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

Abstract

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.