Resumo Técnico: RAG Multi-Visão com Consciência de Autoridade sobre Atas Parlamentares Italianas

1. Declaração do Problema

As atas parlamentares servem como o registro primário da deliberação democrática, mas o seu volume e fragmentação dificultam o acesso multi-perspectivo para cidadãos, jornalistas e investigadores. A navegação manual é dispendiosa, e os portais padrão de pesquisa baseados em palavras-chave retornam documentos isolados em vez de respostas sintetizadas e multi-visão.

A aplicação de RAG (Geração Aumentada por Recuperação) padrão a transcrições políticas introduz três riscos específicos identificados pelos autores:

1. Dominância de Oradores Frequentes: Os LLMs padrão tendem a representar excessivamente os atores mais vocais, refletindo a assimetria distributiva do corpus em vez do real panorama político.
2. Falta de Autoridade Temática: Os sistemas frequentemente nivelam todos os oradores com base na similaridade de conteúdo, ignorando metadados que distinguem um especialista temático de um comentador tangencial.
3. Atribuição Incorreta de Citações: Em contextos politicamente sensíveis, mesmo taxas baixas de citações alucinadas ou mal atribuídas são incompatíveis com o uso jornalístico ou institucional.

O desafio é construir um sistema que forneça resumos fiéis e multi-visão das posições parlamentares, garantindo simultaneamente a rastreabilidade até aos discursos originais e evitando a sobre-representação de intervenções isoladas.

2. Metodologia: ParliamentRAG

Os autores apresentam o ParliamentRAG, um sistema RAG concebido para a Câmara dos Deputados italiana. O sistema baseia-se num Grafo de Conhecimento (KG) unificado e segue um pipeline de recuperação–classificação–geração que impõe a representação multi-visão, a consciência de autoridade e a rastreabilidade de citações como restrições de primeira classe.

2.1 Arquitetura do Grafo de Conhecimento

O sistema opera num grafo de propriedades armazenado numa instância única de Neo4j, integrando dados da infraestrutura de dados abertos da Câmara dos Deputados italiana (formato RDF).

• Esquema: O grafo modela uma estrutura hierárquica: Sessão → Debate → Fase → Discurso → Fragmento (Chunk).
• Entidades: Inclui 387 deputados, 10 grupos parlamentares, 80 comissões, 6.010 debates e 40.416 discursos.
• Enriquecimento: As propriedades dos nós incluem dados biográficos (educação, profissão) incorporados como vetores, e relações qualificadas pelo tempo (ex: MEMBRO_DE_GRUPO com datas de início/fim) para lidar com mudanças de coligação.
• Unidades de Recuperação: Os discursos são segmentados em 151.073 fragmentos. Cada fragmento armazena texto, um embedding denso e offsets ao nível do caractere (start_char_raw, end_char_raw) para permitir a reconstrução literal.

2.2 Recuperação de Canal Duplo

Para garantir tanto a relevância semântica quanto a perícia institucional, o sistema utiliza uma estratégia de recuperação de canal duplo:

1. Canal Denso: Realiza a busca de similaridade vetorial sobre os fragmentos de discurso para capturar a relevidade temática.
2. Canal de Grafo: Recupera evidências baseadas na atividade legislativa. Identifica atos parlamentares relevantes para a consulta, percorre os seus signatários (primários e coassinantes) e recupera os seus fragmentos de discurso associados. Também privilegia fragmentos de oradores que são membros de comissões relevantes.

2.3 Reclassificação com Consciência de Autoridade

As evidências recuperadas são fundidas e reclassificadas utilizando uma pontuação composta:
$$score(e) = w_{rr}r(e) + w_{dd}d(e) + w_{vv}v(e) + w_{a}authority(s_e, q) + w_{\sigma}\sigma(e)$$
Onde $s_e$ é o orador. Os pesos priorizam a relevância ($0.35$) e a saliência ($0.25$), enquanto a diversidade e cobertura ($0.15$e$0.20$) garantem o equilíbrio entre os grupos.

Cálculo da Pontuação de Autoridade:
A autoridade é computada após a recuperação para informar a classificação sem sobrepor a relevância temática. É uma pontuação dependente da consulta que agrega:

• Similaridade Semântica: Similaridade de cosseno entre a consulta e os atributos do orador (profissão, educação, funções na comissão).
• Sinais de Atividade: Contagens com decaimento temporal de atos legislativos assinados e intervenções de discurso.
• Decaimento Temporal: A atividade recente tem um peso maior do que a proeminência passada.
• Afiliação de Coligação: Resolvida no momento da consulta para garantir que apenas as atividades do grupo atual sejam consideradas.

2.4 Pipeline de Geração Multi-Visão

O processo de geração segue um pipeline de quatro estáções:

1. Analisar: A consulta é dividida em alegações atómicas ligadas a evidências para cada grupo parlamentar.
2. Gerar: Uma secção é produzida para cada um dos 10 grupos parlamentares, ordenada pela pontuação de autoridade dos oradores dentro desse grupo. Se não houver evidência para um grupo, isto é explicitamente declarado.
3. Integrar: As secções são combinadas numa narrativa coerente.
4. Citar: Crucialmente, o LLM nunca gera o texto da citação. Ele insere placeholders com offsets de caracteres, que são deterministicamente substituídos por substrings literais dos transcritos originais. Isto garante 100% de fidelidade de citação por construção.

3. Avaliação Experimental

O sistema foi avaliado contra o Google NotebookLM (um baseline comercial forte utilizando Gemini 3) num benchmark de 15 tópicos de políticas.

3.1 Protocolo

• Dataset: 15 tópicos abrangendo oito macroáreas (ex: Justiça, Imigração, Economia).
• Configuração do Baseline: O NotebookLM recebeu um contexto curado de ~300 fragmentos por tópico (relevantes + distratores) para simular uma recuperação de especialista, uma vez que alimentar o corpus completo foi considerado inviável.
• Avaliação:
  • Métricas Automatizadas: Cobertura (Grupos com Citação, Completude), Fidelidade de Citação e Autoridade Média.
  • Avaliação Humana: Seis especialistas de domínio (jornalistas, analistas) realizaram um teste A/B cego em 67 avaliações pareadas através de nove dimensões de escala Likert.

3.2 Resultados

Métricas Automatizadas:

• Fidelidade de Citação: O ParliamentRAG alcançou 1.00 (perfeito), enquanto o NotebookLM alcançou 0.95.
• Cobertura de Grupos: O ParliamentRAG cobriu 0.97 dos grupos (vs. 0.95 para o NotebookLM).
• Autoridade: O ParliamentRAG citou oradores com uma pontuação de autoridade média ligeiramente superior (0.53 vs. 0.52).

Avaliação Humana:

• Satisfação Geral: Comparável entre os sistemas (4.24 para o ParliamentRAG vs. 4.27 para o NotebookLM).
• Fluidez: O NotebookLM foi preferido em dimensões orientadas para a prosa (Qualidade da Resposta, Clareza), provavelmente devido à sua geração monolítica e ao seu modelo de base mais robusto.
• Fonte e Equilíbrio: O ParliamentRAG superou significativamente o NotebookLM em dimensões diretamente alinhadas com o seu design:
  • Cobertura de Fonte: 4.64 vs. 4.39 (25% de preferência vs. 5% para o NotebookLM).
  • Autoridade de Fonte: 4.21 vs. 4.00.
  • Perceção de Equilíbrio: 4.66 vs. 4.48.

4. Principais Contribuições e Significância

O artigo reivindica as seguintes contribuições e significância:

1. Arquitetura Inovadora: É o primeiro trabalho a integrar grafos parlamentares estruturados com modelação de autoridade dependente da consulta e geração multi-visão dentro de uma arquitetura RAG unificada.
2. Garantias por Construção: O sistema fornece uma garantia estrutural de fidelidade de citação literal, resolvendo um problema crítico para sistemas de informação cívica onde a alucinação é inaceitável.
3. Modelação de Autoridade: Introduz um método para estimar a autoridade do orador dinamicamente com base na consulta, combinando sinais biográficos, institucionais e temporais, em vez de depender apenas da similaridade de conteúdo.
4. Representação Equilibrada: O sistema garante que os resumos representem todos os grupos parlamentares, prevenindo a dominância de oradores frequentes.
5. Validação Empírica: A avaliação demonstra que, embora os LLMs de propósito geral possam ser excelentes em fluidez, as restrições arquiteturalmente impostas são superiores para a fiabilidade da fonte, equilíbrio e rastreabilidade em contextos políticos.

Os autores concluem que, embora as limitações de fluidez possam ser mitigadas com melhores modelos de linguagem, as garantias relativas à atribuição literal e à cobertura sistemática de grupos requerem suporte arquitetural específico que o simples prompting não pode fornecer. O sistema está disponível em tempo real em parliamentrag.it com código fonte disponível sob licença Apache-2.0.