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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPedrosa, Glauco Vitor-
Autor(es): dc.creatorCabral, Ilo César Duarte-
Data de aceite: dc.date.accessioned2024-10-23T16:34:56Z-
Data de disponibilização: dc.date.available2024-10-23T16:34:56Z-
Data de envio: dc.date.issued2024-07-03-
Data de envio: dc.date.issued2024-07-03-
Data de envio: dc.date.issued2024-07-03-
Data de envio: dc.date.issued2024-02-26-
Fonte completa do material: dc.identifierhttp://repositorio2.unb.br/jspui/handle/10482/48520-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/912025-
Descrição: dc.descriptionDissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Brasília, 2024.-
Descrição: dc.descriptionA 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.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).-
Descrição: dc.descriptionThe 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.-
Descrição: dc.descriptionInstituto de Ciências Exatas (IE)-
Descrição: dc.descriptionDepartamento de Ciência da Computação (IE CIC)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Computação Aplicada, Mestrado Profissional-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA 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.-
Palavras-chave: dc.subjectMineração de dados-
Palavras-chave: dc.subjectProcesso legislativo-
Palavras-chave: dc.subjectAprendizagem de máquina-
Título: dc.titleMineração de dados legislativos federais para análise e predição de aprovação de projetos de lei-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.