Mapping the Political Discourse in the Brazilian Chamber of Deputies: A Multi-Faceted Computational Approach

Título: Mapeamento do Discurso Político na Câmara dos Deputados Brasileira: Uma Abordagem Computacional Multifacetada

1. Problema e Motivação

As análises tradicionais do comportamento legislativo no Brasil (e globalmente) dependem predominantemente de registros de votação (roll-call votes) para inferir alinhamentos ideológicos. Embora eficazes para mapear a coesão partidária e os resultados finais de deliberações, essas abordagens ignoram as ricas dimensões semânticas e retóricas do próprio processo deliberativo.
O artigo identifica uma lacuna na literatura: a falta de estudos que analisem como os discursos são construídos, o que está sendo dito (temas) e quem fala de maneira discursivamente similar, além de como essas dimensões evoluem ao longo do tempo. O objetivo é superar a visão limitada baseada apenas em votos, capturando a estratégia, a persuasão e o enquadramento de questões pelos parlamentares.

2. Metodologia

Os autores propõem um framework computacional escalável e generalizável, aplicado a um corpus de 453.280 discursos proferidos na Câmara dos Deputados entre 2003 e 2025. A metodologia é dividida em três pilares analíticos complementares, processados através de um pipeline unificado de NLP (Processamento de Linguagem Natural):

• A. Coleta e Pré-processamento:

  • Dados extraídos via API do Portal de Dados Abertos da Câmara.
  • Filtragem para isolar monólogos de um único orador (removendo diálogos e interrupções).
  • Normalização textual: remoção de formalidades parlamentares, padronização de nomes de partidos (ex: PMDB para MDB) e limpeza de caracteres especiais.
  • Seleção final focada em 11 partidos principais (PT, MDB, PSDB, PL, DEM, UNIÃO, PP, PSB, PCdoB, PDT, PSOL), totalizando 354.719 discursos.

• B. Análise Estilométrica e Linguística (Como é dito):

  • Foco na evolução diacrônica (ao longo do tempo) das características estruturais.
  • Métricas: Pontuação de Legibilidade (Flesch Reading Ease), Diversidade Lexical (Type-Token Ratio - TTR), Estrutura Sintática (frequência de substantivos, verbos, adjetivos e advérbios via POS tagging) e Reconhecimento de Entidades Nomeadas (NER) para identificar atores políticos e sociais.
  • Ferramentas: Biblioteca spaCy com modelo pt_core_news_lg.

• C. Análise Temática (O que é dito):

  • Identificação de tópicos latentes usando BERTopic (baseado em sentence-transformers).
  • Uso de modelos de embeddings multilíngues (distiluse-base-multilingual-cased-v2) para capturar contexto semântico.
  • Redução de dimensionalidade com UMAP e agrupamento com HDBSCAN.
  • Agregação de Tópicos: Uso de um LLM (Claude 3 Sonnet) para agrupar tópicos granulares em 6 macro-temas (Política/Administração, Economia/Finanças, Segurança/Justiça, Saúde, Direitos Humanos/Sociedade, Desenvolvimento/Infraestrutura).

• D. Análise do Espaço Semântico e Agrupamento (Quem fala similarmente):

  • Criação de uma "impressão digital semântica" para cada deputado (média dos vetores de embedding de seus discursos).
  • Modelo de Embedding: Linq-Embed-Mistral (arquitetura Mistral de 7B parâmetros), escolhido pela capacidade de lidar com janelas de contexto longas (até 32k tokens) sem truncar discursos inteiros.
  • Clustering: Aplicação de UMAP e HDBSCAN com hiperparâmetros otimizados via Optuna (maximizando o Silhouette Score).
  • Perfilamento: Análise intra-cluster baseada em afiliação partidária (índice HHI partidário), região de representação (índice HHI regional) e gênero.

3. Principais Resultados

• Evolução Estilística:

  • Houve uma tendência clara de encurtamento dos discursos (média de 456 palavras em 2004 para 269 em 2020) e simplificação estrutural.
  • A legibilidade aumentou (textos menos complexos) e a estrutura mudou de "nominal" (foco em substantivos/conceitos) para "verbal" (foco em ações/processos), alinhando-se com a teoria da mediatização da política.
  • A diversidade lexical manteve-se alta, indicando que a concisão não implicou empobrecimento de vocabulário.

• Paisagem Temática e Reatividade:

  • A agenda legislativa é altamente reativa a crises nacionais.
  • Eras Temáticas: Identificou-se uma "Era da Infraestrutura" (2006-2014), seguida por picos de "Política e Administração" durante crises institucionais (Mensalão, Impeachment de Dilma), uma "Era da Saúde" (2020-2023, devido à COVID-19) e um recente aumento abrupto em "Segurança Pública e Justiça" (2025).

• Alineação Discursiva e Identidade:

  • O modelo identificou 49 clusters discursivos distintos, número muito superior aos 11 partidos analisados.
  • Partidos: A afiliação partidária não é o único determinante. A maioria dos clusters é heterogênea (baixo HHI partidário), exceto em extremos ideológicos (ex: PSOL e PCdoB).
  • Região: 23 clusters mostram forte concentração regional (HHI regional > 0,7), sugerindo um "federalismo discursivo" onde interesses locais transcendem partidos.
  • Gênero: Identificaram-se clusters com predominância feminina (>90%) que são politicamente heterogêneos (vários partidos), sugerindo que o gênero pode ser um princípio organizador primário para afinidade discursiva, independente do espectro ideológico.
  • Ruído: Cerca de 30,4% dos deputados foram classificados como "ruído" (outliers), indicando discursos generalistas ou com poucos dados para formar um perfil semântico definido.

4. Contribuições Chave

1. Framework Multidimensional: Propõe uma metodologia que integra análise estilométrica, modelagem de tópicos e clustering semântico para estudar o discurso parlamentar como um fenômeno de forma, conteúdo e alinhamento.
2. Pipeline Escalável: Demonstra a aplicação prática de modelos de estado da arte (BERT, Mistral, HDBSCAN) em um corpus massivo (450k+ discursos) de um país em desenvolvimento, preenchendo uma lacuna na literatura comparada.
3. Novas Perspectivas sobre Alinhamento Político: Evidencia que, no Brasil, identidades regionais e de gênero frequentemente superam a filiação partidária formal na definição de alinhamentos discursivos, oferecendo uma visão mais granular do comportamento legislativo do que as análises baseadas apenas em votos.

5. Significado e Impacto

O trabalho oferece uma ferramenta robusta para entender a dinâmica linguística de instituições democráticas. Ao transformar arquivos textuais brutos em mapas interpretáveis de prioridades temáticas e coalizões políticas, o estudo:

• Complementa as análises tradicionais baseadas em votos, revelando estratégias de comunicação e enquadramento de questões.
• Fornece evidências empíricas sobre a influência de crises externas na agenda legislativa.
• Abre novas vias para a ciência política computacional, permitindo investigar coalizões baseadas em identidade e a evolução da retórica política em escala.
• Serve como base para o desenvolvimento de plataformas interativas que aumentam a transparência e o engajamento cívico.

Limitações: O estudo não vincula discursos a projetos de lei específicos (contexto legislativo imediato) e não captura a dinâmica interativa (debates e interrupções). Além disso, os autores alertam para o risco de essencialização dos grupos identificados (região/gênero), enfatizando que os resultados mapeiam dinâmicas grupais complexas e não rótulos fixos para indivíduos.