CitiLink-Minutes: A Multilayer Annotated Dataset of Municipal Meeting Minutes

1. Problema e Motivação

Os registos oficiais das reuniões dos conselhos municipais (atas) são uma fonte rica de informação cívica, documentando processos de tomada de decisão, discussões de políticas e resultados de votações. No entanto, este domínio tem recebido pouca atenção na área da Recuperação de Informação (RI) e do Processamento de Linguagem Natural (PLN) devido a várias limitações:

• Falta de Dados Anotados: A maioria dos conjuntos de dados existentes foca-se em transcrições de vídeo (fala-para-texto) de parlamentos ou reuniões dos EUA, que são frequentemente ruidosas e heterogéneas.
• Complexidade Estrutural: As atas escritas oficiais são longas, variam estruturalmente entre municípios e contêm informações críticas (tópicos, propostas, votações) embutidas em narrativas complexas.
• Barreiras de Acesso: Dados raspados da web (web-scraped) muitas vezes contêm informações sensíveis, problemas de direitos de autor e falta de padronização, dificultando o treino de modelos computacionais.
• Lacuna Linguística: Existe uma escassez de recursos de alta qualidade em Português Europeu para análise de discurso municipal.

2. Metodologia e Construção do Dataset

O artigo apresenta o CitiLink-Minutes, um conjunto de dados multilayer (multicamada) criado em parceria com seis municípios portugueses (Alandroal, Campo Maior, Covilhã, Fundão, Guimarães e Porto).

• Coleta de Dados: Foram selecionadas 120 atas oficiais (20 por município) do período de 2021 a 2024. A seleção seguiu critérios rigorosos: datas a partir de outubro de 2021, diversidade de tipos de sessão (ordinárias, extraordinárias, públicas/privadas) e tamanho de agenda (15-40 itens).
• Anonimização: Todos os identificadores pessoais (PI) foram removidos manualmente para garantir a privacidade e conformidade com requisitos de dados sensíveis.
• Esquema de Anotação: O dataset segue uma arquitetura modular baseada no Semantic Annotation Framework (SemAF/ISO 24617), estruturada em quatro camadas concorrentes:
  1. L1 - Informação Pessoal: Identificação de entidades que podem identificar uma pessoa (nomes, cargos, etc.).
  2. L2 - Metadados: Detalhes da reunião (data, local, participantes, tipo de reunião, hora).
  3. L3 - Assunto de Discussão: Tópicos e temas centrais das deliberações.
  4. L4 - Votação: Resultados das votações, incluindo quem votou, evidência de voto, e totais globais (unanimidade, maioria).
• Processo de Anotação:
  • Realizado por quatro linguistas treinados, com validação por um curador experiente.
  • Utilizou-se um processo de dupla anotação para a maioria das camadas para garantir qualidade, seguido de resolução de discrepâncias.
  • Uma fase piloto explorou o uso de LLMs para pré-anotação de metadados, reduzindo o tempo de anotação em cerca de duas horas por documento.
• Estatísticas: O corpus contém mais de 1 milhão de tokens, 20.375 entidades e 11.162 relações.

3. Contribuições Principais

1. Novo Dataset Anotado: O primeiro recurso de atas municipais em Português Europeu com anotações densas e multicamadas (PI, Metadados, Assuntos, Votação), cobrindo 120 documentos de seis municípios.
2. Acesso FAIR: O dataset é disponibilizado sob princípios FAIR (Findable, Accessible, Interoperable, Reusable) e licença Creative Commons (CC-BY-NC-ND), com um DOI persistente e acesso através de um repositório aberto.
3. Dashboard Interativo: Uma ferramenta web desenvolvida para permitir a exploração detalhada da estrutura e anotações do dataset.
4. Definição de Tarefas e Baselines: Estabelecimento de três tarefas de referência para o domínio:
   • Identificação de Metadados.
   • Identificação de Votação (extração de spans de texto).
   • Classificação de Tópicos (multi-rótulo).
   • Fornecimento de baselines (modelos de referência) e métricas de avaliação.

4. Resultados Experimentais

Os autores avaliaram o desempenho de modelos baseados em encoders (BERTimbau Large) versus modelos generativos (Gemini-2.5-Pro) nas tarefas definidas:

• Identificação de Metadados: O modelo fine-tuned (BERTimbau) alcançou um F1-score macro de 0.752 e micro de 0.959, superando significativamente o modelo generativo (F1 macro de 0.273), que teve alta precisão mas baixa recall.
• Identificação de Votação: O BERTimbau obteve um F1 macro de 0.814, demonstrando robustez na extração estruturada de entidades de votação. O modelo generativo teve desempenho moderado (F1 macro de 0.556).
• Classificação de Tópicos (Multi-rótulo): O modelo fine-tuned superou novamente o generativo, alcançando um F1 macro de 0.642 e um F1 micro de 0.822, lidando melhor com o desequilíbrio de classes e a diversidade semântica.
• Conclusão dos Resultados: Os modelos baseados em encoders (transformadores supervisionados) mostraram-se superiores para tarefas de extração estruturada e classificação neste domínio específico, estabelecendo uma base sólida para pesquisas futuras.

5. Significado e Impacto

O CitiLink-Minutes representa um avanço significativo para a pesquisa em PLN e RI no contexto da governação local:

• Transparência e Acesso: Facilita o acesso computacional a decisões municipais, promovendo a transparência cívica.
• Padrão de Referência: Preenche a lacuna de dados anotados de alta qualidade em Português Europeu, permitindo o treino e avaliação de modelos específicos para o domínio administrativo.
• Reprodutibilidade: Ao fornecer baselines públicos no Hugging Face e um esquema de anotação detalhado, o trabalho permite comparações justas e avanço metodológico na comunidade científica.
• Futuro: O dataset serve como base para tarefas avançadas como sumarização de atas, deteção de viés político, e análise de tendências de políticas públicas, com planos futuros para expandir as camadas semânticas e criar uma versão alinhada em inglês.

Em suma, o trabalho não apenas disponibiliza um recurso de dados valioso, mas também demonstra a viabilidade e os desafios de aplicar técnicas modernas de PLN a documentos administrativos complexos e sensíveis.