Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei

Detalhes bibliográficos
Autor(a) principal: Cabral, Ilo César Duarte
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/48520
Resumo: Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Brasília, 2024.
id UNB_8e92328bcc7a2be7f586b1272da1ea8c
oai_identifier_str oai:repositorio.unb.br:10482/48520
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Mineração de dados legislativos federais para análise e predição de aprovação de projetos de leiMineração de dadosProcesso legislativoAprendizagem de máquinaDissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Brasília, 2024.A divulgação dos dados legislativos pelo governo brasileiro abriu uma oportunidade para se entender os aspectos relacionados ao processo legislativo. Ao analisar padrões históricos e variáveis relevantes, é possível antecipar resultados legislativos, otimizando o processo decisório. Prever os votos de órgãos deliberativos, por exemplo, pode levar a uma melhor compreensão das políticas governamentais e, assim, gerar estratégias acionáveis, permitindo que legisladores identifiquem questões críticas, aloquem recursos eficientemente e antecipem possíveis impasses. Este trabalho se propôs a investigar modelos para análise e previsão que maximizem o uso de atributos heterogêneos publicamente acessíveis dos dados legislativos para compreender a aprovação/arquivamento de proposições legislativas. Para tal fim, foram desenvolvidos modelos de classificação baseados em algoritmos de aprendizado de máquinas e processamento de linguagem natural sobre os dados categóricos, textuais e de tramitação das Proposições Legislativas, a fim de identificar fatores discriminativos que pudessem influenciar na aprovação de Projetos de Lei e de Emenda. Como contribuição, os modelos de classificação foram avaliados em cinco cenários, utilizando diferentes conjuntos de atributos. Os resultados obtidos mostram um F1-Score de 71%, considerando apenas os dados categóricos das proposições e, ao se agregar os dados de tramitação, é possível obter um F1-Score médio de 90,6%. Os testes realizados demonstram a viabilidade de se prever a aprovação de uma proposição durante seu fluxo no processo legislativo, gerando resultados que agregam conhecimento e levam a uma melhor compreensão dos aspectos relacionados ao processo legislativo brasileiro no âmbito federal.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).The release of legislative data by the Brazilian government opened an opportunity to understand aspects related to the legislative process. By analyzing historical patterns and relevant variables, it is possible to anticipate legislative results, optimizing the decisionmaking process. Predicting the votes of deliberative bodies, for example, can lead to a better understanding of government policies and thus generate actionable strategies, allowing legislators to identify critical issues, allocate resources efficiently and anticipate possible impasses. This work set out to investigate models for analysis and prediction that maximize the use of publicly accessible heterogeneous data from legislative data to understand the approval/disapproval of legislative proposals. To this end, classification models based on machine learning algorithms and natural language processing were developed on categorical, textual and processing data of Legislative Proposals, in order to identify discriminatory factors that could influence the approval of Bills and Amendment Projects. As a contribution, the classification models were evaluated in five scenarios, using different sets of attributes. The results obtained show an F1-Score of up to 70% considering only the categorical data of the propositions and, when aggregating the processing data, it is possible to obtain an F1-Score of up to 90,6%. The tests carried out demonstrate the feasibility of predicting the approval of a proposition during its flow in the legislative process, generating results that add knowledge and lead to a better understanding of aspects related to the Brazilian legislative process at the federal level.Instituto de Ciências Exatas (IE)Departamento de Ciência da Computação (IE CIC)Programa de Pós-Graduação em Computação Aplicada, Mestrado ProfissionalPedrosa, Glauco VitorCabral, Ilo César Duarte2024-07-03T20:59:47Z2024-07-03T20:59:47Z2024-07-032024-02-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCABRAL, Ilo César Duarte. Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei. 2024. 91 f., il. Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Brasília, 2024.http://repositorio2.unb.br/jspui/handle/10482/48520porA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-07-03T20:59:47Zoai:repositorio.unb.br:10482/48520Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-07-03T20:59:47Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
title Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
spellingShingle Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
Cabral, Ilo César Duarte
Mineração de dados
Processo legislativo
Aprendizagem de máquina
title_short Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
title_full Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
title_fullStr Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
title_full_unstemmed Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
title_sort Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei
author Cabral, Ilo César Duarte
author_facet Cabral, Ilo César Duarte
author_role author
dc.contributor.none.fl_str_mv Pedrosa, Glauco Vitor
dc.contributor.author.fl_str_mv Cabral, Ilo César Duarte
dc.subject.por.fl_str_mv Mineração de dados
Processo legislativo
Aprendizagem de máquina
topic Mineração de dados
Processo legislativo
Aprendizagem de máquina
description Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Brasília, 2024.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-03T20:59:47Z
2024-07-03T20:59:47Z
2024-07-03
2024-02-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv CABRAL, Ilo César Duarte. Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei. 2024. 91 f., il. Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Brasília, 2024.
http://repositorio2.unb.br/jspui/handle/10482/48520
identifier_str_mv CABRAL, Ilo César Duarte. Mineração de dados legislativos federais para análise e predição de aprovação de projetos de lei. 2024. 91 f., il. Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Brasília, 2024.
url http://repositorio2.unb.br/jspui/handle/10482/48520
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508385213612032

Registros relacionados