O desânimo político como dado: como a IA pode (e não pode) medir fenômenos sociais

O cientista político que passa os olhos sobre meu monitor enquanto escrevo pipelines de NLP provavelmente torceria o nariz. Mas a verdade é que, nos últimos anos, a fronteira entre análise de sentimentos políticos e engenharia de software ficou mais tênue do que a maioria supõe. Quando li a comparação feita pela cientista política Wendy Hunter — que descreve o desânimo difuso do eleitorado brasileiro como um "efeito Biden" — não pude deixar de pensar em como essa mesma percepção subjetiva poderia ser capturada, quantificada e, principalmente, distorcida por modelos de linguagem.

A fonte original, uma entrevista da BBC, explora o paralelo entre o cenário de baixa aprovação e cansaço político que cercou Joe Biden nos últimos meses de mandato e o sentimento atual em relação ao governo Lula no Brasil. Hunter, especialista no PT, aponta que há um "desânimo difuso" que não se traduz necessariamente em rejeição explícita, mas em apatia. O que me interessa aqui não é o mérito político da comparação, mas sim o desafio técnico de transformar esse fenômeno social em dados acionáveis para sistemas de IA.

O desânimo como dado: por que isso importa para engenheiros de software

Todo engenheiro que já trabalhou com análise de sentimento em larga escala sabe que o maior problema não é obter dados, mas interpretá-los corretamente. O "desânimo difuso" é um conceito escorregadio: não é raiva, não é tristeza, não é apatia pura — é uma combinação de frustração, desesperança e cansaço que aparece em postagens, comentários e discursos públicos de forma indireta. Modelos de classificação binária (positivo/negativo) ou ternária (positivo/neutro/negativo) simplesmente não capturam essa nuance.

Em projetos que implementei para análise de reputação de marcas em redes sociais, percebi que a categoria "neutro" frequentemente engolia justamente os sinais de desânimo. Um usuário que escreve "não sei mais o que esperar" não está sendo neutro — está expressando um estado emocional específico, mas que não se encaixa nos rótulos tradicionais. O mesmo vale para o contexto político: o eleitor que não compartilha notícias, não engaja em debates e apenas responde com um emoji de cansaço está produzindo um sinal que muitos pipelines ignoram.

Afinal, o que é "efeito Biden" para um algoritmo?

Se a ciência política descreve o fenômeno como um descolamento entre expectativas criadas e resultados percebidos, a modelagem computacional precisa traduzir isso em features. Não basta coletar menções ao presidente e classificar o sentimento. É necessário capturar a evolução temporal: a diferença entre o entusiasmo inicial e o tom atual, a frequência de menções ao longo do tempo, a correlação com eventos específicos.

Na prática, construir um modelo que detecte "desânimo difuso" exige várias camadas:

• Análise de série temporal de sentimento: não apenas o sentimento médio, mas a inclinação da curva. Uma queda lenta e constante ao longo de meses é um padrão diferente de uma queda abrupta após um escândalo.
• Detecção de ironia e desengajamento: expressões como "pois é, vai dar tudo certo" em tom sarcástico, ou o silêncio prolongado de perfis antes ativos.
• Mapeamento de temas correlatos: assuntos que aparecem junto com o desânimo — inflação, desemprego, corrupção — e como esses tópicos se relacionam com a aprovação.

Em um dos projetos mais desafiadores que liderei, tentamos prever flutuações de aprovação de um governante a partir de dados de redes sociais. O maior aprendizado foi que o ruído é tão grande que qualquer modelo precisa ser treinado com curadoria manual intensiva. Modelos pré-treinados como BERT ou GPT, se usados sem ajuste fino em dados regionais, tendem a classificar o desânimo como "neutro" ou, pior, como "negativo forte", perdendo a nuance que diferencia uma crítica pontual de um estado de espírito crônico.

Os desafios técnicos de mensurar emoções coletivas em escala

Um dos maiores equívocos que vejo em startups de análise de sentimento é achar que o problema se resolve com mais dados. Na verdade, o gargalo está na rotulagem de qualidade. O "desânimo difuso" descrito por Hunter exige anotadores humanos familiarizados com o contexto político brasileiro, capazes de distinguir "crítica construtiva" de "apatia resignada". Isso é caro, demorado e sujeito a viés político dos próprios anotadores.

Na minha experiência, a abordagem mais eficaz combina aprendizado semi-supervisionado com revisão periódica de especialistas. Treinamos um modelo inicial com um conjunto pequeno de exemplos curados por cientistas políticos, depois usamos o modelo para sugerir rótulos em uma base maior, que são revisados em ciclos iterativos. O risco de contaminação é alto: se o modelo começa a rotular qualquer crítica como "desânimo", ele reforça o próprio viés. Para evitar isso, implementamos métricas de diversidade de opinião nos dados de treinamento, garantindo que haja exemplos de diferentes posições políticas.

Outro ponto técnico relevante é a escalabilidade da coleta. Dados de redes sociais no Brasil são volumosos, mas cheios de ruído: bots, contas inativas, discursos coordenados. Filtrar isso exige heurísticas de detecção de comportamento anômalo — taxa de postagem, horários, repetição de texto — que consomem poder computacional e precisam ser calibradas para cada plataforma. Já vi equipes gastarem mais tempo limpando dados do que treinando modelos.

Viés, privacidade e o dilema dos dados públicos

Não posso ignorar a questão ética. Coletar dados de redes sociais para análise de sentimento político é legalmente nebuloso, mesmo quando os termos de serviço permitem. A percepção de desânimo de um eleitorado pode ser usada para manipulação de opinião, segmentação de propaganda ou até mesmo para prever protestos. Em projetos que envolvem dados de cidadãos, sempre defendo a anonimização agressiva e a agregação estatística — nunca individualizar o sentimento de um usuário.

Além disso, o viés dos modelos de linguagem é um problema concreto. LLMs treinados majoritariamente em dados em inglês, quando aplicados ao português brasileiro (especialmente em contextos políticos), tendem a interpretar expressões coloquiais como "tô de saco cheio" como agressivas, enquanto na verdade podem indicar apenas cansaço. O fine-tuning com dados locais mitiga isso, mas exige um volume significativo de exemplos rotulados por falantes nativos com conhecimento de gírias regionais.

O papel do engenheiro de software na ciência política moderna

Vejo uma oportunidade real para engenheiros de software que entendem de processamento de linguagem natural se aproximarem de cientistas políticos e sociólogos. A comparação de Hunter entre o Brasil e o "efeito Biden" é uma hipótese que pode ser testada com dados: será que os padrões de engajamento nas redes, as palavras mais frequentes e a evolução do sentimento se assemelham aos observados nos EUA em 2023-2024?

Isso exigiria não apenas modelos, mas também uma infraestrutura de coleta e análise comparada entre países, controlando variáveis como idioma, cultura de uso de redes sociais e ciclos eleitorais. É um projeto de engenharia de dados complexo, com pipelines de ETL, armazenamento em data lakes e dashboards interativos. Para quem trabalha com nuvem e segurança, há desafios adicionais de conformidade com a LGPD e proteção contra ataques de injeção de dados adversarial.

Na minha opinião, o maior valor que um engenheiro pode trazer para esse tipo de análise não está no algoritmo preditivo, mas na capacidade de projetar experimentos controlados. Por exemplo, comparar o sentimento em grupos expostos a diferentes fontes de informação (TV aberta, redes sociais, portais de notícias) pode revelar se o "desânimo difuso" é amplificado por algoritmos de recomendação. Isso é pesquisa aplicada que impacta diretamente o debate público.

Riscos e limitações: o que a tecnologia não pode capturar

Precisamos ser humildes sobre o que a IA pode dizer sobre fenômenos como o desânimo político. Modelos de linguagem não sentem; eles reconhecem padrões estatísticos. Um aumento na frequência de palavras como "cansaço" e "esperança" pode ser tanto um reflexo genuíno do humor social quanto um efeito de campanhas coordenadas, eventos climáticos ou até mesmo mudanças no algoritmo da plataforma que favorecem certos tipos de conteúdo.

Além disso, o "desânimo difuso" pode ser um fenômeno de difícil captura porque ele se manifesta muitas vezes no silêncio — na ausência de postagens, na diminuição do engajamento. Dados ausentes são um problema clássico em machine learning, e tratá-los como neutros ou ignorá-los pode enviesar completamente a análise. Técnicas de inferência de ausência, como modelos de zero-inflated data, são raramente aplicadas em pipelines de análise de sentimento político, mas seriam necessárias para um estudo sério.

Outro ponto é a temporalidade: o desânimo pode ser flutuante e sazonal. Uma pesquisa de opinião tradicional captura um instantâneo; a IA pode capturar a dinâmica, mas apenas se o pipeline for desenhado para isso. Muitas implementações que vi tratam os dados como um fluxo contínuo, mas sem métricas de mudança de regime — ou seja, não conseguem detectar quando o sentimento muda de patamar. Isso exige estatística de séries temporais que muitos times de engenharia não dominam.

Uma perspectiva pessoal sobre o futuro da análise de fenômenos sociais

Acredito que engenheiros de software têm uma responsabilidade crescente de entender o contexto social de seus dados. Ignorar isso é construir um modelo que falha no mundo real. O "efeito Biden" citado por Hunter é um exemplo perfeito de um conceito qualitativo que poderia ser quantificado, mas só se houver disposição para enfrentar os desafios técnicos e éticos que mencionei.

Nos próximos anos, espero ver mais colaborações entre departamentos de ciência da computação e ciência política, com dados abertos, metodologias replicáveis e validação cruzada entre métodos quantitativos e qualitativos. Para quem está começando na área, sugiro estudar não apenas transformers e embeddings, mas também fundamentos de pesquisa social — desenho experimental, viés de seleção, validade externa. Isso diferencia um engenheiro que apenas roda código de um profissional que constrói ferramentas realmente úteis para entender a sociedade.

E, no fim das contas, é isso que importa: não apenas medir o desânimo, mas compreender suas causas e consequências. A IA pode ser uma lente poderosa, mas precisa ser calibrada por quem sabe o que está procurando.