{
"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\"{t} \" + \" \".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",
" \n",
"
\n",
" 🖱️ Arraste para mover • Scroll para zoom • Clique num nó para ver colunas •\n",
" \n",
"
\n",
" \n",
" \n",
" \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
}