Datasets:
File size: 87,726 Bytes
6d9b464 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 | {
"cells": [
{
"cell_type": "markdown",
"id": "f21f724c",
"metadata": {
"id": "f21f724c"
},
"source": [
"# Pipeline de Classificação de Utilidade do Community Notes\n",
"\n",
"Este notebook implementa um pipeline completo de Machine Learning para avaliar e prever a utilidade das notas da comunidade (Community Notes) do X.\n",
"\n",
"### 🎯 Objetivo e Abordagem\n",
"O objetivo principal é modelar e prever o que torna uma nota \"útil\" (helpful) aos olhos da comunidade bipartidária. Para lidar com as complexidades da moderação coletiva, o problema é dividido em duas frentes de modelagem:\n",
"- **Modelo A (Helpful vs Not Helpful):** Avalia apenas as notas que já obtiveram consenso da comunidade, prevendo sua eficácia.\n",
"- **Modelo B (Publicada vs Não Publicada):** Avalia a base inteira, tentando prever se uma nota recém-criada chegará a ser publicada ou ficará retida por falta de avaliações.\n",
"\n",
"### 🏗️ Arquitetura do Pipeline\n",
"1. **Construção da Base Canônica:** Download de bases externas (notas, tweets, históricos) e consolidação usando consultas SQL via `DuckDB` para criar uma tabela mestra limpa, preservando um histórico único e atualizado por nota.\n",
"2. **Harmonização de Rótulos:** Tradução dos status internos do algoritmo (ex: `CURRENTLY_RATED_HELPFUL`, `NEEDS_MORE_RATINGS`) para classes binárias consistentes para treino e uma classe `uncertain` para inferência e moderação.\n",
"3. **Engenharia de Features:** Abordagem híbrida que combina:\n",
" - **Métricas estruturais:** Contagem de palavras, caracteres, URLs, pontuação.\n",
" - **Marcadores sintáticos/semânticos:** Expressões notariais (\"é falso\"), palavras de opinião, menção a figuras políticas ou institucionais.\n",
" - **Representação esparsa (TF-IDF):** Vetorização de unigramas e bigramas do texto das notas (e opcionalmente dos tweets contextuais).\n",
"4. **Treinamento e Validação:** Modelos baseados em **Regressão Logística**, escolhidos por sua estabilidade e alta interpretabilidade. A avaliação é feita via **GroupKFold (5-fold)**, agrupando pelo `tweet_id` para evitar vazamento do mesmo assunto entre treino e teste. Múltiplas métricas (ROC-AUC, PR-AUC, MCC) reportam a performance considerando seus intervalos de variância.\n",
"5. **Scoring Preditivo:** O pipeline finaliza rankeando as notas atualmente com status indeterminado (`uncertain`), gerando uma fila de atenção útil para direcionar o trabalho humano em notas promissoras."
]
},
{
"cell_type": "markdown",
"id": "52e09309",
"metadata": {
"id": "52e09309"
},
"source": [
"### 📥 Download e Extração dos Dados\n",
"Nesta etapa, o código faz o download dos arquivos de dados diretamente do Google Drive utilizando a biblioteca `gdown`. Em seguida, os arquivos ZIP são extraídos para a pasta `data/` e os arquivos compactados originais são excluídos para liberar espaço."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "42857786",
"metadata": {
"colab": {},
"id": "42857786"
},
"outputs": [],
"source": [
"import gdown\n",
"import os\n",
"import zipfile\n",
"\n",
"# 1. Cria a pasta 'data' caso ela não exista\n",
"os.makedirs('data', exist_ok=True)\n",
"\n",
"# 2. Lista de IDs atualizada\n",
"file_ids = [\n",
" \"1LiaXkZpLygZqukdiz9TXZVafMgge4Ha7\",\n",
" \"1w0NID67J8u7eT10YSW3RnOcUhggt5Jco\",\n",
" \"1rEl1NEaoFPF-UZ8uiP529ViDsWpHvYgq\",\n",
" \"1yrsPPH3iFEtOypZs3-dMiSzH0Ecx2jLP\"\n",
"]\n",
"\n",
"# 3. Executa o download, extração e limpeza\n",
"for file_id in file_ids:\n",
" url = f'https://drive.google.com/uc?id={file_id}'\n",
"\n",
" # O gdown retorna o caminho completo do arquivo baixado\n",
" downloaded_file = gdown.download(url, output=\"data/\", quiet=False, fuzzy=True)\n",
"\n",
" # Verifica se o arquivo baixado é um ZIP antes de tentar extrair\n",
" if downloaded_file.endswith('.zip'):\n",
" print(f\"Descompactando: {downloaded_file}...\")\n",
"\n",
" try:\n",
" with zipfile.ZipFile(downloaded_file, 'r') as zip_ref:\n",
" # Extrai o conteúdo dentro da pasta 'data'\n",
" zip_ref.extractall(\"data/\")\n",
"\n",
" # 4. Apaga o arquivo ZIP original após a extração bem-sucedida\n",
" os.remove(downloaded_file)\n",
" print(f\"Arquivo ZIP removido: {downloaded_file}\")\n",
"\n",
" except zipfile.BadZipFile:\n",
" print(f\"Erro: O arquivo {downloaded_file} não parece ser um ZIP válido.\")\n",
"\n",
"print(\"\\nProcesso concluído! Apenas os arquivos descompactados estão na pasta 'data'.\")"
]
},
{
"cell_type": "markdown",
"id": "1b58f8d7",
"metadata": {
"id": "1b58f8d7"
},
"source": [
"### 📂 Visualização da Estrutura de Diretórios\n",
"Para garantir que os arquivos foram baixados e extraídos corretamente, este bloco de código cria e exibe uma árvore visual de pastas e arquivos contidos no diretório `/content/data`."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "96e99db2",
"metadata": {
"colab": {},
"id": "96e99db2"
},
"outputs": [],
"source": [
"from pathlib import Path\n",
"\n",
"def imprimir_arvore(diretorio, nivel_maximo=2, prefixo='', nivel_atual=0):\n",
" \"\"\"Imprime a estrutura de diretórios usando caracteres Unicode.\"\"\"\n",
" if nivel_atual > nivel_maximo:\n",
" return\n",
"\n",
" caminho = Path(diretorio)\n",
"\n",
" # Se for a raiz da chamada, imprime o nome da pasta principal\n",
" if nivel_atual == 0:\n",
" print(f\"📂 {caminho.name or diretorio}\")\n",
"\n",
" if not caminho.exists() or not caminho.is_dir():\n",
" print(f\"A pasta '{diretorio}' não foi encontrada.\")\n",
" return\n",
"\n",
" # Lista o conteúdo e organiza (pastas primeiro, depois arquivos)\n",
" itens = sorted(caminho.iterdir(), key=lambda x: (x.is_file(), x.name.lower()))\n",
"\n",
" for i, item in enumerate(itens):\n",
" eh_ultimo = i == len(itens) - 1\n",
" conector = '└── ' if eh_ultimo else '├── '\n",
" icone = '📄 ' if item.is_file() else '📂 '\n",
"\n",
" print(f\"{prefixo}{conector}{icone}{item.name}\")\n",
"\n",
" if item.is_dir():\n",
" extensao = ' ' if eh_ultimo else '│ '\n",
" imprimir_arvore(item, nivel_maximo, prefixo + extensao, nivel_atual + 1)\n",
"\n",
"# Aponta para a pasta da sessão.\n",
"caminho_alvo = '/content/data'\n",
"\n",
"# Aumentei o nível máximo para 2 para garantir que ele mostre o que tem dentro das subpastas, se houver\n",
"imprimir_arvore(caminho_alvo, nivel_maximo=2)"
]
},
{
"cell_type": "markdown",
"id": "a6d934bc",
"metadata": {
"id": "a6d934bc"
},
"source": [
"### 🗺️ Mapeamento de Relações entre as Tabelas\n",
"\n",
"O código abaixo lê os arquivos de dados (`.parquet`), extrai suas colunas e utiliza a biblioteca `graphviz` para desenhar um diagrama visual. Tabelas que possuem colunas-chave em comum (como IDs) serão conectadas, facilitando a visualização da arquitetura dos seus dados."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "8129d783",
"metadata": {
"colab": {},
"id": "8129d783"
},
"outputs": [],
"source": [
"import pandas as pd\n",
"from pathlib import Path\n",
"from IPython.display import display, HTML\n",
"import json\n",
"\n",
"def gerar_diagrama_interativo(diretorio_base):\n",
" caminho = Path(diretorio_base)\n",
" # Busca tanto arquivos Parquet quanto CSV\n",
" arquivos = list(caminho.rglob('*.parquet')) + list(caminho.rglob('*.csv'))\n",
"\n",
" schemas = {}\n",
" print(\"Lendo esquemas das tabelas (Parquet e CSV)...\")\n",
" for f in arquivos:\n",
" if 'parts' in f.parent.name:\n",
" nome = f\"{f.parent.parent.name}/{f.parent.name}\" if f.parent.parent.name != 'data' else f.parent.name\n",
" else:\n",
" nome = f\"{f.parent.name}/{f.name}\" if f.parent.name != 'data' else f.name\n",
"\n",
" if nome in schemas:\n",
" continue\n",
" try:\n",
" # Trata leitura dependendo da extensão\n",
" if f.suffix == '.csv':\n",
" df = pd.read_csv(f, nrows=0) # Lê apenas o cabeçalho para ser mais rápido\n",
" else:\n",
" df = pd.read_parquet(f)\n",
" schemas[nome] = list(df.columns)\n",
" except Exception as e:\n",
" print(f\" Ignorando {f.name}: {e}\")\n",
"\n",
" # Monta nodes e edges para vis.js\n",
" nodes = []\n",
" edges = []\n",
" tabelas = list(schemas.keys())\n",
"\n",
" # Paleta de cores por prefixo/pasta\n",
" paleta = [\"#4e79a7\",\"#f28e2b\",\"#e15759\",\"#76b7b2\",\"#59a14f\",\n",
" \"#edc948\",\"#b07aa1\",\"#ff9da7\",\"#9c755f\",\"#bab0ac\"]\n",
" grupos = {}\n",
" cor_idx = 0\n",
" for t in tabelas:\n",
" prefixo = t.split('/')[0]\n",
" if prefixo not in grupos:\n",
" grupos[prefixo] = paleta[cor_idx % len(paleta)]\n",
" cor_idx += 1\n",
" # Label: remove a extensão .parquet ou .csv para ficar mais limpo\n",
" label = t.split('/')[-1].replace('.parquet', '').replace('.csv', '')\n",
" # Tooltip mostra todas as colunas\n",
" title = f\"<b>{t}</b><br>\" + \"<br>\".join(schemas[t])\n",
" nodes.append({\"id\": t, \"label\": label, \"title\": title,\n",
" \"color\": {\"background\": grupos[prefixo],\n",
" \"border\": \"#333\",\n",
" \"highlight\": {\"background\": \"#fff176\", \"border\": \"#f57f17\"}},\n",
" \"font\": {\"color\": \"#ffffff\", \"size\": 14, \"bold\": True},\n",
" \"shape\": \"box\", \"margin\": 10, \"shadow\": True})\n",
"\n",
" conexoes_feitas = set()\n",
" for i in range(len(tabelas)):\n",
" for j in range(i + 1, len(tabelas)):\n",
" t1, t2 = tabelas[i], tabelas[j]\n",
" cols_comuns = set(schemas[t1]) & set(schemas[t2])\n",
" chaves = [c for c in cols_comuns\n",
" if 'id' in c.lower() or c.lower() in ['topic','topico','language','idioma']]\n",
" if chaves:\n",
" par = tuple(sorted([t1, t2]))\n",
" if par not in conexoes_feitas:\n",
" edges.append({\"from\": t1, \"to\": t2,\n",
" \"label\": \"\\n\".join(chaves),\n",
" \"font\": {\"size\": 11, \"align\": \"middle\", \"color\": \"#bbb\"},\n",
" \"color\": {\"color\": \"#aaa\", \"highlight\": \"#f57f17\"},\n",
" \"width\": 1.5, \"smooth\": {\"type\": \"curvedCW\", \"roundness\": 0.1}})\n",
" conexoes_feitas.add(par)\n",
"\n",
" nodes_json = json.dumps(nodes)\n",
" edges_json = json.dumps(edges)\n",
"\n",
" html = f\"\"\"\n",
" <div id=\"network-container\" style=\"width:100%;height:680px;border:1px solid #ddd;border-radius:8px;background:#444444;\"></div>\n",
" <div style=\"margin-top:8px;font-size:12px;color:#888;\">\n",
" 🖱️ Arraste para mover • Scroll para zoom • Clique num nó para ver colunas •\n",
" <button onclick=\"network.fit()\" style=\"font-size:11px;padding:2px 8px;cursor:pointer\">Centralizar</button>\n",
" </div>\n",
" <script src=\"https://cdnjs.cloudflare.com/ajax/libs/vis/4.21.0/vis.min.js\"></script>\n",
" <link rel=\"stylesheet\" href=\"https://cdnjs.cloudflare.com/ajax/libs/vis/4.21.0/vis.min.css\"/>\n",
" <script>\n",
" var nodes = new vis.DataSet({nodes_json});\n",
" var edges = new vis.DataSet({edges_json});\n",
" var container = document.getElementById('network-container');\n",
" var options = {{\n",
" physics: {{\n",
" enabled: true,\n",
" solver: 'forceAtlas2Based',\n",
" forceAtlas2Based: {{ gravitationalConstant: -80, centralGravity: 0.005, springLength: 180, springConstant: 0.08 }},\n",
" stabilization: {{ iterations: 200 }}\n",
" }},\n",
" interaction: {{ hover: true, tooltipDelay: 100, navigationButtons: true, keyboard: true }},\n",
" nodes: {{ borderWidth: 1.5, borderWidthSelected: 3 }},\n",
" edges: {{ arrows: {{ to: {{ enabled: false }} }}, selectionWidth: 3 }},\n",
" layout: {{ improvedLayout: true }}\n",
" }};\n",
" var network = new vis.Network(container, {{nodes: nodes, edges: edges}}, options);\n",
" network.on(\"click\", function(params) {{\n",
" if (params.nodes.length > 0) {{\n",
" var node = nodes.get(params.nodes[0]);\n",
" // tooltip já mostra as colunas via hover\n",
" }}\n",
" }});\n",
" </script>\n",
" \"\"\"\n",
" return HTML(html)\n",
"\n",
"diagrama = gerar_diagrama_interativo('/content/data')\n",
"display(diagrama)\n"
]
},
{
"cell_type": "markdown",
"id": "c46b75b7",
"metadata": {
"id": "c46b75b7"
},
"source": [
"### 🧹 Preparando o Dataset: Limpeza de Ruídos\n",
"\n",
"Se fôssemos publicar estes dados como um dataset final (por exemplo, no **Hugging Face**), seria ideal entregar apenas o essencial para o usuário final. Durante nosso fluxo de trabalho, acabamos acumulando arquivos que são úteis só para as etapas intermediárias.\n",
"\n",
"Para deixar a casa limpa, vamos remover:\n",
"1. **Arquivos Intermediários:** Como tabelas pré-processadas (`notas_pt`, `notas_com_idioma`, etc.) que já foram consolidadas na tabela final `notas_com_topicos_v3`.\n",
"2. **Formatos Duplicados:** O arquivo `topic_metadata_marco_mini.csv`, já que temos a versão `.parquet` (que é mais leve e rápida).\n",
"3. **Tabelas Duplicadas:** Os tweets hidratados e erros que ficaram copiados dentro da pasta `output_pt_v4`.\n",
"4. **Arquivos de Controle:** Checkpoints de hidratação (`.json`) que são específicos do momento da coleta."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "0e3f8270",
"metadata": {
"colab": {},
"id": "0e3f8270"
},
"outputs": [],
"source": [
"from pathlib import Path\n",
"\n",
"# Lista dos arquivos considerados ruído/intermediários\n",
"arquivos_para_remover = [\n",
" \"data/topic_metadata_marco_mini.csv\", # Formato duplicado (já existe o parquet)\n",
" \"data/hydration_checkpoint.json\", # Arquivo de controle/estado interno\n",
" \"data/output_pt_v4/hydration_checkpoint.json\",\n",
" \"data/output_pt_v4/amostra_validacao_pt.csv\",\n",
" \"data/output_pt_v4/community_notes_pt_final.parquet\", # Etapa intermediária\n",
" \"data/output_pt_v4/notas_com_idioma.parquet\", # Etapa intermediária\n",
" \"data/output_pt_v4/notas_pt.parquet\", # Etapa intermediária\n",
" \"data/output_pt_v4/notes_projected_dedup.parquet\", # Etapa intermediária\n",
" \"data/output_pt_v4/status_pt_latest.parquet\", # Etapa intermediária\n",
" \"data/output_pt_v4/tweets_erros.parquet\", # Cópia (já está na raiz 'data/')\n",
" \"data/output_pt_v4/tweets_hidratados.parquet\" # Cópia (já está na raiz 'data/')\n",
"]\n",
"\n",
"print(\"Iniciando a limpeza dos arquivos...\\n\")\n",
"\n",
"for caminho in arquivos_para_remover:\n",
" arquivo = Path(caminho)\n",
" if arquivo.exists():\n",
" arquivo.unlink()\n",
" print(f\"🗑️ Removido: {caminho}\")\n",
" else:\n",
" print(f\"⚠️ Não encontrado (já removido?): {caminho}\")\n",
"\n",
"print(\"\\n✨ Limpeza concluída! Sua base de dados agora contém apenas o essencial.\")"
]
},
{
"cell_type": "markdown",
"id": "c255837c",
"metadata": {
"id": "c255837c"
},
"source": [
"### 🔍 Análise de Esquemas e Redundâncias (Arquivos Parquet)\n",
"Este código lê os metadados dos arquivos `.parquet` armazenados na pasta `community_notes_ptbr`. Ele lista as colunas de cada arquivo e verifica quais colunas estão presentes em mais de uma tabela, ajudando a identificar chaves de cruzamento (joins) e dados redundantes."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "bc1f5e8f",
"metadata": {
"colab": {},
"id": "bc1f5e8f"
},
"outputs": [],
"source": [
"import pandas as pd\n",
"from pathlib import Path\n",
"\n",
"caminho_ptbr = Path('/content/data/community_notes_ptbr')\n",
"# Focando apenas nos arquivos .parquet por serem mais rápidos e conterem os mesmos dados dos .tsv\n",
"arquivos_parquet = list(caminho_ptbr.glob('*.parquet'))\n",
"\n",
"schemas = {}\n",
"print(\"📊 Analisando as tabelas em 'community_notes_ptbr':\\n\")\n",
"\n",
"for f in arquivos_parquet:\n",
" try:\n",
" # Lê o parquet. O pandas otimiza a leitura de metadados quando não precisamos processar tudo de uma vez.\n",
" df = pd.read_parquet(f)\n",
" schemas[f.name] = set(df.columns)\n",
" print(f\"🔹 {f.name} ({len(df.columns)} colunas, {len(df)} linhas):\")\n",
" print(f\" {list(df.columns)}\\n\")\n",
" except Exception as e:\n",
" print(f\"Erro ao ler {f.name}: {e}\")\n",
"\n",
"print(\"-\" * 60)\n",
"print(\"🔄 Colunas em comum (Redundâncias ou Chaves de Join):\\n\")\n",
"tabelas = list(schemas.keys())\n",
"for i in range(len(tabelas)):\n",
" for j in range(i + 1, len(tabelas)):\n",
" t1, t2 = tabelas[i], tabelas[j]\n",
" comuns = schemas[t1].intersection(schemas[t2])\n",
" if comuns:\n",
" print(f\"📌 {t1} <--> {t2}\\n Colunas repetidas: {list(comuns)}\\n\")"
]
},
{
"cell_type": "markdown",
"id": "749b1b08",
"metadata": {
"id": "749b1b08"
},
"source": [
"### 🗑️ Limpeza de Arquivos TSV Redundantes\n",
"Como já temos os arquivos em formato Parquet (que são mais eficientes e contêm a mesma informação), este bloco remove os arquivos `.tsv` correspondentes para simplificar o nosso diretório e o diagrama de relações."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "54bddf1f",
"metadata": {
"colab": {},
"id": "54bddf1f"
},
"outputs": [],
"source": [
"from pathlib import Path\n",
"from IPython.display import display\n",
"\n",
"caminho_ptbr = Path('/content/data/community_notes_ptbr')\n",
"\n",
"# 1. Lista todos os .tsv (redundantes)\n",
"arquivos_para_remover = list(caminho_ptbr.glob('*.tsv'))\n",
"\n",
"print(\"🧹 Iniciando a limpeza para simplificar o diagrama...\\n\")\n",
"\n",
"for arquivo in arquivos_para_remover:\n",
" if arquivo.exists():\n",
" arquivo.unlink()\n",
" print(f\"🗑️ Removido: {arquivo.name}\")\n",
"\n",
"print(\"\\n✨ Limpeza concluída! Gerando o novo diagrama...\")"
]
},
{
"cell_type": "markdown",
"id": "4bf4d177",
"metadata": {
"id": "4bf4d177"
},
"source": [
"### 🗺️ Visão Final do Modelo de Dados\n",
"\n",
"Agora que removemos o ruído, vamos visualizar novamente as relações das tabelas para ver como ficou a estrutura final do dataset:"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "839cb7a6",
"metadata": {
"colab": {},
"id": "839cb7a6"
},
"outputs": [],
"source": [
"# Gera novamente o diagrama para visualizar a estrutura final e limpa do dataset\n",
"diagrama_final = gerar_diagrama_interativo('/content/data')\n",
"display(diagrama_final)"
]
},
{
"cell_type": "markdown",
"id": "23ea848c",
"metadata": {
"id": "23ea848c"
},
"source": [
"### ⚙️ Configuração Inicial, Imports e Utilitários\n",
"\n",
"Imports e caminhos. Mantidos quase idênticos à v2 — o que muda aqui é apenas a adição de\n",
"`GroupKFold` e `matthews_corrcoef` ao conjunto de imports."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "5fd9ea60",
"metadata": {
"colab": {},
"id": "5fd9ea60"
},
"outputs": [],
"source": [
"# Se faltar alguma dependência:\n",
"# !pip -q install duckdb pyarrow scikit-learn seaborn\n",
"\n",
"import re\n",
"import warnings\n",
"from pathlib import Path\n",
"\n",
"import duckdb\n",
"import numpy as np\n",
"import pandas as pd\n",
"import matplotlib.pyplot as plt\n",
"import seaborn as sns\n",
"\n",
"from IPython.display import display\n",
"from sklearn.model_selection import GroupKFold, GroupShuffleSplit\n",
"from sklearn.compose import ColumnTransformer\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"from sklearn.impute import SimpleImputer\n",
"from sklearn.linear_model import LogisticRegression\n",
"from sklearn.metrics import (\n",
" classification_report, ConfusionMatrixDisplay,\n",
" roc_auc_score, average_precision_score, f1_score,\n",
" balanced_accuracy_score, matthews_corrcoef\n",
")\n",
"from sklearn.pipeline import Pipeline\n",
"from sklearn.preprocessing import OneHotEncoder\n",
"from sklearn.inspection import permutation_importance\n",
"\n",
"warnings.filterwarnings(\"ignore\")\n",
"pd.set_option(\"display.max_columns\", 200)\n",
"sns.set_theme(style=\"whitegrid\")\n",
"\n",
"# ---------- caminhos ----------\n",
"DATA_DIR = Path(\"/content/data\")\n",
"PATH_NOTAS = DATA_DIR / \"notas_com_topicos_v3.parquet\"\n",
"PATH_TWEETS = DATA_DIR / \"tweets_hidratados.parquet\"\n",
"PATH_SCORED = DATA_DIR / \"community_notes_ptbr\" / \"FINAL_scored_notes.parquet\"\n",
"PATH_STATUS_HISTORY = DATA_DIR / \"community_notes_ptbr\" / \"FINAL_note_status_history.parquet\"\n",
"\n",
"STRICT_REQUIRE_STATUS_TIME = True\n",
"\n",
"# ---------- utilitários ----------\n",
"def parquet_sql(path: Path) -> str:\n",
" return f\"read_parquet('{path.as_posix()}')\"\n",
"\n",
"def describe_parquet(path: Path) -> pd.DataFrame:\n",
" return duckdb.query(f\"DESCRIBE SELECT * FROM {parquet_sql(path)}\").df()\n",
"\n",
"def get_columns(path: Path):\n",
" return describe_parquet(path)[\"column_name\"].tolist()\n",
"\n",
"def choose_first(existing_cols, candidates, default=None):\n",
" for c in candidates:\n",
" if c in existing_cols:\n",
" return c\n",
" return default\n",
"\n",
"def qid(col: str) -> str:\n",
" return '\"' + str(col).replace('\"', '\"\"') + '\"'\n",
"\n",
"def infer_topic_columns(cols):\n",
" keep = []\n",
" for c in cols:\n",
" cl = c.lower()\n",
" if any(k in cl for k in [\"macrotheme\", \"macro_theme\", \"macrotheme_label\", \"macro\", \"topico\", \"topic\", \"categoria\", \"contexto\"]):\n",
" keep.append(c)\n",
" return list(dict.fromkeys(keep))\n",
"\n",
"def choose_theme_column(cols):\n",
" preferred = [\n",
" \"macrotheme_label\", \"macrotheme\", \"macro_theme\",\n",
" \"categoria_ampla\", \"topic_name\", \"topic\",\n",
" ]\n",
" lower_map = {c.lower(): c for c in cols}\n",
" for p in preferred:\n",
" if p in lower_map:\n",
" return lower_map[p]\n",
" return None\n",
"\n",
"print(\"Arquivos esperados:\")\n",
"for p in [PATH_NOTAS, PATH_TWEETS, PATH_SCORED, PATH_STATUS_HISTORY]:\n",
" print(\" -\", p, \"| existe?\", p.exists())"
]
},
{
"cell_type": "markdown",
"id": "60bc309b",
"metadata": {
"id": "60bc309b"
},
"source": [
"### 1️⃣ Auditoria Rápida e Status Final Canônico\n",
"O código utiliza SQL via DuckDB para inspecionar as tabelas e extrair o status mais recente de cada nota a partir do histórico (`FINAL_note_status_history.parquet`), garantindo que teremos apenas 1 linha atualizada por `noteId`."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "8f9fa700",
"metadata": {
"colab": {},
"id": "8f9fa700"
},
"outputs": [],
"source": [
"# 1) Auditoria rápida + status final canônico\n",
"\n",
"for p in [PATH_NOTAS, PATH_TWEETS, PATH_SCORED, PATH_STATUS_HISTORY]:\n",
" print(f\"\\n=== {p.name} ===\")\n",
" display(describe_parquet(p).head(20))\n",
"\n",
"status_cols = get_columns(PATH_STATUS_HISTORY)\n",
"status_time_col = choose_first(\n",
" status_cols,\n",
" [\"timestampMillisOfStatus\", \"createdAtMillis\", \"updatedAtMillis\", \"timestampMillis\", \"created_at\", \"updated_at\"]\n",
")\n",
"\n",
"print(\"\\nColuna temporal escolhida no histórico:\", status_time_col)\n",
"\n",
"if status_time_col is None and STRICT_REQUIRE_STATUS_TIME:\n",
" raise ValueError(\n",
" \"Não foi possível identificar coluna temporal em FINAL_note_status_history. \"\n",
" \"Revise manualmente essa tabela antes de construir o status final.\"\n",
" )\n",
"\n",
"if status_time_col is not None:\n",
" query_status_final = f\"\"\"\n",
" WITH ranked AS (\n",
" SELECT\n",
" *,\n",
" ROW_NUMBER() OVER (\n",
" PARTITION BY CAST(noteId AS VARCHAR)\n",
" ORDER BY {qid(status_time_col)} DESC NULLS LAST\n",
" ) AS rn\n",
" FROM {parquet_sql(PATH_STATUS_HISTORY)}\n",
" )\n",
" SELECT\n",
" CAST(noteId AS VARCHAR) AS noteId,\n",
" currentStatus AS status_comunidade,\n",
" {qid(status_time_col)} AS status_timestamp\n",
" FROM ranked\n",
" WHERE rn = 1\n",
" \"\"\"\n",
"else:\n",
" # fallback opcional e explicitamente inseguro\n",
" query_status_final = f\"\"\"\n",
" SELECT\n",
" CAST(noteId AS VARCHAR) AS noteId,\n",
" ANY_VALUE(currentStatus) AS status_comunidade,\n",
" NULL AS status_timestamp\n",
" FROM {parquet_sql(PATH_STATUS_HISTORY)}\n",
" GROUP BY 1\n",
" \"\"\"\n",
"\n",
"df_status_final = duckdb.query(query_status_final).df()\n",
"print(\"\\nStatus final canônico:\")\n",
"display(df_status_final.head())\n",
"print(\"Linhas:\", len(df_status_final), \"| noteIds únicos:\", df_status_final[\"noteId\"].nunique())\n",
"assert len(df_status_final) == df_status_final[\"noteId\"].nunique(), \"df_status_final precisa ter 1 linha por noteId.\"\n"
]
},
{
"cell_type": "markdown",
"id": "fd67d895",
"metadata": {
"id": "fd67d895"
},
"source": [
"### 2️⃣ Criação da Tabela Mestra (Canônica)\n",
"Este bloco consolida as informações realizando `LEFT JOIN`s entre as notas, os textos dos tweets (`tweets_hidratados`), os scores do algoritmo e o status atual da comunidade. O resultado é uma visão consolidada (`df_master`) onde cada `noteId` é único."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "701911b2",
"metadata": {
"colab": {},
"id": "701911b2"
},
"outputs": [],
"source": [
"# 2) Tabela mestra canônica (1 linha por nota)\n",
"\n",
"cols_notas = get_columns(PATH_NOTAS)\n",
"cols_tweets = get_columns(PATH_TWEETS)\n",
"cols_scored = get_columns(PATH_SCORED)\n",
"\n",
"note_tweet_col = choose_first(cols_notas, [\"tweet_id\", \"tweetId\"])\n",
"note_created_col = choose_first(cols_notas, [\"created_at\", \"createdAt\", \"created_at_ts\"])\n",
"note_text_col = choose_first(cols_notas, [\"summary\", \"texto_nota\", \"text\"])\n",
"\n",
"tweet_id_col = choose_first(cols_tweets, [\"tweet_id\", \"tweetId\", \"id\"])\n",
"tweet_text_col = choose_first(cols_tweets, [\"text\", \"full_text\", \"tweet_text\"])\n",
"\n",
"score_classification_col = choose_first(cols_scored, [\"classification\"])\n",
"score_intercept_col = choose_first(cols_scored, [\"coreNoteIntercept\"])\n",
"score_factor1_col = choose_first(cols_scored, [\"coreNoteFactor1\"])\n",
"\n",
"topic_cols = infer_topic_columns(cols_notas)\n",
"topic_sql = \"\\n \".join([f\"n.{qid(c)},\" for c in topic_cols])\n",
"\n",
"query_master = f\"\"\"\n",
"SELECT\n",
" CAST(n.noteId AS VARCHAR) AS noteId,\n",
" CAST(n.{qid(note_tweet_col)} AS VARCHAR) AS tweet_id,\n",
" n.{qid(note_created_col)} AS data_nota,\n",
" n.{qid(note_text_col)} AS texto_nota,\n",
" {topic_sql}\n",
" t.{qid(tweet_text_col)} AS texto_tweet,\n",
" s.{qid(score_classification_col)} AS status_algoritmo,\n",
" s.{qid(score_intercept_col)} AS qualidade_nota,\n",
" s.{qid(score_factor1_col)} AS polaridade_nota,\n",
" st.status_comunidade,\n",
" st.status_timestamp\n",
"FROM {parquet_sql(PATH_NOTAS)} n\n",
"LEFT JOIN {parquet_sql(PATH_TWEETS)} t\n",
" ON CAST(n.{qid(note_tweet_col)} AS VARCHAR) = CAST(t.{qid(tweet_id_col)} AS VARCHAR)\n",
"LEFT JOIN {parquet_sql(PATH_SCORED)} s\n",
" ON CAST(n.noteId AS VARCHAR) = CAST(s.noteId AS VARCHAR)\n",
"LEFT JOIN df_status_final st\n",
" ON CAST(n.noteId AS VARCHAR) = st.noteId\n",
"\"\"\"\n",
"\n",
"df_master = duckdb.query(query_master).df()\n",
"\n",
"print(\"Linhas totais:\", len(df_master))\n",
"print(\"noteIds únicos:\", df_master[\"noteId\"].nunique())\n",
"print(\"tweet_ids únicos:\", df_master[\"tweet_id\"].nunique())\n",
"display(df_master.head())\n",
"\n",
"assert len(df_master) == df_master[\"noteId\"].nunique(), \"A tabela mestra deveria ter 1 linha por noteId.\"\n",
"\n",
"print(\"\\nCobertura dos joins:\")\n",
"for col in [\"texto_tweet\", \"qualidade_nota\", \"polaridade_nota\", \"status_comunidade\", \"status_algoritmo\"]:\n",
" miss = df_master[col].isna().mean() if col in df_master.columns else np.nan\n",
" print(f\" - {col}: missing={miss:.2%}\")\n"
]
},
{
"cell_type": "markdown",
"id": "e0b97a26",
"metadata": {
"id": "e0b97a26"
},
"source": [
"### 3️⃣ Harmonização de Status e Criação de Rótulos (Labels)\n",
"O código normaliza os diferentes textos de status da comunidade e do algoritmo em categorias padrão (ex: `CURRENTLY_RATED_HELPFUL`). Em seguida, cria rótulos (labels) binários para o treinamento do modelo de Machine Learning (`helpful` = 1, `not_helpful` = 0) e separa as notas incertas (`uncertain`)."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "201e3b57",
"metadata": {
"colab": {},
"id": "201e3b57"
},
"outputs": [],
"source": [
"# 3) Harmonização explícita de status + rótulos\n",
"\n",
"STATUS_MAP = {\n",
" \"CURRENTLY_RATED_HELPFUL\": \"CURRENTLY_RATED_HELPFUL\",\n",
" \"CURRENTLY_RATED_NOT_HELPFUL\": \"CURRENTLY_RATED_NOT_HELPFUL\",\n",
" \"NEEDS_MORE_RATINGS\": \"NEEDS_MORE_RATINGS\",\n",
" \"NEEDS_YOUR_HELP\": \"NEEDS_YOUR_HELP\",\n",
" \"HELPFUL\": \"CURRENTLY_RATED_HELPFUL\",\n",
" \"NOT_HELPFUL\": \"CURRENTLY_RATED_NOT_HELPFUL\",\n",
"}\n",
"\n",
"def normalize_status(x):\n",
" if pd.isna(x):\n",
" return np.nan\n",
" return STATUS_MAP.get(str(x).strip(), str(x).strip())\n",
"\n",
"def map_status_to_label(status):\n",
" if pd.isna(status):\n",
" return \"uncertain\"\n",
" s = str(status).strip()\n",
" if s == \"CURRENTLY_RATED_HELPFUL\":\n",
" return \"helpful\"\n",
" if s == \"CURRENTLY_RATED_NOT_HELPFUL\":\n",
" return \"not_helpful\"\n",
" return \"uncertain\"\n",
"\n",
"print(\"Valores crus de status_comunidade:\")\n",
"display(df_master[\"status_comunidade\"].astype(str).value_counts(dropna=False).head(20).to_frame(\"n\"))\n",
"print(\"Valores crus de status_algoritmo:\")\n",
"display(df_master[\"status_algoritmo\"].astype(str).value_counts(dropna=False).head(20).to_frame(\"n\"))\n",
"\n",
"df_master[\"status_comunidade_norm\"] = df_master[\"status_comunidade\"].apply(normalize_status)\n",
"df_master[\"status_algoritmo_norm\"] = df_master[\"status_algoritmo\"].apply(normalize_status)\n",
"df_master[\"status_base_label\"] = df_master[\"status_comunidade_norm\"].fillna(df_master[\"status_algoritmo_norm\"])\n",
"\n",
"print(\"Valores normalizados de status_base_label:\")\n",
"display(df_master[\"status_base_label\"].astype(str).value_counts(dropna=False).head(20).to_frame(\"n\"))\n",
"\n",
"df_master[\"label_3classes\"] = df_master[\"status_base_label\"].apply(map_status_to_label)\n",
"df_master[\"label_binary_strict\"] = df_master[\"label_3classes\"].map({\"helpful\": 1, \"not_helpful\": 0})\n",
"df_master[\"label_publicacao\"] = (df_master[\"label_3classes\"] == \"helpful\").astype(int)\n",
"\n",
"print(\"Distribuição do rótulo em 3 classes:\")\n",
"display(df_master[\"label_3classes\"].value_counts(dropna=False).to_frame(\"n\"))\n",
"\n",
"fig, ax = plt.subplots(1, 2, figsize=(12, 4))\n",
"df_master[\"label_3classes\"].value_counts().plot(kind=\"bar\", ax=ax[0], title=\"Rótulo em 3 classes\")\n",
"df_master[\"label_binary_strict\"].value_counts(dropna=False).plot(kind=\"bar\", ax=ax[1], title=\"Rótulo binário estrito\")\n",
"plt.tight_layout()\n",
"plt.show()\n",
"\n",
"df_strict = df_master[df_master[\"label_binary_strict\"].notna()].copy()\n",
"df_uncertain = df_master[df_master[\"label_3classes\"] == \"uncertain\"].copy()\n",
"\n",
"print(\"Base estrita (helpful vs not_helpful):\", len(df_strict))\n",
"print(\"Base uncertain:\", len(df_uncertain))\n"
]
},
{
"cell_type": "markdown",
"id": "df3051b7",
"metadata": {
"id": "df3051b7"
},
"source": [
"### 4️⃣ Engenharia de Features\n",
"\n",
"Nesta etapa, enriquecemos os dados textuais puros extraindo variáveis (features) estruturadas e semânticas que podem ajudar os modelos a diferenciar notas úteis das não úteis.\n",
"\n",
"A abordagem de engenharia de features divide-se em:\n",
"\n",
"**1. Métricas Estruturais e Heurísticas**\n",
"* **Contagem e Tamanho:** Número de caracteres, palavras e frases na nota e no tweet original, além da razão de tamanho entre eles.\n",
"* **Presença de Elementos:** Quantidade de números, pontuações de exclamação/interrogação e links (URLs). A presença de uma URL (`tem_url`) é historicamente um preditor forte de uma nota bem avaliada, pois indica a citação de fontes.\n",
"* **Similaridade Textual:** Métricas como *Jaccard Index* e *Novelty Ratio* para medir o quanto a nota repete o texto do tweet ou traz um vocabulário novo e independente.\n",
"\n",
"**2. Marcadores Semânticos e Sintáticos**\n",
"Através de expressões regulares (Regex), identificamos a presença de famílias de palavras que sinalizam a \"intenção\" ou o tom da nota. Estas features extraídas manualmente funcionam como um excelente **baseline interpretável**:\n",
"* **`menciona_opiniao`:** Notas que focam na palavra \"opinião\" (ex: \"é a opinião do autor\") tendem a ser mal avaliadas, pois as diretrizes do Community Notes não incentivam notas apenas para discordar de pontos de vista.\n",
"* **`nota_desnecessaria`:** Marcadores de que o autor da nota acha que o tweet original não precisa de contexto (ex: \"nenhuma nota é necessária\").\n",
"* **`abre_notarial`:** Frases de correção direta, objetiva e afirmativa (ex: \"é falso\", \"na verdade\", \"diferentemente\"). Apresentam alta correlação empírica com notas avaliadas como úteis.\n",
"* **`menciona_figura_polit` / `menciona_instituicao`:** Variáveis de controle temático, observando se a nota cita entidades ou políticos específicos, o que costuma alterar o padrão de polarização nas avaliações.\n",
"* **`tem_evidencia`:** Termos que introduzem dados e embasamento (ex: \"segundo o estudo\", \"conforme dados\", \"de acordo com\").\n",
"\n",
"*Nota: O vetor TF-IDF (vetorização esparsa dos unigramas e bigramas do texto em si) será construído posteriormente dentro da configuração do Pipeline do scikit-learn. As features tabulares construídas aqui complementam a matriz.*\n",
"\n",
"> Todas as features tabulares são calculadas e adicionadas ao corpus inteiro (`df_master`). A separação entre Modelo A (recorte estrito) e Modelo B (base inteira) ocorre logo a seguir."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "c5ce4228",
"metadata": {
"colab": {},
"id": "c5ce4228"
},
"outputs": [],
"source": [
"# 4) Feature engineering v3 — revisado\n",
"\n",
"URL_RE = re.compile(r\"https?://\\S+|www\\.\\S+\", flags=re.I)\n",
"TOK_RE = re.compile(r\"\\b\\w+\\b\", flags=re.U)\n",
"\n",
"ABRE_NOTARIAL_RE = re.compile(\n",
" r\"^\\s*(é falso|nao é verdade|não é verdade|na verdade|a afirmação|\"\n",
" r\"diferentemente|ao contrário|contrariamente|mente ao dizer|\"\n",
" r\"é incorreto|não procede)\", flags=re.I)\n",
"\n",
"OPINIAO_RE = re.compile(r\"\\bopini[oõ]\", flags=re.I)\n",
"\n",
"NOTA_DESNEC_RE = re.compile(\n",
" r\"nenhuma necessári|n[ãa]o precisa|desnecessári|sem necessidade\",\n",
" flags=re.I)\n",
"\n",
"FIGURA_POLIT_RE = re.compile(\n",
" r\"\\b(lula|bolsonaro|dilma|moraes|nikolas|trump|biden|milei|maduro|\"\n",
" r\"haddad|boulos|tarcísio|zema)\\b\", flags=re.I)\n",
"\n",
"INSTITUICAO_RE = re.compile(\n",
" r\"\\b(stf|tse|pf|pgr|abin|copom|selic|iof|bacen|cvm|anvisa|ibama|\"\n",
" r\"funai|inss|receita)\\b\", flags=re.I)\n",
"\n",
"EVIDENCE_MARKERS_V3 = [\n",
" \"segundo \", \"de acordo com\", \"conforme\", \"dados d\", \"estudo\",\n",
" \"pesquisa\", \"relatório\", \"fonte oficial\", \"levantamento\"\n",
"]\n",
"\n",
"def normalize_text(s):\n",
" return \"\" if pd.isna(s) else str(s)\n",
"\n",
"def count_urls(s):\n",
" return len(URL_RE.findall(normalize_text(s)))\n",
"\n",
"def count_hits(s, markers):\n",
" text = normalize_text(s).lower()\n",
" return sum(m in text for m in markers)\n",
"\n",
"def token_set(s):\n",
" return set(TOK_RE.findall(normalize_text(s).lower()))\n",
"\n",
"def jaccard_note_tweet(note, tweet):\n",
" a, b = token_set(note), token_set(tweet)\n",
" if not a and not b:\n",
" return 0.0\n",
" inter, union = len(a & b), len(a | b)\n",
" return inter / union if union else 0.0\n",
"\n",
"def novelty_ratio(note, tweet):\n",
" a, b = token_set(note), token_set(tweet)\n",
" if not a: return 0.0\n",
" return len(a - b) / len(a)\n",
"\n",
"def build_features(df):\n",
" out = df.copy()\n",
" out[\"texto_nota\"] = out[\"texto_nota\"].fillna(\"\").astype(str)\n",
" out[\"texto_tweet\"] = out[\"texto_tweet\"].fillna(\"\").astype(str)\n",
"\n",
" out[\"n_chars_nota\"] = out[\"texto_nota\"].str.len()\n",
" out[\"n_chars_tweet\"] = out[\"texto_tweet\"].str.len()\n",
" out[\"n_words_nota\"] = out[\"texto_nota\"].str.findall(TOK_RE).str.len()\n",
" out[\"n_words_tweet\"] = out[\"texto_tweet\"].str.findall(TOK_RE).str.len()\n",
" out[\"n_sent_nota_raw\"] = out[\"texto_nota\"].str.count(r\"[.!?]+\")\n",
" out[\"n_sent_nota\"] = out[\"n_sent_nota_raw\"].replace(0, 1)\n",
" out[\"mean_words_per_sentence\"] = out[\"n_words_nota\"] / out[\"n_sent_nota\"].replace(0, 1)\n",
" out[\"qtd_links_nota\"] = out[\"texto_nota\"].apply(count_urls)\n",
" out[\"tem_url\"] = (out[\"qtd_links_nota\"] > 0).astype(int)\n",
" out[\"qtd_numeros_nota\"] = out[\"texto_nota\"].str.count(r\"\\d\")\n",
" out[\"qtd_exclamacoes_nota\"] = out[\"texto_nota\"].str.count(\"!\")\n",
" out[\"qtd_interrogacoes_nota\"] = out[\"texto_nota\"].str.count(r\"\\?\")\n",
" out[\"ratio_nota_tweet_chars\"] = out[\"n_chars_nota\"] / out[\"n_chars_tweet\"].replace(0, 1)\n",
" out[\"jaccard_nota_tweet\"] = [jaccard_note_tweet(n, t) for n, t in zip(out[\"texto_nota\"], out[\"texto_tweet\"])]\n",
" out[\"novelty_ratio_nota\"] = [novelty_ratio(n, t) for n, t in zip(out[\"texto_nota\"], out[\"texto_tweet\"])]\n",
"\n",
" out[\"abre_notarial\"] = out[\"texto_nota\"].str.match(ABRE_NOTARIAL_RE).astype(int)\n",
" out[\"menciona_opiniao\"] = out[\"texto_nota\"].str.contains(OPINIAO_RE).astype(int)\n",
" out[\"nota_desnecessaria\"] = out[\"texto_nota\"].str.contains(NOTA_DESNEC_RE).astype(int)\n",
" out[\"menciona_figura_polit\"] = out[\"texto_nota\"].str.contains(FIGURA_POLIT_RE).astype(int)\n",
" out[\"menciona_instituicao\"] = out[\"texto_nota\"].str.contains(INSTITUICAO_RE).astype(int)\n",
" out[\"qtd_evidencia_v3\"] = out[\"texto_nota\"].apply(lambda s: count_hits(s, EVIDENCE_MARKERS_V3))\n",
" out[\"tem_evidencia_v3\"] = (out[\"qtd_evidencia_v3\"] > 0).astype(int)\n",
"\n",
" theme_col = choose_theme_column(out.columns)\n",
" out[\"tema_modelo\"] = out[theme_col].fillna(\"sem_tema\").astype(str) if theme_col else \"sem_tema\"\n",
" out[\"tema_modelo\"] = out[\"tema_modelo\"].replace({\"nan\": \"sem_tema\", \"None\": \"sem_tema\"})\n",
"\n",
" return out\n",
"\n",
"df_master_feat = build_features(df_master)\n",
"print(f\"Features geradas para {len(df_master_feat):,} notas.\")\n",
"\n",
"print(\"\\nTaxa de helpful (=1) em função de cada feature binária:\")\n",
"df_diag = df_master_feat[df_master_feat[\"label_binary_strict\"].notna()].copy()\n",
"for f in [\"tem_url\", \"abre_notarial\", \"menciona_opiniao\", \"nota_desnecessaria\",\n",
" \"menciona_figura_polit\", \"menciona_instituicao\", \"tem_evidencia_v3\"]:\n",
" g = df_diag.groupby(f)[\"label_binary_strict\"].agg([\"mean\", \"count\"]).round(3)\n",
" print(f\"\\n {f}:\")\n",
" print(g.to_string())\n",
"\n",
"df_strict = df_master_feat[df_master_feat[\"label_binary_strict\"].notna()].copy()\n",
"df_uncertain = df_master_feat[df_master_feat[\"label_3classes\"] == \"uncertain\"].copy()\n",
"\n",
"print(f\"\\nModelo A (strict): {len(df_strict):,}\")\n",
"print(f\"Base completa (Modelo B): {len(df_master_feat):,}\")\n",
"print(f\"Uncertain para scoring: {len(df_uncertain):,}\")"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "fa7fd222"
},
"source": [
"### 🎨 Visualização Didática: A Caixa de Ferramentas de Features\n",
"Este bloco gera uma representação visual de como nossas features foram divididas conceitualmente. Ele adapta a lógica de storytelling visual para mostrar as categorias de sinais preditivos que o modelo terá à disposição."
],
"id": "fa7fd222"
},
{
"cell_type": "code",
"source": [
"import matplotlib.pyplot as plt\n",
"import numpy as np\n",
"\n",
"print(\"Gerando storytelling visual das features (v3)...\")\n",
"\n",
"# -------------------------------------------------------------------\n",
"# Sete famílias de features, reorganizadas de acordo com o pipeline v3\n",
"# -------------------------------------------------------------------\n",
"# - \"Marcadores discursivos\" unifica o que antes estava partido entre\n",
"# \"Sintática\" e parte da \"Semântica\" (abre_notarial, menciona_opiniao,\n",
"# nota_desnecessaria, tem_evidencia são todos regex sobre função\n",
"# discursiva — não há sintaxe propriamente dita aqui).\n",
"# - \"Marcadores de entidade\" separa figura_politica e instituicao, que\n",
"# antes estavam misturadas com \"Metadados\".\n",
"# - \"Metadado\" agora é só tema_modelo — único campo que realmente vem\n",
"# de fora do texto.\n",
"# - \"Representação lexical\" substitui o nome ambíguo \"NLP (Matriz)\".\n",
"# - \"Operacional\" ganha destaque visual como TARGET LEAKAGE: bolha\n",
"# tracejada e mais apagada, serve como teto de referência e não deve\n",
"# ser incluída no modelo final.\n",
"#\n",
"# O tamanho da bolha é proporcional ao poder preditivo aproximado da\n",
"# família ISOLADA (sem as outras) — uma heurística para comunicar a\n",
"# hierarquia que o pipeline revela.\n",
"# -------------------------------------------------------------------\n",
"\n",
"feature_colors = {\n",
" 'Estruturais': '#E63946', # Vermelho vibrante\n",
" 'Marcadores discursivos': '#1D3557', # Azul profundo\n",
" 'Marcadores de entidade': '#2A9D8F', # Verde teal\n",
" 'Relacionais (nota↔tweet)': '#F4A261', # Laranja suave\n",
" 'Representação lexical': '#6D6875', # Roxo acinzentado\n",
" 'Metadado (tópico)': '#9D4EDD', # Roxo vivo\n",
" 'Operacional [leakage]': '#495057', # Cinza escuro\n",
"}\n",
"\n",
"content = {\n",
" 'Estruturais': ['n_chars / n_words', 'tem_url, qtd_links',\n",
" 'qtd_numeros', 'pontuação (! ?)'],\n",
" 'Marcadores discursivos': ['abre_notarial', 'menciona_opiniao',\n",
" 'nota_desnecessaria', 'tem_evidencia_v3'],\n",
" 'Marcadores de entidade': ['menciona_figura_polit', 'menciona_instituicao'],\n",
" 'Relacionais (nota↔tweet)': ['jaccard_nota_tweet', 'novelty_ratio',\n",
" 'ratio_nota_tweet_chars'],\n",
" 'Representação lexical': ['TF-IDF da nota', 'TF-IDF do tweet',\n",
" 'unigramas + bigramas'],\n",
" 'Metadado (tópico)': ['tema_modelo', '(vindo do BERTopic)'],\n",
" 'Operacional [leakage]': ['qualidade_nota', 'polaridade_nota',\n",
" '(só como teto, não usar)'],\n",
"}\n",
"\n",
"# Tamanho ≈ poder preditivo isolado da família\n",
"family_weight = {\n",
" 'Estruturais': 0.30, # dominado por tem_url\n",
" 'Marcadores discursivos': 0.24,\n",
" 'Marcadores de entidade': 0.17,\n",
" 'Relacionais (nota↔tweet)': 0.19,\n",
" 'Representação lexical': 0.32, # o mais forte entre os não-leakage\n",
" 'Metadado (tópico)': 0.22,\n",
" 'Operacional [leakage]': 0.27, # teto artificial\n",
"}\n",
"\n",
"# Ângulos espalhados uniformemente em torno do universo\n",
"angles_deg = {\n",
" 'Estruturais': 90,\n",
" 'Marcadores discursivos': 39,\n",
" 'Marcadores de entidade': 348,\n",
" 'Operacional [leakage]': 297,\n",
" 'Metadado (tópico)': 246,\n",
" 'Representação lexical': 195,\n",
" 'Relacionais (nota↔tweet)': 144,\n",
"}\n",
"\n",
"plt.style.use('seaborn-v0_8-whitegrid')\n",
"fig, ax = plt.subplots(figsize=(14, 14))\n",
"ax.set_xlim(-1.5, 1.5); ax.set_ylim(-1.5, 1.5); ax.axis('off')\n",
"\n",
"# Fundo do universo\n",
"ax.add_patch(plt.Circle((0, 0), 1.25,\n",
" facecolor='#F8F9FA', edgecolor='#CFD8DC', lw=2))\n",
"ax.text(0, 1.42, \"A Caixa de Ferramentas (Engenharia de Features — v3)\",\n",
" fontsize=22, ha='center', weight='bold', color='#2b2b2b')\n",
"ax.text(0, 1.34,\n",
" \"Tamanho da bolha ≈ poder preditivo da família isolada · \"\n",
" \"bolha tracejada = target leakage\",\n",
" fontsize=12, ha='center', color='#666666', style='italic')\n",
"ax.text(0, 0, \"Universo de\\nFeatures\\n(Sinais Preditivos)\",\n",
" fontsize=18, ha='center', va='center', weight='bold', color='#444444')\n",
"\n",
"orbit_r = 0.88\n",
"for group, angle_deg in angles_deg.items():\n",
" angle = np.deg2rad(angle_deg)\n",
" pos = (orbit_r * np.cos(angle), orbit_r * np.sin(angle))\n",
" radius = family_weight[group]\n",
" is_leakage = 'leakage' in group\n",
" color = feature_colors[group]\n",
"\n",
" ax.add_patch(plt.Circle(\n",
" pos, radius,\n",
" facecolor=color,\n",
" alpha=0.55 if is_leakage else 0.95,\n",
" edgecolor='#212529' if is_leakage else 'white',\n",
" lw=2.5,\n",
" linestyle='--' if is_leakage else '-',\n",
" ))\n",
"\n",
" # Contraste do texto — ajustado para a nova paleta\n",
" text_color = '#222222' if group in ['Relacionais (nota↔tweet)', 'Marcadores de entidade'] else 'white'\n",
"\n",
" ax.text(pos[0], pos[1] + radius * 0.45, group,\n",
" ha='center', va='center',\n",
" fontsize=12.5, weight='bold', color=text_color)\n",
" ax.text(pos[0], pos[1] - radius * 0.08,\n",
" \"\\n\".join(content[group]),\n",
" ha='center', va='top', fontsize=10, color=text_color, weight='medium')\n",
"\n",
"plt.tight_layout()\n",
"plt.show()"
],
"metadata": {
"colab": {},
"id": "WRpUi-wO94r_"
},
"id": "WRpUi-wO94r_",
"execution_count": null,
"outputs": []
},
{
"cell_type": "code",
"metadata": {
"colab": {},
"id": "29b82f44"
},
"source": [
"import matplotlib.pyplot as plt\n",
"from matplotlib.patches import FancyBboxPatch, FancyArrowPatch\n",
"import numpy as np\n",
"\n",
"print(\"Gerando fluxograma didático do pipeline v3...\")\n",
"\n",
"# -------------------------------------------------------------------\n",
"# Fluxograma em cinco colunas que acompanham a ordem REAL do código:\n",
"# 1. Entradas (dados brutos)\n",
"# 2. Transformadores (o que cada tipo vira)\n",
"# 3. Concatenação (ColumnTransformer)\n",
"# 4. Modelo (LogisticRegression)\n",
"# 5. Avaliação (GroupKFold + métricas)\n",
"#\n",
"# Três trilhas codificadas por estilo:\n",
"# - linha sólida escura = trilha \"nota apenas\" (baseline)\n",
"# - linha tracejada = adicional na trilha \"explicativa\" (tweet)\n",
"# - linha cinza tracejada = trilha \"operacional\" (target leakage)\n",
"# -------------------------------------------------------------------\n",
"\n",
"COR = {\n",
" 'nota': '#2a9d8f',\n",
" 'tweet': '#e9c46a',\n",
" 'manual': '#118AB2',\n",
" 'meta': '#7209B7',\n",
" 'leak': '#888888',\n",
" 'concat': '#264653',\n",
" 'modelo': '#e76f51',\n",
" 'eval': '#FF6B6B',\n",
" 'linha': '#555',\n",
" 'linha_pale':'#bbb',\n",
"}\n",
"\n",
"def caixa(ax, x, y, w, h, texto, sub='', cor='#fff', borda=None,\n",
" fontsize=10, ls='-', alpha=1.0, weight='normal'):\n",
" borda = borda or cor\n",
" ax.add_patch(FancyBboxPatch(\n",
" (x, y), w, h,\n",
" boxstyle=\"round,pad=0.05,rounding_size=0.12\",\n",
" facecolor=cor, edgecolor=borda, lw=1.6,\n",
" linestyle=ls, alpha=alpha))\n",
" if sub:\n",
" ax.text(x+w/2, y+h*0.62, texto, ha='center', va='center',\n",
" fontsize=fontsize, weight=weight,\n",
" color='white' if alpha > 0.7 else '#333')\n",
" ax.text(x+w/2, y+h*0.25, sub, ha='center', va='center',\n",
" fontsize=fontsize-2,\n",
" color='#e8e8e8' if alpha > 0.7 else '#555',\n",
" style='italic')\n",
" else:\n",
" ax.text(x+w/2, y+h/2, texto, ha='center', va='center',\n",
" fontsize=fontsize, weight=weight,\n",
" color='white' if alpha > 0.7 else '#333')\n",
"\n",
"def seta(ax, x1, y1, x2, y2, ls='-', cor='#555', lw=1.4, rad=0.0):\n",
" ax.add_patch(FancyArrowPatch(\n",
" (x1, y1), (x2, y2),\n",
" arrowstyle='->,head_width=0.22,head_length=0.32',\n",
" connectionstyle=f\"arc3,rad={rad}\",\n",
" color=cor, lw=lw, linestyle=ls))\n",
"\n",
"fig, ax = plt.subplots(figsize=(16, 10))\n",
"ax.set_xlim(0, 16); ax.set_ylim(0, 10); ax.axis('off')\n",
"\n",
"# Título e subtítulo\n",
"ax.text(8, 9.55, \"Pipeline v3 — da nota crua ao score de utilidade\",\n",
" ha='center', fontsize=18, weight='bold', color='#264653')\n",
"ax.text(8, 9.15,\n",
" \"Cinco etapas em sequência · trilha tracejada = não melhora acima do ruído · \"\n",
" \"trilha cinza = target leakage\",\n",
" ha='center', fontsize=10.5, color='#777', style='italic')\n",
"\n",
"# Headers das colunas\n",
"headers = [\n",
" (1.55, \"1. Entradas\", \"o que a base oferece\"),\n",
" (4.9, \"2. Transformadores\", \"como cada tipo é processado\"),\n",
" (8.5, \"3. Vetor concatenado\",\"ColumnTransformer\"),\n",
" (11.5, \"4. Modelo\", \"classificador linear\"),\n",
" (14.3, \"5. Avaliação\", \"CV + métricas\"),\n",
"]\n",
"for x, t, sub in headers:\n",
" ax.text(x, 8.55, t, ha='center', fontsize=12.5, weight='bold', color='#264653')\n",
" ax.text(x, 8.25, sub, ha='center', fontsize=9.5, color='#888', style='italic')\n",
"ax.plot([0.4, 15.6], [8.05, 8.05], color=COR['linha_pale'], lw=0.8)\n",
"\n",
"# ==================== 1. ENTRADAS ====================\n",
"caixa(ax, 0.35, 6.9, 2.4, 0.85, \"texto_nota\", \"o que o revisor escreveu\",\n",
" cor=COR['nota'], fontsize=11, weight='bold')\n",
"caixa(ax, 0.35, 5.8, 2.4, 0.85, \"texto_tweet\", \"o post corrigido (hidratado)\",\n",
" cor=COR['tweet'], fontsize=11, weight='bold', ls='--', alpha=0.9)\n",
"caixa(ax, 0.35, 4.7, 2.4, 0.85, \"tema_modelo\", \"macrotema (BERTopic)\",\n",
" cor=COR['meta'], fontsize=11, weight='bold')\n",
"caixa(ax, 0.35, 3.5, 2.4, 0.85, \"qualidade_nota\\npolaridade_nota\",\n",
" \"saídas do próprio algoritmo\",\n",
" cor=COR['leak'], fontsize=10, weight='bold', ls='--', alpha=0.9)\n",
"ax.text(1.55, 3.3, \"⚠ só como teto (leakage)\",\n",
" ha='center', fontsize=8.5, color='#888', style='italic')\n",
"\n",
"# ==================== 2. TRANSFORMADORES ====================\n",
"caixa(ax, 3.7, 7.0, 2.4, 0.75, \"TF-IDF(1-2)\", \"máx. 30k features\",\n",
" cor=COR['nota'], fontsize=11, weight='bold', alpha=0.85)\n",
"caixa(ax, 3.7, 5.9, 2.4, 0.75, \"TF-IDF(1-2)\", \"máx. 20k features\",\n",
" cor=COR['tweet'], fontsize=11, weight='bold', ls='--', alpha=0.85)\n",
"caixa(ax, 3.7, 4.5, 2.4, 1.4, \"14 regex manuais\",\n",
" \"abre_notarial · menciona_opiniao\\nnota_desnecessaria · tem_url\\nfigura_polit · instituicao · etc.\",\n",
" cor=COR['manual'], fontsize=10.5, weight='bold', alpha=0.9)\n",
"caixa(ax, 3.7, 3.5, 2.4, 0.75, \"OneHotEncoder\", \"handle_unknown=ignore\",\n",
" cor=COR['meta'], fontsize=11, weight='bold', alpha=0.85)\n",
"caixa(ax, 3.7, 2.1, 2.4, 0.75, \"SimpleImputer\", \"median\",\n",
" cor=COR['leak'], fontsize=11, weight='bold', ls='--', alpha=0.85)\n",
"\n",
"# Setas entrada → transformador\n",
"seta(ax, 2.75, 7.32, 3.7, 7.37, cor=COR['linha'])\n",
"seta(ax, 2.75, 7.10, 3.7, 5.50, cor=COR['manual'], lw=1.3, rad=-0.25)\n",
"ax.text(3.25, 6.4, \"regex\", fontsize=8.5, color=COR['manual'],\n",
" style='italic', rotation=-50, weight='bold')\n",
"seta(ax, 2.75, 6.22, 3.7, 6.27, ls='--', cor=COR['linha'])\n",
"seta(ax, 2.75, 5.12, 3.7, 3.87, cor=COR['linha'], rad=-0.2)\n",
"seta(ax, 2.75, 3.92, 3.7, 2.47, ls='--', cor=COR['leak'], rad=-0.2)\n",
"\n",
"# ==================== 3. CONCAT ====================\n",
"caixa(ax, 7.3, 3.0, 2.4, 4.3, \"\", \"\",\n",
" cor=COR['concat'], fontsize=11, weight='bold', alpha=0.92)\n",
"ax.text(8.5, 6.7, \"ColumnTransformer\", ha='center', fontsize=11.5,\n",
" weight='bold', color='white')\n",
"ax.text(8.5, 6.3, \"concatena tudo\", ha='center', fontsize=9.5,\n",
" color='#d0d0d0', style='italic')\n",
"for y, texto, c in [\n",
" (5.55, \"• TF-IDF nota\", 'white'),\n",
" (5.12, \"• TF-IDF tweet *\", '#d0d0d0'),\n",
" (4.68, \"• regex manuais\", 'white'),\n",
" (4.25, \"• tema (OHE)\", 'white'),\n",
" (3.80, \"• qual./pol. *\", '#d0d0d0'),\n",
"]:\n",
" ax.text(8.5, y, texto, ha='center', fontsize=10, color=c)\n",
"ax.text(8.5, 3.3, \"* só conforme a trilha\", ha='center', fontsize=8.5,\n",
" color='#d0d0d0', style='italic')\n",
"\n",
"# Setas transformador → concat\n",
"seta(ax, 6.1, 7.38, 7.3, 5.55, cor=COR['linha'], rad=-0.1)\n",
"seta(ax, 6.1, 6.28, 7.3, 5.12, ls='--', cor=COR['linha'], rad=-0.05)\n",
"seta(ax, 6.1, 5.20, 7.3, 4.68, cor=COR['manual'], rad=0)\n",
"seta(ax, 6.1, 3.88, 7.3, 4.25, cor=COR['linha'], rad=0.05)\n",
"seta(ax, 6.1, 2.48, 7.3, 3.80, ls='--', cor=COR['leak'], rad=0.1)\n",
"\n",
"# ==================== 4. MODELO ====================\n",
"caixa(ax, 10.3, 4.3, 2.4, 1.4, \"LogisticRegression\",\n",
" \"class_weight='balanced'\\nliblinear · max_iter=1500\",\n",
" cor=COR['modelo'], fontsize=11, weight='bold')\n",
"seta(ax, 9.7, 5.0, 10.3, 5.0, cor=COR['linha'], lw=1.8)\n",
"\n",
"# ==================== 5. AVALIAÇÃO ====================\n",
"caixa(ax, 13.1, 5.4, 2.4, 1.8, \"GroupKFold(5)\",\n",
" \"agrupa por tweet_id\\n5 folds · média ± desvio\",\n",
" cor=COR['eval'], fontsize=11, weight='bold', alpha=0.9)\n",
"caixa(ax, 13.1, 3.1, 2.4, 1.8, \"Métricas\",\n",
" \"ROC-AUC · MCC\\nPR-AUC minoritária\\nF1 · balanced_acc\",\n",
" cor=COR['eval'], fontsize=11, weight='bold', alpha=0.75)\n",
"seta(ax, 12.7, 5.2, 13.1, 6.3, cor=COR['linha'], lw=1.5, rad=0.15)\n",
"seta(ax, 12.7, 4.8, 13.1, 4.0, cor=COR['linha'], lw=1.5, rad=-0.15)\n",
"\n",
"# ==================== LEGENDA ====================\n",
"ax.plot([0.5, 1.4], [0.6, 0.6], color=COR['linha'], lw=1.8)\n",
"ax.text(1.55, 0.6, \"trilha 'nota apenas' (baseline)\",\n",
" fontsize=9.5, va='center', color='#555')\n",
"\n",
"ax.plot([5.2, 6.1], [0.6, 0.6], color=COR['linha'], lw=1.8, linestyle='--')\n",
"ax.text(6.25, 0.6, \"adicional na 'explicativa' — não melhora além da variância\",\n",
" fontsize=9.5, va='center', color='#555')\n",
"\n",
"ax.plot([0.5, 1.4], [0.2, 0.2], color=COR['leak'], lw=1.8, linestyle='--')\n",
"ax.text(1.55, 0.2, \"operacional — target leakage, só como teto\",\n",
" fontsize=9.5, va='center', color='#888')\n",
"\n",
"plt.tight_layout()\n",
"plt.show()"
],
"id": "29b82f44",
"execution_count": null,
"outputs": []
},
{
"cell_type": "markdown",
"id": "ffbd11e3",
"metadata": {
"id": "ffbd11e3"
},
"source": [
"### 5️⃣ Definição dos dois problemas e validação cruzada\n",
"\n",
"Separamos explicitamente dois problemas que, na v2, estavam misturados.\n",
"\n",
"**Modelo A — `helpful` vs `not_helpful`.** Universo: 19.843 notas que chegaram a um status\n",
"definido. Pergunta: *dado que a nota foi avaliada, a comunidade a considerou útil?* \n",
"Classe positiva: 78,3%. Este recorte é enviesado — são notas que receberam avaliações suficientes —\n",
"mas o rótulo é *informativo* (a comunidade decidiu).\n",
"\n",
"**Modelo B — `publicada` vs `não publicada`.** Universo: 142.051 notas, base inteira.\n",
"Pergunta: *essa nota vai ser publicada?* Classe positiva: ~11%. Aqui tratamos `NEEDS_MORE_RATINGS`\n",
"como \"não publicada\", o que inclui tanto notas que a comunidade não gostou quanto notas que\n",
"simplesmente não receberam avaliações — é um rótulo mais ambíguo, mas responde a uma pergunta\n",
"prática (\"vale a pena submeter?\").\n",
"\n",
"**Validação cruzada.** Em vez do `GroupShuffleSplit` único da v2, usamos `GroupKFold(5)` em ambos\n",
"os modelos. Cada métrica vira `média ± desvio` sobre os cinco folds, o que dá uma ideia honesta da\n",
"variância do estimador. O agrupamento continua sendo por `tweet_id` — evita que a mesma polêmica\n",
"apareça em treino e teste."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "1d30ea98",
"metadata": {
"colab": {},
"id": "1d30ea98"
},
"outputs": [],
"source": [
"# 5) Definição das duas trilhas + listas de features\n",
"\n",
"FEATURES_NUM_BASE = [\n",
" \"n_chars_nota\", \"n_chars_tweet\", \"n_words_nota\", \"n_words_tweet\",\n",
" \"mean_words_per_sentence\", \"qtd_links_nota\", \"tem_url\",\n",
" \"qtd_numeros_nota\", \"qtd_exclamacoes_nota\", \"qtd_interrogacoes_nota\",\n",
" \"ratio_nota_tweet_chars\", \"jaccard_nota_tweet\", \"novelty_ratio_nota\",\n",
" \"abre_notarial\", \"menciona_opiniao\", \"nota_desnecessaria\",\n",
" \"menciona_figura_polit\", \"menciona_instituicao\",\n",
" \"qtd_evidencia_v3\", \"tem_evidencia_v3\",\n",
"]\n",
"FEATURES_CAT = [\"tema_modelo\"]\n",
"FEATURES_NUM_OPERATIONAL = FEATURES_NUM_BASE + [\"qualidade_nota\", \"polaridade_nota\"]\n",
"\n",
"df_A = df_strict.copy()\n",
"y_A = df_A[\"label_binary_strict\"].astype(int)\n",
"groups_A = df_A[\"tweet_id\"].fillna(df_A[\"noteId\"]).astype(str)\n",
"\n",
"df_B = df_master_feat.copy()\n",
"y_B = df_B[\"label_publicacao\"].astype(int)\n",
"groups_B = df_B[\"tweet_id\"].fillna(df_B[\"noteId\"]).astype(str)\n",
"\n",
"print(\"Modelo A (helpful vs not_helpful):\")\n",
"print(f\" n = {len(df_A):,} classe positiva = {y_A.mean()*100:.1f}%\")\n",
"print(f\" grupos (tweets) = {groups_A.nunique():,}\")\n",
"\n",
"print(\"\\nModelo B (publicação vs não):\")\n",
"print(f\" n = {len(df_B):,} classe positiva = {y_B.mean()*100:.1f}%\")\n",
"print(f\" grupos (tweets) = {groups_B.nunique():,}\")"
]
},
{
"cell_type": "markdown",
"id": "b10f0f6c",
"metadata": {
"id": "b10f0f6c"
},
"source": [
"### 6️⃣ Pipelines\n",
"\n",
"Três trilhas, como na v2:\n",
"\n",
"- **Nota apenas** — TF-IDF(1–2) da nota + features tabulares + tema.\n",
"- **Explicativa** — adiciona TF-IDF do tweet.\n",
"- **Operacional** — adiciona `qualidade_nota` e `polaridade_nota`. Essas colunas são saídas do\n",
" próprio algoritmo de fatoração; usá-las como features é *target leakage* deliberado, para servir\n",
" como teto superior.\n",
"\n",
"Modelo clássico: regressão logística com `class_weight='balanced'` e `liblinear`. Simples, rápida\n",
"e interpretável — serve bem ao papel de baseline. Trocar por LightGBM/XGBoost numa trilha\n",
"paralela fica como melhoria possível."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "3e8a893f",
"metadata": {
"id": "3e8a893f"
},
"outputs": [],
"source": [
"# 6) Pipelines\n",
"\n",
"def make_pipeline(num_features, cat_features, include_tweet=True, tfidf_nota_feat=30000, tfidf_tweet_feat=20000):\n",
" transformers = [\n",
" (\"tfidf_nota\", TfidfVectorizer(min_df=5, ngram_range=(1, 2), max_features=tfidf_nota_feat), \"texto_nota\"),\n",
" (\"num\", SimpleImputer(strategy=\"median\"), num_features),\n",
" (\"cat\", Pipeline([\n",
" (\"imp\", SimpleImputer(strategy=\"most_frequent\")),\n",
" (\"ohe\", OneHotEncoder(handle_unknown=\"ignore\"))\n",
" ]), cat_features),\n",
" ]\n",
" if include_tweet:\n",
" transformers.insert(1, (\n",
" \"tfidf_tweet\",\n",
" TfidfVectorizer(min_df=5, ngram_range=(1, 2), max_features=tfidf_tweet_feat),\n",
" \"texto_tweet\"\n",
" ))\n",
" preprocessor = ColumnTransformer(transformers=transformers, remainder=\"drop\")\n",
" model = LogisticRegression(max_iter=1500, class_weight=\"balanced\", solver=\"liblinear\")\n",
" return Pipeline([(\"prep\", preprocessor), (\"clf\", model)])"
]
},
{
"cell_type": "markdown",
"id": "46363d21",
"metadata": {
"id": "46363d21"
},
"source": [
"### 7️⃣ Avaliação por validação cruzada (5 folds)\n",
"\n",
"Para cada trilha, rodamos `GroupKFold(5)` agrupando por `tweet_id` e reportamos:\n",
"\n",
"- **ROC-AUC** — discriminação geral.\n",
"- **PR-AUC** — discriminação com ênfase na classe positiva.\n",
"- **PR-AUC da classe minoritária** — o mesmo, mas com a classe 0 (not_helpful / não publicada)\n",
" como positiva. É o número mais importante em problemas desbalanceados: mede se o modelo\n",
" sabe identificar casos \"ruins\".\n",
"- **F1** e **balanced accuracy** — decisão binária em threshold 0,5.\n",
"- **Matthews Correlation Coefficient (MCC)** — robusto a desbalanço, vai de −1 a +1;\n",
" 0 = aleatório."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "d5d3ea45",
"metadata": {
"colab": {},
"id": "d5d3ea45"
},
"outputs": [],
"source": [
"# 7) Avaliação por 5-fold CV\n",
"\n",
"def eval_cv(pipe, X, y, groups, n_splits=5):\n",
" gkf = GroupKFold(n_splits=n_splits)\n",
" scores = {k: [] for k in [\"roc_auc\",\"pr_auc\",\"pr_auc_minoritaria\",\n",
" \"f1\",\"balanced_acc\",\"mcc\"]}\n",
" for fold, (tr, te) in enumerate(gkf.split(X, y, groups=groups), 1):\n",
" pipe.fit(X.iloc[tr], y.iloc[tr])\n",
" proba = pipe.predict_proba(X.iloc[te])[:, 1]\n",
" pred = (proba >= 0.5).astype(int)\n",
" yte = y.iloc[te]\n",
" scores[\"roc_auc\"].append(roc_auc_score(yte, proba))\n",
" scores[\"pr_auc\"].append(average_precision_score(yte, proba))\n",
" scores[\"pr_auc_minoritaria\"].append(average_precision_score(1 - yte, 1 - proba))\n",
" scores[\"f1\"].append(f1_score(yte, pred))\n",
" scores[\"balanced_acc\"].append(balanced_accuracy_score(yte, pred))\n",
" scores[\"mcc\"].append(matthews_corrcoef(yte, pred))\n",
" return scores\n",
"\n",
"def format_scores(name, scores):\n",
" linha = {\"modelo\": name}\n",
" for k, v in scores.items():\n",
" linha[f\"{k}_mean\"] = float(np.mean(v))\n",
" linha[f\"{k}_std\"] = float(np.std(v))\n",
" return linha\n",
"\n",
"def print_scores(name, scores):\n",
" print(f\"\\n=== {name} ===\")\n",
" for k, v in scores.items():\n",
" print(f\" {k:22s} {np.mean(v):.4f} (±{np.std(v):.4f})\")\n",
"\n",
"# ============================================================\n",
"# MODELO A — helpful vs not_helpful (5-fold CV)\n",
"# ============================================================\n",
"print(\"=\"*60)\n",
"print(\"MODELO A — helpful vs not_helpful\")\n",
"print(\"=\"*60)\n",
"\n",
"X_A_nota = df_A[[\"texto_nota\"] + FEATURES_NUM_BASE + FEATURES_CAT].copy()\n",
"X_A_exp = df_A[[\"texto_nota\",\"texto_tweet\"] + FEATURES_NUM_BASE + FEATURES_CAT].copy()\n",
"X_A_op = df_A[[\"texto_nota\",\"texto_tweet\"] + FEATURES_NUM_OPERATIONAL + FEATURES_CAT].copy()\n",
"X_A_op[\"qualidade_nota\"] = X_A_op[\"qualidade_nota\"].fillna(0)\n",
"X_A_op[\"polaridade_nota\"] = X_A_op[\"polaridade_nota\"].fillna(0)\n",
"\n",
"pipe_A_nota = make_pipeline(FEATURES_NUM_BASE, FEATURES_CAT, include_tweet=False)\n",
"pipe_A_exp = make_pipeline(FEATURES_NUM_BASE, FEATURES_CAT, include_tweet=True)\n",
"pipe_A_op = make_pipeline(FEATURES_NUM_OPERATIONAL, FEATURES_CAT, include_tweet=True)\n",
"\n",
"sA1 = eval_cv(pipe_A_nota, X_A_nota, y_A, groups_A)\n",
"print_scores(\"A1. Nota apenas\", sA1)\n",
"sA2 = eval_cv(pipe_A_exp, X_A_exp, y_A, groups_A)\n",
"print_scores(\"A2. Explicativa\", sA2)\n",
"sA3 = eval_cv(pipe_A_op, X_A_op, y_A, groups_A)\n",
"print_scores(\"A3. Operacional (leakage explícito)\", sA3)\n",
"\n",
"results_A = pd.DataFrame([\n",
" format_scores(\"A1. Nota apenas\", sA1),\n",
" format_scores(\"A2. Explicativa\", sA2),\n",
" format_scores(\"A3. Operacional\", sA3),\n",
"])\n",
"print(\"\\n--- Resumo Modelo A ---\")\n",
"display(results_A[[\"modelo\",\"roc_auc_mean\",\"roc_auc_std\",\n",
" \"pr_auc_minoritaria_mean\",\"pr_auc_minoritaria_std\",\n",
" \"mcc_mean\",\"mcc_std\",\"f1_mean\",\"f1_std\"]].round(4))"
]
},
{
"cell_type": "markdown",
"id": "699b2037",
"metadata": {
"id": "699b2037"
},
"source": [
"> **Leitura do Modelo A.** \n",
"> A trilha `Nota apenas` e a trilha `Explicativa` ficam dentro da mesma faixa de ROC-AUC\n",
"> (aproximadamente 0,89) — com o desvio entre folds de ±0,005, a diferença entre elas está\n",
"> dentro da variância. **O tweet não adiciona sinal discriminativo acima do ruído**, pelo menos\n",
"> com representação TF-IDF.\n",
">\n",
"> A trilha `Operacional` fica em torno de 0,998 — é a validação esperada, confirma que\n",
"> `qualidade_nota` é praticamente determinística da decisão do sistema. Serve como teto superior\n",
"> de referência, não como modelo a ser usado.\n",
">\n",
"> A PR-AUC da classe minoritária (not_helpful) é um sinal mais exigente: nas trilhas 1 e 2 fica\n",
"> em torno de 0,78. O modelo identifica notas \"ruins\" razoavelmente bem, embora não com a mesma\n",
"> confiança das \"boas\"."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "0463af82",
"metadata": {
"colab": {},
"id": "0463af82"
},
"outputs": [],
"source": [
"# ============================================================\n",
"# MODELO B — publicação vs não publicação (5-fold CV)\n",
"# ============================================================\n",
"print(\"=\"*60)\n",
"print(\"MODELO B — publicada (HELPFUL) vs não publicada\")\n",
"print(\"=\"*60)\n",
"\n",
"# Base inteira (142k). Aqui usamos só a trilha Nota apenas para economizar tempo;\n",
"# expandir para Explicativa é análogo.\n",
"X_B = df_B[[\"texto_nota\"] + FEATURES_NUM_BASE + FEATURES_CAT].copy()\n",
"\n",
"pipe_B = make_pipeline(FEATURES_NUM_BASE, FEATURES_CAT, include_tweet=False)\n",
"sB = eval_cv(pipe_B, X_B, y_B, groups_B)\n",
"print_scores(\"B. Nota apenas (base inteira, 142k)\", sB)\n",
"\n",
"results_B = pd.DataFrame([format_scores(\"B. Publicação\", sB)])\n",
"display(results_B[[\"modelo\",\"roc_auc_mean\",\"roc_auc_std\",\n",
" \"pr_auc_mean\",\"pr_auc_std\",\n",
" \"mcc_mean\",\"mcc_std\"]].round(4))"
]
},
{
"cell_type": "markdown",
"id": "120b8dcb",
"metadata": {
"id": "120b8dcb"
},
"source": [
"> **Leitura do Modelo B.** \n",
"> Com a base inteira de 142k notas e classe positiva em ~11%, o problema é radicalmente mais\n",
"> desbalanceado. A métrica a olhar é a PR-AUC. Se o modelo aprende algo, a PR-AUC deve ficar\n",
"> claramente acima do baseline de proporção (0,11). Em ROC-AUC, o número pode parecer alto\n",
"> mesmo com modelo medíocre por causa do desbalanço; é a PR-AUC que separa.\n",
">\n",
"> Mesmo quando B tem ROC-AUC elevado, é importante lembrar que **a classe 0 aqui é uma mistura**\n",
"> de \"comunidade rejeitou\" e \"comunidade ainda não avaliou\". Interpretação fica mais frágil."
]
},
{
"cell_type": "markdown",
"id": "73d219c3",
"metadata": {
"id": "73d219c3"
},
"source": [
"### 8️⃣ Importância das features tabulares\n",
"\n",
"Rodamos `permutation_importance` em um pipeline *só com features tabulares + tema* (sem TF-IDF),\n",
"porque é o regime em que o peso de cada variável manual fica interpretável. O modelo completo\n",
"usa TF-IDF e acaba dominando o sinal.\n",
"\n",
"Esperamos ver `tem_url` e `menciona_opiniao` entre as mais importantes, validando que os achados\n",
"empíricos das análises anteriores se traduzem em peso preditivo real."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "f2e43e26",
"metadata": {
"colab": {},
"id": "f2e43e26"
},
"outputs": [],
"source": [
"# 8) Importância das features tabulares (fold único, pra ser rápido)\n",
"\n",
"def evaluate_tabular_only(df, y, groups, num_features, cat_features, title):\n",
" gkf = GroupKFold(n_splits=5)\n",
" tr, te = next(gkf.split(df, y, groups=groups))\n",
"\n",
" cols = num_features + cat_features\n",
" Xtr, Xte = df.iloc[tr][cols].copy(), df.iloc[te][cols].copy()\n",
" ytr, yte = y.iloc[tr], y.iloc[te]\n",
"\n",
" prep = ColumnTransformer([\n",
" (\"num\", SimpleImputer(strategy=\"median\"), num_features),\n",
" (\"cat\", Pipeline([(\"imp\", SimpleImputer(strategy=\"most_frequent\")),\n",
" (\"ohe\", OneHotEncoder(handle_unknown=\"ignore\"))]), cat_features)\n",
" ], remainder=\"drop\")\n",
" model = Pipeline([(\"prep\", prep),\n",
" (\"clf\", LogisticRegression(max_iter=1500, class_weight=\"balanced\", solver=\"liblinear\"))])\n",
" model.fit(Xtr, ytr)\n",
" proba = model.predict_proba(Xte)[:, 1]\n",
" print(f\"{title}\")\n",
" print(f\" ROC-AUC (tabular+tema): {roc_auc_score(yte, proba):.4f}\")\n",
" print(f\" MCC: {matthews_corrcoef(yte, (proba>=0.5).astype(int)):.4f}\")\n",
"\n",
" perm = permutation_importance(model, Xte, yte, n_repeats=5, random_state=42, scoring=\"roc_auc\")\n",
" imp = pd.DataFrame({\n",
" \"feature\": cols,\n",
" \"importance_mean\": perm.importances_mean,\n",
" \"importance_std\": perm.importances_std,\n",
" }).sort_values(\"importance_mean\", ascending=False).reset_index(drop=True)\n",
" return model, imp\n",
"\n",
"tab_model, imp_df = evaluate_tabular_only(\n",
" df_A, y_A, groups_A, FEATURES_NUM_BASE, FEATURES_CAT,\n",
" \"Modelo A — só tabulares + tema (sem TF-IDF)\"\n",
")\n",
"display(imp_df.head(15))\n",
"\n",
"plt.figure(figsize=(9, 6))\n",
"top = imp_df.head(15).iloc[::-1]\n",
"plt.barh(top[\"feature\"], top[\"importance_mean\"], xerr=top[\"importance_std\"], color=\"#2a9d8f\", alpha=0.85)\n",
"plt.xlabel(\"Queda em ROC-AUC ao permutar a feature\")\n",
"plt.title(\"Importância das features tabulares (Modelo A)\\nSó tabulares + tema; sem TF-IDF\")\n",
"plt.tight_layout()\n",
"plt.show()"
]
},
{
"cell_type": "markdown",
"id": "a5b6b3aa",
"metadata": {
"id": "a5b6b3aa"
},
"source": [
"### 9️⃣ Scoring das notas `uncertain` — com aviso de extrapolação\n",
"\n",
"O modelo explicativo (A2) pode ser aplicado nas 122k notas em `NEEDS_MORE_RATINGS` para priorizar\n",
"aquelas com maior probabilidade prevista de virar \"helpful\" — útil como fila de atenção para\n",
"moderação humana.\n",
"\n",
"> **Cautela importante.** O modelo foi treinado apenas em notas que *conseguiram* ser avaliadas\n",
"> o suficiente para chegar a um status definido. O universo `uncertain` é, por definição, *fora\n",
"> da distribuição de treino*. As probabilidades previstas aqui são ordenações razoáveis, não\n",
"> estimativas calibradas — use para ranking, não como se fossem probabilidades verdadeiras."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "c8090305",
"metadata": {
"colab": {},
"id": "c8090305"
},
"outputs": [],
"source": [
"# 9) Scoring dos uncertain — treina no recorte A inteiro, aplica nas uncertain\n",
"\n",
"X_A_exp_all = df_A[[\"texto_nota\",\"texto_tweet\"] + FEATURES_NUM_BASE + FEATURES_CAT].copy()\n",
"pipe_final = make_pipeline(FEATURES_NUM_BASE, FEATURES_CAT, include_tweet=True)\n",
"pipe_final.fit(X_A_exp_all, y_A)\n",
"\n",
"if len(df_uncertain) > 0:\n",
" X_unc = df_uncertain[[\"texto_nota\",\"texto_tweet\"] + FEATURES_NUM_BASE + FEATURES_CAT].copy()\n",
" df_uncertain[\"score_helpful_modelo_A2\"] = pipe_final.predict_proba(X_unc)[:, 1]\n",
"\n",
" cols_show = [\"noteId\",\"tweet_id\",\"tema_modelo\",\"score_helpful_modelo_A2\",\"texto_nota\"]\n",
" cols_show = [c for c in cols_show if c in df_uncertain.columns]\n",
"\n",
" print(f\"Scoring feito em {len(df_uncertain):,} notas uncertain.\")\n",
" print(\"\\nTop 10 com maior score previsto de helpful:\")\n",
" display(\n",
" df_uncertain[cols_show]\n",
" .sort_values(\"score_helpful_modelo_A2\", ascending=False)\n",
" .head(10)\n",
" )\n",
" plt.figure(figsize=(8, 4))\n",
" sns.histplot(df_uncertain[\"score_helpful_modelo_A2\"], bins=40, color=\"#577590\", alpha=0.75)\n",
" plt.axvline(0.5, color=\"#e76f51\", linestyle=\"--\", alpha=0.7, label=\"limiar 0,5\")\n",
" plt.title(\"Distribuição do score previsto (modelo A2) nas notas uncertain\")\n",
" plt.xlabel(\"Probabilidade prevista de ser 'helpful'\")\n",
" plt.legend()\n",
" plt.tight_layout()\n",
" plt.show()\n",
"else:\n",
" print(\"Não há notas uncertain nesta extração.\")"
]
},
{
"cell_type": "markdown",
"id": "49fa0a17",
"metadata": {
"id": "49fa0a17"
},
"source": [
"## Como ler a v3\n",
"\n",
"A v3 foi pensada para responder as mesmas perguntas da v2, mas com resultados mais defensáveis:\n",
"\n",
"1. **A base canônica está correta?** — sim, preserva auditoria e harmonização da v2.\n",
"2. **Um modelo só com a nota aprende algo útil?** — sim. ROC-AUC ≈ 0,89 em CV, MCC ≈ 0,57.\n",
" Acima do baseline trivial (0,50 ROC-AUC, 0 MCC).\n",
"3. **O tweet adiciona sinal?** — **não acima do ruído**. As trilhas 1 e 2 ficam dentro do\n",
" intervalo de variação entre folds. Na v2 uma frase afirmava que os modelos tinham desempenho\n",
" \"praticamente idêntico\" — com CV, podemos dizer isso com mais confiança: o ganho cabe dentro\n",
" da variância.\n",
"4. **Os scores internos do X agregam desempenho real?** — são teto superior por construção\n",
" (`coreNoteIntercept` é o próprio score do algoritmo). Servem como validação do fluxo de\n",
" dados, não como modelo independente.\n",
"\n",
"### O que o modelo aprende exatamente\n",
"\n",
"O alvo `helpful` não é \"a nota é verdadeira\" nem \"a nota é bem escrita\". É \"uma amostra de\n",
"avaliadores dos dois polos ideológicos concordou que era útil\". Então o classificador está\n",
"aprendendo **aceitabilidade bipartidária**, que tem correlação parcial com qualidade editorial,\n",
"mas não é a mesma coisa.\n",
"\n",
"Isso aparece explicitamente no comportamento do modelo: notas que mencionam figuras políticas\n",
"(como `bolsonaro`, `lula`) recebem scores menores não porque sejam piores, e sim porque são o\n",
"tipo de nota que a comunidade bipartidária historicamente tem dificuldade de aprovar. Uma nota\n",
"rigorosa que *precisa* nomear uma figura política para ser honesta paga um pedágio previsível\n",
"nesse modelo.\n",
"\n",
"### Próximos refinamentos possíveis\n",
"\n",
"- trocar a regressão logística por LightGBM/XGBoost em uma trilha separada;\n",
"- substituir TF-IDF por **embeddings contextuais** (BERTimbau ou multilingual-E5) — a comparação\n",
" da subida de performance isola o que o TF-IDF não pega (modalidade, coerência argumentativa);\n",
"- calibrar probabilidades (Platt scaling) antes de usar o score para ranking;\n",
"- avaliar o modelo por *split temporal* (treino em 2023–2024, teste em 2025) para testar\n",
" robustez a mudanças de pauta;\n",
"- ablação formal para medir contribuição isolada das features manuais vs TF-IDF."
]
},
{
"cell_type": "markdown",
"id": "8b960ce5",
"metadata": {
"id": "8b960ce5"
},
"source": [
"## 📝 Conclusão v3\n",
"\n",
"Com validação cruzada estável e features revisadas, os achados principais são:\n",
"\n",
"**1. O texto da nota carrega o sinal quase todo.** Modelos com `ROC-AUC ≈ 0,89` e `MCC ≈ 0,57` a\n",
"partir apenas do conteúdo da nota. Adicionar o texto do tweet não melhora o desempenho além da\n",
"variância entre folds.\n",
"\n",
"**2. Dois tipos de feature puxam o sinal.** Em modelo só-tabular (sem TF-IDF), atingimos\n",
"`ROC-AUC ≈ 0,82`. As variáveis mais importantes são `tem_url`, `menciona_opiniao`, `tema_modelo` e\n",
"`abre_notarial` — em linha com os achados das análises MCQ anteriores. Mas com TF-IDF bigrama no\n",
"pipeline, a contribuição marginal das features manuais vira pequena; o vetor de bigramas absorve a\n",
"informação. Isso é uma observação sobre *interpretabilidade*, não sobre *performance*: as features\n",
"manuais continuam úteis para explicar o modelo, mesmo quando são redundantes para prever.\n",
"\n",
"**3. As métricas internas são teto por construção.** A trilha operacional atinge\n",
"`ROC-AUC ≈ 0,998`. Isso não é um resultado científico — é um teste de sanidade que confirma que\n",
"a coluna `qualidade_nota` é essencialmente uma cópia da decisão final do sistema. Útil apenas\n",
"como referência superior.\n",
"\n",
"**4. O modelo explicativo serve para priorização de `uncertain`.** As 122k notas em\n",
"`NEEDS_MORE_RATINGS` podem ser ranqueadas pela probabilidade prevista do modelo A2, gerando uma\n",
"fila de atenção. É uma extrapolação fora de domínio — o ranking provavelmente é útil, mas as\n",
"probabilidades não são calibradas.\n",
"\n",
"**5. Alvo é aceitabilidade, não qualidade.** Toda interpretação dos coeficientes deve passar por\n",
"este filtro: o modelo aprende o que a comunidade bipartidária aceita, e essa aceitação tem um\n",
"viés estrutural contra notas que nomeiam políticos explicitamente. Esse viés não é do modelo: é\n",
"do rótulo.\n",
"\n",
"### Para onde ir\n",
"\n",
"O teto de `ROC-AUC ≈ 0,89` com TF-IDF é o ponto em que embeddings contextuais passam a valer a\n",
"pena. A pergunta concreta para a próxima iteração: **o modelo erra em quê?** Se estiver errando\n",
"em notas que precisariam de compreensão de modalidade, hedge, impessoalidade — coisas que TF-IDF\n",
"não pega —, embeddings devem subir para `ROC-AUC ≈ 0,92–0,93` e, mais importante, melhorar a\n",
"PR-AUC da classe minoritária. Esse delta é o que faz a discussão de embeddings valer a pena."
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"name": "python",
"version": "3.11"
}
},
"nbformat": 4,
"nbformat_minor": 5
} |