster de outliers (`topic_id = -1`).
+
+### 4.3. Rotulagem estruturada com gramática formal GBNF *(~0,7p — contribuição metodológica)*
+
+Esta é a contribuição metodológica central. Em vez de pedir um rótulo curto a um LLM e tratar o texto livre resultante, definimos uma **gramática Backus-Naur estendida (GBNF)** que restringe a saída do modelo a um objeto JSON com três campos exatos:
+
+```bnf
+root     ::= "{" ws ctx-kv "," ws cat-kv "," ws rot-kv ws "}"
+ctx-kv   ::= "\"contexto_central\"" ws ":" ws string
+cat-kv   ::= "\"categoria_ampla\"" ws ":" ws string
+rot-kv   ::= "\"rotulo_curto\"" ws ":" ws string
+string   ::= "\"" chars "\""
+```
+
+A gramática é compilada por `llama.cpp` e impõe que cada token gerado pertença ao espaço de strings JSON válidas, eliminando erros de parsing por construção. O LLM utilizado é o `Marco-Mini-Instruct` (GGUF Q6_K) rodando localmente, que recebe as palavras-chave do c-TF-IDF e três documentos representativos do tópico. O prompt instrui que `categoria_ampla` deve ser uma de 13 categorias controladas (`Política`, `Economia`, `Saúde`, `Golpes e Fraudes`, `Tecnologia`, `Esporte`, `Educação`, `Meio Ambiente`, `Entretenimento`, `Ciência`, `Segurança`, `Desinformação`, `Outro`) e proíbe explicitamente palavras genéricas como "desinformação" ou "manipulação" no `rotulo_curto`, forçando o modelo a focar no assunto concreto.
+
+### 4.4. Macroagregação hierárquica e detecção de procedurais *(~0,5p)*
+
+Para reduzir 899 tópicos finos a uma estrutura interpretável, aplicamos **agrupamento aglomerativo** (linkage average sobre similaridade cosseno dos `topic_embeddings_` do BERTopic), com limiar de distância 0,05 escolhido por inspeção do dendrograma. Resulta em **38 macrotemas**.
+
+Cada macrotema é então rotulado por um segundo passe LLM, sob gramática GBNF distinta (`{rotulo_macro, categoria_dominante}`), recebendo agora os `contexto_central` dos tópicos constituintes — não palavras-chave, evitando "amnésia" do modelo.
+
+Um filtro de conteúdo procedural (notas que falam sobre o funcionamento das notas, sátira sem alvo concreto, comentários genéricos sobre a plataforma) é aplicado em duas camadas: (i) heurística por palavras-chave em `rotulo_curto`/`contexto_central`, (ii) classificação direta do macrotema pelo segundo LLM, que pode atribuir `categoria_dominante = "Procedural"`. A união das duas camadas marca os tópicos a serem destacados em análises substantivas.
+
+### 4.5. Reconhecimento de entidades nomeadas *(~0,7p)*
+
+A extração combina três fontes:
+
+**(i) GLiNER multilingual** (`urchade/gliner_multi-v2.1`; Zaratiana et al. 2024) com **taxonomia de 16 tipos adaptada ao contexto político-institucional brasileiro** (`PESSOA`, `PESSOA_PUBLICA`, `ATOR_POLITICO`, `PARTIDO`, `PROGRAMA_PUBLICO`, `ORGAO_PUBLICO`, `ORGAO_JUDICIARIO`, `ORGAO_SEGURANCA`, `VEICULO_MIDIA`, `PLATAFORMA_DIGITAL`, `ORGANIZACAO`, `LOCAL`, `EVENTO_POLITICO`, `OPERACAO_POLICIAL`, `PROCESSO_JUDICIAL`, `FONTE_CITADA`). Cada tipo recebe um threshold próprio entre 0,40 e 0,55, calibrado para favorecer precisão em tipos confundíveis (ex.: `PARTIDO` recebe 0,50 contra 0,45 do default por causa de siglas como "PT" coincidirem com tokens não-políticos).
+
+**(ii) Seis extratores regex** para padrões formais com alta precisão por construção: `URL_DOMINIO`, `DATA`, `VALOR_MONETARIO`, `ESTATISTICA` (percentuais), `LEI_NORMA` (Lei 14.197/2021, Decreto, Medida Provisória, PEC, ADI, etc.) e `PROCESSO_JUDICIAL` (formato CNJ).
+
+**(iii) Três dicionários YAML editáveis** para canonicalização: `programas_publicos` (Bolsa Família, Auxílio Brasil, SUS, Prouni, …), `siglas_orgaos` (STF, TSE, IBGE, Anvisa, …) e partidos. Lookup pós-extração reescreve `tipo_entidade` e produz `texto_canonico` consistente.
+
+**Resolução de sobreposições.** Quando dois extratores marcam regiões sobrepostas com IoU ≥ 0,5, a prioridade é dada por fonte: `regex_url` (100) > `regex_processo` = `regex_lei_norma` (95) > `regex_valor` = `regex_percentual` (90) > `regex_data` (85) > `gliner` (50). Em empate, vence o de maior `score`.
+
+**Dimensão *papel no texto*.** Cada entidade carrega `papel_no_texto ∈ {mencao, fonte_ou_evidencia}`. Tipos como `URL_DOMINIO`, `LEI_NORMA`, `PROCESSO_JUDICIAL` e `VEICULO_MIDIA` recebem `fonte_ou_evidencia` por default; demais tipos são `mencao`. Esta distinção é central para análises de citação (quem fala de quem) versus apoio probatório (quem cita o quê).
+
+### 4.6. Pontuação por fatoração matricial *(~0,3p)*
+
+Reproduzimos o algoritmo oficial de pontuação publicado pela X (`twitter/communitynotes`) sobre o subconjunto PT. O algoritmo é uma fatoração matricial sobre a matriz `usuário × nota` de avaliações `helpful`/`not helpful`, com regularização L2, produzindo dois parâmetros centrais: `coreNoteIntercept` (utilidade absoluta da nota independente do avaliador) e `coreNoteFactor1` (primeira dimensão latente, interpretável como eixo de polarização do consenso). A reprodução roda em CPU pura sob `scikit-learn`, com checkpoints incrementais por fase. Patches mínimos no código original convertem `assert` em `warning` para que o scorer aceite o universo reduzido (subset PT) sem abortar.
+
+### Figuras/tabelas
+- **Figura 2.** Mapa intertópico (UMAP 2D) com top macrotemas destacados por cor.
+- **Figura 3.** Dendrograma da macroagregação com linha de corte em 0,05.
+- **Tabela 3.** Taxonomia das 22 categorias de entidade (16 GLiNER + 6 regex) com threshold e papel padrão.
+
+---
+
+## 5. Caracterização quantitativa *(~1,5 página)*
+
+### Subseções sugeridas
+
+**5.1. Volume e cobertura temporal.** 142.448 notas distribuídas entre 2021-10 e 2026-04, sobre 90.822 tweets distintos (média 1,57 nota/tweet) e 25.483 autores únicos. **[Figura 4: histograma temporal por status, mostrando crescimento e os picos eleitorais]**
+
+**5.2. Status e consenso.** Dos 142k notas, 11,1% atingiram `CURRENTLY_RATED_HELPFUL`, 3,1% `CURRENTLY_RATED_NOT_HELPFUL`, 82,0% permanecem em `NEEDS_MORE_RATINGS` e 3,8% têm status indefinido. Esse perfil é compatível com o reportado para a base global, mas com desvio positivo em CRH.
+
+**5.3. Tópicos e macrotemas.** 899 tópicos finos, dos quais 47.162 notas (33%) caem no outlier `topic_id = -1`. Os outros 67% das notas distribuem-se em 38 macrotemas; os 10 maiores cobrem 47% das notas com tópico. **[Tabela 4: top 10 macrotemas]**
+
+**5.4. Entidades.** 536.373 entidades em 131.399 notas (92% das 142k carregam pelo menos uma entidade). Distribuição por tipo: URL (33%), PESSOA (15%), LOCAL (9%), ORGANIZACAO (9%), VEICULO_MIDIA (8%), ATOR_POLITICO (6%), PLATAFORMA_DIGITAL (5%) e cauda longa em tipos especializados.
+
+**5.5. Pontuação MF.** `coreNoteIntercept` está disponível para 72,7% das notas (as restantes têm ratings insuficientes). O intercepto tem mediana 0,15 e cauda longa positiva (max 0,65); o `coreNoteFactor1` tem mediana ≈ 0 e desvio-padrão 0,43, indicando dispersão substantiva ao longo do eixo de polarização — adequado a análises comparativas. **[Figura 5: distribuições conjuntas de intercepto × fator]**
+
+**5.6. Dados faltantes.** **[Tabela 5: missingness por coluna com explicação resumida]**
+
+---
+
+## 6. Avaliação de qualidade *(~1,2 página)*
+
+### Subseções sugeridas
+
+**6.1. Validação determinística.** As checagens determinísticas asseguram a integridade da base: hashes MD5/SHA-256 por shard, detecção de drift de esquema, eliminação de órfãos referenciais entre `notes`/`ratings`/`status_history`, e diff entre snapshots consecutivos. Essas checagens não validam o conteúdo, mas garantem que erros de coleta não se propagam para o produto final.
+
+**6.2. Métricas intrínsecas.** Os parâmetros do BERTopic foram selecionados por DBCV; a calibração escolheu o ponto de operação com melhor compromisso entre validade interna e cobertura. A confiança média do filtro de idioma é 0,98 (mediana 0,99). O `score` médio das entidades GLiNER é 0,83 (mediana 0,91); entidades regex pertencem ao regime de alta precisão por construção.
+
+**6.3. Validação por consistência cross-modal.** *(Esta é a evidência principal de qualidade na ausência de validação humana exaustiva.)* Investigamos se os macrotemas têm assinaturas semânticas distintas em duas dimensões independentes do rótulo: (i) tipo dominante de entidade não-URL, (ii) entidades canônicas top-15. Em **14 dos 15 maiores macrotemas, as assinaturas são coerentes com o rótulo do macrotema**. Exemplos:
+
+| Macrotema | Tipo dominante | Top entidades | Top fontes |
+|---|---|---|---|
+| Crise Política | ATOR_POLITICO (27%) | lula, bolsonaro, STF, TSE, PF | g1, cnnbrasil, poder360 |
+| Futebol e Racismo | ORGANIZACAO (41%) | flamengo, palmeiras, fifa, cbf | ge.globo.com (16%) |
+| Apostas Online | ORGANIZACAO + PLATAFORMA (49%) | stake, casa de apostas | archive.ph, reclameaqui, pastebin |
+| Ataques e Conflitos | LOCAL (35%) | israel, hamas, gaza, palestina | bbc, cnnbrasil |
+| Vacinas e Saúde | heterogêneo | Anvisa, SUS, pfizer | gov.br, g1 |
+
+A coerência entre rótulo, tipo de entidade e fonte citada — em camadas obtidas por modelos *independentes* (BERTopic + LLM para tópicos; GLiNER + regex para entidades) — é evidência de validade interna não-trivial.
+
+**6.4. Falhas detectadas (autorelato).** Duas falhas são reportadas honestamente:
+
+- **Sátira clara** apresenta entidades genéricas (`autor`, `nnn`, `comunidade`) e 100% dos top domínios são meta-plataforma (`communitynotes.x.com`, `help.x.com`). Trata-se de conteúdo procedural não capturado pelo filtro de duas camadas. Tópicos individuais foram detectados, mas o macrotema agregado escapou. **[Figura 6: heatmap de top domínios por macrotema]**
+- **Cotas e Cortes no Ensino Superior** apresenta razão dominante/secundário ≈ 1,04 e entidades top que não batem com o rótulo (g1, brasil, bolsonaro, sao-paulo). Sugere mistura no corte hierárquico e merece reavaliação em release futura.
+
+Reportar estas falhas é, em si, evidência de que o método de validação cross-modal *encontra problemas reais*.
+
+**6.5. Verificação visual amostral do filtro de idioma.** Ver §3.4 — checagem rápida, não exaustiva.
+
+---
+
+## 7. Casos de uso e questões de pesquisa *(~0,8 página)*
+
+Sugerimos cinco frentes para a comunidade explorar a partir do dataset:
+
+**7.1. Benchmark de NER em PT-BR para categorias politicamente salientes.** A taxonomia inclui tipos ausentes em LeNER-Br e HAREM (`ATOR_POLITICO`, `PARTIDO`, `ORGAO_JUDICIARIO`, `PROGRAMA_PUBLICO`, `OPERACAO_POLICIAL`). O dataset provê 536k entidades com `score` por entidade, prontas para amostragem para validação humana ou refinamento por adversarial fine-tuning.
+
+**7.2. Classificação de utilidade (helpfulness).** Modelos podem aprender a prever `consenso = CRH` a partir do texto da nota, com ou sem features tabulares (`n_ratings`, `coreNoteFactor1`). Em experimentos exploratórios não publicados, ROC-AUC ~ 0,89 e MCC ~ 0,57 são alcançáveis com TF-IDF + features estruturais.
+
+**7.3. Análise de polarização.** O `coreNoteFactor1` é uma coordenada explícita ao longo do eixo de divergência ideológica do consenso. Estudos podem condicionar essa coordenada a macrotema e a tipo de entidade citada para mapear como diferentes assuntos polarizam o público brasileiro de forma distinta.
+
+**7.4. Estudos de citação por domínio.** A coluna `dominio` do `entities.parquet` permite análises de quais sites são mais citados como evidência por macrotema. Resultados preliminares mostram concentração editorial (`g1.globo.com`, `cnnbrasil.com.br`) em macrotemas políticos e padrões de denúncia (`archive.ph`, `reclameaqui.com.br`) em macrotemas de fraude.
+
+**7.5. Estudos longitudinais.** A janela de 4,5 anos cobre dois ciclos eleitorais, três anos pós-COVID, as enchentes do RS em 2024, escândalos esportivos, debates sobre apostas online e mudanças de moderação na X (incluindo o episódio de 2024 com o STF). Permite séries temporais de tópicos ativos.
+
+---
+
+## 8. Limitações e desafios *(~0,4 página)*
+
+- **Sem validação humana exaustiva** dos rótulos de tópicos ou entidades.
+- **Revisão LLM do NER projetada mas não aplicada** nesta release por restrições de tempo de GPU.
+- **Texto de tweet não redistribuído.** Apenas `tweetId` é exposto, em respeito aos termos de serviço da X.
+- **Snapshot-bound.** Status evolui no tempo; releases futuras podem mostrar deslocamentos.
+- **Outliers temáticos.** 33% das notas em `topic_id = -1` — outlier reduction foi aplicada de forma conservadora.
+- **Vazamento procedural residual.** Macrotema *Sátira clara* contém conteúdo procedural não filtrado.
+- **Filtro de idioma orientado a precisão.** O limiar de 0,80 pode excluir notas curtas ou com mistura de códigos.
+
+---
+
+## 9. Disponibilidade *(~0,3 página)*
+
+O dataset está disponível publicamente em:
+
+> **`https://huggingface.co/datasets/histlearn/community-notes-br`**
+
+Sob licença CC0 1.0 Universal, alinhada à licença da fonte original. Os arquivos `notes_pt.parquet` (35 MB), `entities.parquet` (40 MB), `topic_metadata.parquet`, `macrotheme_metadata.parquet`, `taxonomy.json` e a pasta `cross_modal_validation/` totalizam ~80 MB. O datacard completo está incluído como `README.md`.
+
+---
+
+## 10. Considerações finais *(~0,3 página)*
+
+O **Community Notes BR** preenche uma lacuna específica e ao mesmo tempo profunda em recursos linguísticos para PT-BR aplicados a moderação colaborativa: um recorte público, enriquecido em três níveis independentes (tópico, entidade, pontuação), com método de validação que torna sua qualidade auditável sem rotulador humano dedicado. As contribuições metodológicas — em particular, a rotulagem por LLM com gramática formal e a validação por consistência cross-modal — são transferíveis a outros datasets enriquecidos. Convidamos a comunidade a aplicar a infraestrutura de revisão LLM já implementada no NER, expandir a validação humana onde a aplicação exigir, e cruzar este dataset com bases editoriais de checagem para análises comparativas.
+
+---
+
+## Uso de Inteligência Artificial
+
+*(Subseção obrigatória, não numerada, antes das Referências.)*
+
+Este artigo e o dataset que ele descreve fazem uso explícito de Inteligência Artificial Generativa, da seguinte forma:
+
+**No dataset.** O modelo `Marco-Mini-Instruct` (GGUF Q6_K, executado via `llama-cpp-python`) foi utilizado para rotulagem estruturada de tópicos e macrotemas, com saída restrita por gramática formal GBNF. O modelo `intfloat/multilingual-e5-large-instruct` foi utilizado para gerar embeddings semânticos. O modelo `urchade/gliner_multi-v2.1` foi utilizado para reconhecimento de entidades nomeadas. Em todos os casos, o uso é parte explícita e documentada do pipeline; nenhum desses modelos foi listado como autor, e a responsabilidade pelos rótulos finais é dos autores humanos.
+
+**No texto deste artigo.** Ferramentas de IA Generativa (Claude da Anthropic) foram utilizadas como assistentes na revisão de redação, organização de seções e sugestões de citação. Todas as decisões metodológicas, escolhas de design e interpretações são de responsabilidade do(s) autor(es) humano(s). Nenhum trecho foi gerado e publicado sem leitura crítica.
+
+---
+
+## Referências
+
+*(Lista preliminar a expandir; ~15-20 itens é o normal para DSW.)*
+
+- **Allen, J., Martel, C., & Rand, D. G.** (2022). Birds of a feather don't fact-check each other: Partisanship and the evaluation of news in Twitter's Birdwatch crowdsourced fact-checking program. *CHI*.
+- **Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T.** (2017). Enriching word vectors with subword information. *TACL*.
+- **Grootendorst, M.** (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. *arXiv preprint arXiv:2203.05794*.
+- **Joulin, A., Grave, E., Bojanowski, P., & Mikolov, T.** (2017). Bag of tricks for efficient text classification. *EACL*. *(fastText `lid.176`)*
+- **Luz de Araújo, P. H., et al.** (2018). LeNER-Br: A dataset for named entity recognition in Brazilian legal text. *PROPOR*.
+- **Moulavi, D., Jaskowiak, P. A., Campello, R. J., Zimek, A., & Sander, J.** (2014). Density-based clustering validation. *SDM*.
+- **Pröllochs, N.** (2022). Community-based fact-checking on Twitter's Birdwatch platform. *ICWSM*.
+- **Santos, D., & Cardoso, N.** (2007). HAREM: An advanced NER evaluation contest for Portuguese. *LREC*.
+- **Wang, L., et al.** (2023). Improving text embeddings with large language models. *(E5-instruct)*.
+- **Wojcik, S., et al.** (2022). Birdwatch: Crowd wisdom and bridging algorithms can inform understanding and reduce the spread of misinformation. *X (Twitter) Research*.
+- **Zaratiana, U., Tomeh, N., Holat, P., & Charnois, T.** (2024). GLiNER: Generalist model for named entity recognition using bidirectional transformer. *NAACL*.
+- *(Citar referências PT-BR de desinformação: FakeRecogna, Fake.Br Corpus.)*
+- *(Citar artigos sobre BNF/GBNF em LLM constrained decoding.)*
+- *(Citar DuckDB e PyArrow.)*
+
+---
+
+# Apêndice — checklist de submissão DSW
+
+- [ ] PDF em formato SBC
+- [ ] Entre 6 e 10 páginas + até 2 extra para agradecimentos/referências
+- [ ] Resumo em inglês obrigatório
+- [ ] Subseção "Uso de Inteligência Artificial" antes das referências
+- [ ] Dataset publicamente acessível no momento da submissão
+- [ ] Submissão via JEMS
+- [ ] Conformidade com Código de Conduta SBC
+- [ ] Token HF rotacionado antes de qualquer publicação de código
+
+---
+
+# Notas para você ao escrever
+
+1. **Manter o tom institucional sóbrio.** SBBD valoriza precisão técnica acima de retórica.
+2. **Tabelas > prosa para descrição de schema.** Reviewers de dataset workshops querem inspecionar rapidamente.
+3. **Figuras devem caber em uma coluna SBC.** Heatmaps e mapas intertópicos costumam ficar boas em duas colunas; orçar bem.
+4. **A Seção 6 (qualidade) é onde reviewers vão atacar.** Defenda com dados, não com adjetivos.
+5. **O nome "Marco-Mini-Instruct" é obscuro.** Cite o repositório HF (`mradermacher/Marco-Mini-Instruct-i1-GGUF`) na primeira menção e descreva como "modelo open-weight quantizado para uso local em GPU modesta".
+6. **Evite "nós" excessivo.** Onde possível, use voz passiva ("foi aplicado", "resulta em") — convenção SBC.
+7. **Antes de submeter:** rode um pass de checagem de números neste skeleton vs `notes_pt.parquet` final. Se ajustar parâmetros e re-publicar, qualquer número aqui vira inconsistência.

taxonomy.json

@@ -0,0 +1,44 @@
+{
+  "version": "1.0",
+  "snapshot_date": "2026-04-07",
+  "description": "Taxonomia de entidades nomeadas extraídas em Community Notes BR. Cada tipo é extraído por GLiNER (modelo urchade/gliner_multi-v2.1) com threshold por tipo, ou por regex (alta precisão para padrões formais). Tipos são canonicalizados em PT.",
+  "extraction": {
+    "gliner_model": "urchade/gliner_multi-v2.1",
+    "gliner_default_threshold": 0.40,
+    "regex_fallback": true,
+    "overlap_resolution": "IoU >= 0.5; prioridade: regex_url=100, regex_processo=95, regex_lei_norma=95, regex_valor=90, regex_percentual=90, regex_data=85, gliner=50"
+  },
+  "tipos": [
+    {"tipo_pt": "PESSOA",             "label_modelo": "person",                    "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "PESSOA_PUBLICA",     "label_modelo": "public figure",             "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "ATOR_POLITICO",      "label_modelo": "politician",                "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "PARTIDO",            "label_modelo": "political party",           "fonte": "gliner",            "threshold": 0.50, "papel_padrao": "mencao"},
+    {"tipo_pt": "PROGRAMA_PUBLICO",   "label_modelo": "government program",        "fonte": "gliner",            "threshold": 0.40, "papel_padrao": "mencao"},
+    {"tipo_pt": "ORGAO_PUBLICO",      "label_modelo": "government agency",         "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "ORGAO_JUDICIARIO",   "label_modelo": "court",                     "fonte": "gliner",            "threshold": 0.50, "papel_padrao": "mencao"},
+    {"tipo_pt": "ORGAO_SEGURANCA",    "label_modelo": "police or security force",  "fonte": "gliner",            "threshold": 0.50, "papel_padrao": "mencao"},
+    {"tipo_pt": "VEICULO_MIDIA",      "label_modelo": "news media outlet",         "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "PLATAFORMA_DIGITAL", "label_modelo": "digital platform",          "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "ORGANIZACAO",        "label_modelo": "organization",              "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "LOCAL",              "label_modelo": "location",                  "fonte": "gliner",            "threshold": 0.45, "papel_padrao": "mencao"},
+    {"tipo_pt": "EVENTO_POLITICO",    "label_modelo": "political event",           "fonte": "gliner",            "threshold": 0.55, "papel_padrao": "mencao"},
+    {"tipo_pt": "OPERACAO_POLICIAL",  "label_modelo": "police operation",          "fonte": "gliner",            "threshold": 0.55, "papel_padrao": "mencao"},
+    {"tipo_pt": "PROCESSO_JUDICIAL",  "label_modelo": "court case",                "fonte": "gliner",            "threshold": 0.55, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "FONTE_CITADA",       "label_modelo": "cited source",              "fonte": "gliner",            "threshold": 0.55, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "URL_DOMINIO",        "label_modelo": "URL_DOMINIO",               "fonte": "regex_url",         "threshold": null, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "DATA",               "label_modelo": "DATA",                      "fonte": "regex_data",        "threshold": null, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "VALOR_MONETARIO",    "label_modelo": "VALOR_MONETARIO",           "fonte": "regex_valor",       "threshold": null, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "ESTATISTICA",        "label_modelo": "ESTATISTICA",               "fonte": "regex_percentual",  "threshold": null, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "LEI_NORMA",          "label_modelo": "LEI_NORMA",                 "fonte": "regex_lei_norma",   "threshold": null, "papel_padrao": "fonte_ou_evidencia"},
+    {"tipo_pt": "PROCESSO_JUDICIAL_REGEX", "label_modelo": "PROCESSO_JUDICIAL",    "fonte": "regex_processo",    "threshold": null, "papel_padrao": "fonte_ou_evidencia"}
+  ],
+  "papeis": {
+    "mencao": "A entidade é mencionada no conteúdo da nota como objeto da discussão.",
+    "fonte_ou_evidencia": "A entidade é citada como fonte ou evidência (URLs, leis, datas, valores, veículos de mídia, processos)."
+  },
+  "canonicalizacao": {
+    "estrategia": "normalização (lowercase + unidecode + colapso de whitespace) + lookup em dicionários YAML editáveis para programas públicos, órgãos e partidos",
+    "exemplos_programas": ["Bolsa Família", "Auxílio Brasil", "SUS", "Prouni", "Fies", "Minha Casa Minha Vida", "CadÚnico", "Novo PAC", "Farmácia Popular", "Auxílio Emergencial", "Vale-Gás", "Pé-de-Meia"],
+    "exemplos_orgaos": ["STF", "TSE", "STJ", "MPF", "PGR", "PF", "PRF", "IBGE", "Ipea", "Anvisa", "INSS", "TCU"]
+  }
+}

topic_metadata.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:23d43896963642ac9c5bee0cc2e3d9ef5ec2172257a802c147bcf7ffd11d8830
+size 70202