Artigo

16 de novembro de 2026

Classificação de Sentimentos na Jornada de Compra do E-commerce Brasileiro com BERTimbau e Modelos Clássicos

Isaías de Carvalho Novais; Gustavo Dantas Lobo

DOI: 10.22167/2675-6528-202604218

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

O crescimento do comércio eletrônico no Brasil gerou um volume massivo de dados não estruturados, como avaliações de consumidores, inviabilizando a análise manual para gestão estratégica. Para abordar essa questão, implementou-se e comparou-se algoritmos de Machine Learning e Deep Learning para classificar sentimentos em avaliações de consumidores do e-commerce brasileiro, com foco na experiência integral de compra. O objetivo foi identificar o modelo com melhor desempenho preditivo e gerar subsídios analíticos para gestores. Utilizou-se o Brazilian E-Commerce Public Dataset by Olist, contendo aproximadamente 100 mil registros, dos quais 40.977 possuíam comentários textuais. A tarefa de classificação foi definida como ternária (Positivo, Negativo e Neutro). Aplicaram-se modelos clássicos, como Regressão Logística, Naive Bayes e SVM, e técnicas de Deep Learning com o modelo BERTimbau. O pré-processamento dos dados textuais incluiu limpeza de caracteres, remoção de stopwords e tokenização. Os resultados demonstraram que o modelo BERTimbau obteve o melhor desempenho, com acurácia de 84,54% e F1-Score de 0,8335. Concluiu-se que a automação da mineração de texto permite identificar gargalos logísticos e de atendimento com alta precisão, configurando-se como ferramenta essencial para o suporte à tomada de decisão no varejo online.

Palavras-chave: Análise de Sentimentos; BERTimbau; E-commerce; Machine Learning; Processamento de Linguagem Natural.

1. Introdução

O comércio eletrônico no Brasil experimentou um crescimento significativo nas últimas décadas, alterando profundamente a dinâmica entre consumidores, produtos e plataformas de marketplace. Com a expansão dos grandes marketplaces nacionais, os consumidores passaram a registrar suas percepções sobre os produtos adquiridos por meio de avaliações numéricas e comentários textuais após o recebimento dos pedidos. Este volume crescente de dados não estruturados representa uma fonte valiosa de inteligência de mercado, ainda subutilizada, capaz de revelar padrões de satisfação e insatisfação diretamente relacionados à qualidade dos produtos comercializados no ambiente digital (Adnan e Akbar, 2021; Baviskar et al., 2021).

A análise manual dessas avaliações, contudo, é inviável em escala operacional, dada a massividade dos dados gerados. Nesse contexto, a análise de sentimentos emerge como uma ferramenta crucial dentro do Processamento de Linguagem Natural (NLP). Ela permite categorizar textos em sentimentos positivos, negativos ou neutros, possibilitando que as empresas interpretem automaticamente as emoções dos clientes e tomem decisões informadas em áreas como marketing, desenvolvimento de produtos e atendimento ao cliente.

Em ambientes de e-commerce, a capacidade de analisar sentimentos é especialmente relevante, pois as avaliações textuais encapsulam a experiência concreta do consumidor com o produto recebido. Isso inclui a qualidade percebida, a conformidade com a descrição e a adequação às expectativas geradas pela oferta. As avaliações são coletadas por meio de uma pesquisa de satisfação enviada automaticamente pela plataforma Olist após a confirmação do recebimento do pedido, onde o comprador avalia a experiência em uma escala de um a cinco estrelas e, opcionalmente, registra um comentário textual.

O sentimento expresso nessas avaliações incide diretamente sobre a experiência de compra do consumidor em relação ao produto, englobando aspectos como qualidade, descrição e atendimento. Para a definição dos rótulos de sentimento, adota-se o critério consolidado na literatura de análise de sentimentos em e-commerce (Liu et al., 2015; Zhang et al., 2011), onde avaliações com quatro ou cinco estrelas são consideradas positivas, e avaliações com uma ou duas estrelas são classificadas como negativas. Avaliações com três estrelas são tratadas como neutras neste estudo, configurando um problema de classificação ternária.

Do ponto de vista técnico, a literatura recente (Devlin et al., 2019; Souza et al., 2020) demonstra que modelos baseados na arquitetura BERT têm alcançado resultados superiores em tarefas de classificação de sentimentos em comparação com abordagens clássicas de Machine Learning. Estudos que compararam diferentes variantes do BERT para classificação de sentimentos em avaliações de usuários em português brasileiro concluíram que o BERTimbau representa a melhor variante para tarefas de classificação de texto nesse idioma (Souza et al., 2022). Este modelo, pré-treinado exclusivamente em português brasileiro, é capaz de capturar as nuances linguísticas e a complexidade contextual presentes nas avaliações de consumidores, incluindo expressões coloquiais, abreviações e construções típicas da linguagem escrita informal.

Revisões sistemáticas da literatura (Raza et al., 2024) identificaram que algoritmos como LSTM apresentam ampla variação de acurácia em tarefas de classificação de sentimentos em avaliações de e-commerce, com resultados que variam substancialmente conforme o dataset, o idioma e a arquitetura utilizada. Essa constatação reforça a necessidade de comparação controlada entre múltiplos modelos para identificar a abordagem mais eficaz em um contexto específico.

Diante desse cenário, o presente trabalho tem como objetivo implementar e comparar algoritmos de Machine Learning e Deep Learning — Regressão Logística, Naive Bayes, Support Vector Machine e o modelo BERTimbau — para a classificação de sentimentos expressos em avaliações textuais de produtos do varejo online brasileiro, utilizando o Brazilian E-Commerce Public Dataset by Olist, com foco na percepção do consumidor sobre o produto recebido, buscando identificar o modelo com melhor desempenho preditivo e gerar subsídios analíticos para gestores de e-commerce na tomada de decisão orientada por dados.

2. Material e Métodos

A pesquisa adotou abordagem quantitativa e aplicada, visando implementar e comparar algoritmos de Machine Learning e Deep Learning para classificação de sentimentos em avaliações de produtos do varejo online. A metodologia envolveu a utilização de um dataset público, pré-processamento, aplicação de modelos e avaliação de desempenho por métricas específicas.

O objeto empírico consistiu em avaliações textuais de produtos do e-commerce brasileiro, obtidas do Brazilian E-Commerce Public Dataset by Olist, disponível no Kaggle. O arquivo `olist_order_reviews_dataset.csv` continha 99.224 registros de pedidos realizados entre 2016 e 2018. Para a modelagem, 40.977 registros com comentários textuais foram selecionados, representando 41,3% do total.

A classificação dos sentimentos foi definida como problema ternário (Positivo, Negativo e Neutro). Para a rotulagem, seguiu-se o critério da literatura (Liu et al., 2015): notas 1 e 2 estrelas foram Negativas, 3 estrelas Neutras e 4 e 5 estrelas Positivas. A amostra rotulada para modelagem apresentou 64,7% Positivo, 26,6% Negativo e 8,7% Neutro.

O pré-processamento textual foi realizado em Python, seguindo um pipeline de limpeza. As etapas incluíram a conversão para minúsculas (Tan et al., 2006; Steinbach et al., 2006; Kumar et al., 2006) e a remoção de caracteres especiais e números por expressão regular. Stopwords foram removidas (NLTK), e tokens com comprimento igual ou inferior a dois caracteres foram descartados (Silva et al., 2024). Por fim, normalizaram-se os espaços. Após o pré-processamento, 40.577 avaliações textuais foram utilizadas.

Antes da divisão dos dados, uma análise exploratória de mineração de texto foi conduzida sobre os comentários brutos rotulados (Tan et al., 2006). Esta análise envolveu a geração de nuvens de palavras por polaridade e a análise de frequência temática, com temas como Produto/Qualidade, Logística/Entrega e Atendimento/Vendedor, definidos por palavras-chave relevantes ao e-commerce.

Os dados foram divididos em conjuntos de treino (80%) e teste (20%) utilizando `stratify`, para preservar a proporção das classes e mitigar o desbalanceamento. Para os modelos clássicos, o texto pré-processado foi transformado em representações numéricas por Bag-of-Words (BoW) e Term Frequency-Inverse Document Frequency (TF-IDF). Ambas configuradas para unigramas e bigramas (`ngram_range=(1,2)`) e limitadas a 5.000 features. O ajuste foi realizado exclusivamente sobre o conjunto de treino para evitar vazamento de dados.

Foram implementados os modelos clássicos: Regressão Logística, Naive Bayes Multinomial e Support Vector Machine (SVM). A Regressão Logística foi treinada com BoW e TF-IDF, utilizando softmax para classificação multiclasse (Devlin et al., 2019) e `class_weight=’balanced’` com `max_iter` de 1.000. O Naive Bayes Multinomial foi treinado com as mesmas representações (Tan et al., 2006). O SVM, com kernel linear, empregou a estratégia one-vs-rest (OvR) para classificação ternária, utilizando `LinearSVC` da `scikit-learn` com `class_weight=’balanced’` e `max_iter` de 2.000 (Joachims et al., 1998).

Para Deep Learning, utilizou-se o modelo BERTimbau Base (neuralmind/bert-base-portuguese-cased), versão do BERT pré-treinada em português brasileiro (Souza, Nogueira e Lotufo, 2020). Este modelo processa o texto bidirecionalmente, capturando nuances semânticas e morfológicas (Devlin et al., 2019). Uma camada linear de três saídas foi adicionada sobre o token `[CLS]` para classificação ternária. Para o BERTimbau, utilizou-se o texto bruto original, sem remoção de stopwords, encapsulado em classe PyTorch personalizada (`OlistDataset`) e tokenizado pelo `BertTokenizer`.

O fine-tuning do BERTimbau foi realizado com hiperparâmetros: comprimento máximo de sequência de 128 tokens, tamanho de lote de 16 amostras, taxa de aprendizado de 2×10⁻⁵ e 3 épocas de treinamento. O otimizador AdamW foi empregado com decaimento de peso de 0,01, combinado com um scheduler de aquecimento linear (Devlin et al., 2019). Durante o treinamento, aplicou-se recorte de gradiente com norma máxima de 1,0 para estabilizar a otimização.

A avaliação do desempenho dos modelos foi realizada sobre o conjunto de teste por meio de quatro métricas: acurácia, precisão, revocação (recall) e F1-Score ponderado (weighted). A acurácia mensurou a proporção de previsões corretas. A precisão avaliou a exatidão das previsões positivas. A revocação quantificou a capacidade de identificar corretamente os casos relevantes. O F1-Score, média harmônica entre precisão e revocação, foi empregado para cenários de desbalanceamento de classes (Sokolova e Lapalme, 2009). As métricas foram calculadas na modalidade weighted, ponderando a contribuição de cada classe pelo seu suporte no conjunto de teste.

3. Resultados e Discussão

Os resultados obtidos neste estudo fornecem uma compreensão aprofundada sobre a aplicabilidade de algoritmos de Machine Learning e Deep Learning na classificação de sentimentos em avaliações de e-commerce brasileiro. A análise exploratória inicial revelou padrões linguísticos distintos para cada polaridade de sentimento, enquanto a avaliação de desempenho dos modelos demonstrou a superioridade das arquiteturas baseadas em Transformers para esta tarefa. Esses achados são cruciais para a tomada de decisão estratégica no varejo online, permitindo que gestores identifiquem proativamente pontos de melhoria na experiência do consumidor.

A base de dados utilizada para a modelagem, após o pré-processamento e filtragem de registros sem comentários, totalizou 40.577 avaliações. A distribuição das classes de sentimento apresentou um desbalanceamento significativo, com 64,7% das avaliações classificadas como positivas, 26,6% como negativas e apenas 8,7% como neutras. Essa assimetria é um fator importante a ser considerado na interpretação do desempenho dos modelos, especialmente para as classes minoritárias, e reflete a tendência dos consumidores de expressar opiniões mais polarizadas em ambientes de avaliação online.

Análise Exploratória – Mineração de Texto

A mineração de texto nos comentários brutos rotulados por polaridade revelou termos-chave que caracterizam a percepção do consumidor. Nas avaliações positivas, destacaram-se termos como “prazo”, “entrega”, “ante” (antecipado), “rápida”, “excelente”, “qualidade”, “ótimo” e “perfeito”. Essas expressões indicam a satisfação tanto com a agilidade logística quanto com a qualidade dos produtos recebidos. A recorrência de frases como “dentro do prazo” e “antes do prazo estipulado” sublinha a importância do cumprimento das expectativas de entrega como um pilar central para a formação de experiências positivas no e-commerce brasileiro.

Em contraste, os comentários negativos foram marcados pela predominância de termos como “prazo”, “entrega”, “contato”, “aguardando”, “produtos”, “loja” e “correio”. Esses vocábulos evidenciam que as principais fontes de insatisfação estão ligadas a atrasos e falhas logísticas, dificuldades de comunicação com os vendedores e problemas relacionados ao produto recebido. A presença expressiva de termos como “aguardando” e “nunca” nos comentários negativos sugere que a falta de resolução e a demora nas comunicações amplificam consideravelmente a experiência negativa do consumidor, impactando diretamente a percepção geral da compra.

A nuvem de palavras dos comentários neutros apresentou um padrão híbrido, caracterizado pela coexistência de termos positivos, como “bom”, “boa” e “gostei”, e negativos, como “demorou”, “aguardo” e “faltando”. Além disso, foram observados vocábulos relacionados à logística, como “prazo”, “entrega” e “correio”, e à qualidade, como “qualidade”, “embalagem” e “peça”. Esse padrão misto é consistente com a natureza intermediária das avaliações de 3 estrelas, que frequentemente expressam uma experiência parcialmente satisfatória, onde aspectos positivos e negativos se equilibram na percepção do cliente.

A análise de frequência temática agrupou os termos dos comentários em três categorias principais: Produto/Qualidade, Logística/Entrega e Atendimento/Vendedor, segmentadas por polaridade de sentimento. O tema Logística/Entrega foi o mais frequente em todas as polaridades, com 20.326 ocorrências em comentários positivos, 4.413 em negativos e 1.935 em neutros. Esse dado reforça que a logística é um eixo central da experiência de compra no e-commerce brasileiro, sendo um fator determinante tanto para a satisfação, quando a entrega é rápida e pontual, quanto para a insatisfação, em casos de atrasos, extravios ou falhas de rastreio.

O tema Produto/Qualidade foi o segundo mais frequente nos comentários positivos, com 11.486 ocorrências, indicando a importância da qualidade e conformidade do produto para a satisfação do cliente. Por outro lado, o tema Atendimento/Vendedor apresentou um peso relativo maior nos comentários negativos, com 2.769 ocorrências negativas contra 2.848 positivas. Isso sugere que problemas de atendimento tendem a gerar avaliações desfavoráveis com maior intensidade do que a satisfação com o vendedor gera avaliações positivas, destacando a sensibilidade do consumidor a falhas no suporte e comunicação.

Desempenho Global dos Modelos

A avaliação do desempenho dos sete modelos implementados no conjunto de teste, composto por 8.116 amostras estratificadas, revelou diferenças significativas. O modelo BERTimbau obteve o melhor desempenho global, alcançando uma acurácia de 84,54% e um F1-Score ponderado de 83,74%. Esse resultado confirma a superioridade das arquiteturas baseadas em Transformers para tarefas de classificação de texto em português, alinhando-se com a literatura recente da área que aponta para a eficácia desses modelos em capturar nuances linguísticas complexas (Souza et al., 2020).

Entre os modelos clássicos, o Naive Bayes com representação Bag-of-Words (BoW) destacou-se como a alternativa mais competitiva, atingindo uma acurácia de 81,36% e um F1-Score de 81,40%. Em seguida, o Naive Bayes com representação TF-IDF obteve uma acurácia de 83,06% e um F1-Score de 80,26%. Embora a acurácia do Naive Bayes + TF-IDF tenha sido próxima à do BERTimbau, seu F1-Score ponderado foi 3,48 pontos percentuais inferior, o que indica um menor equilíbrio entre precisão e revocação nas classes minoritárias, um aspecto crítico em cenários de desbalanceamento.

Os modelos de Regressão Logística, tanto com BoW quanto com TF-IDF, apresentaram os menores valores de acurácia global, com 77,18% e 77,43%, respectivamente. Apesar de exibirem uma precisão ponderada comparativamente elevada (82,10% e 83,12%), esses resultados sugerem uma maior taxa de falsos negativos nas classes Negativo e Neutro. Essa característica é típica de modelos que tendem a prever majoritariamente a classe dominante (Positivo), comprometendo a identificação das classes menos representadas, o que pode ser problemático para a detecção de problemas específicos.

A análise visual do desempenho dos modelos reforça a superioridade do BERTimbau em termos de acurácia e recall ponderado. O Support Vector Machine (SVM) com representação TF-IDF apresentou um desempenho equilibrado entre as quatro métricas avaliadas, posicionando-se como o melhor modelo clássico em termos de consistência global. Esse equilíbrio é importante para aplicações onde a identificação de todas as classes é igualmente relevante, mesmo que não atinja os picos de desempenho do BERTimbau em classes majoritárias.

Análise por Classe de Sentimento – BERTimbau

O desempenho do modelo BERTimbau por classe de sentimento revelou resultados robustos para as classes Positivo e Negativo, mas uma limitação notável para a classe Neutro. Para as avaliações positivas, o BERTimbau alcançou um F1-Score de 92%, e para as negativas, um F1-Score de 81%. Esses valores demonstram a alta capacidade do modelo em identificar corretamente as polaridades mais claras, o que é fundamental para a gestão de reputação e a identificação de problemas críticos em produtos e serviços.

No entanto, o desempenho na classe Neutro foi significativamente inferior, com um F1-Score de apenas 27%. Esse padrão é esperado e consistente com a dificuldade inerente de classificar avaliações intermediárias, cujo conteúdo linguístico frequentemente mistura elementos positivos e negativos, conforme evidenciado na análise exploratória. A classe Neutro representa apenas 8,7% do dataset, o que contribui para o desafio de modelagem devido ao forte desbalanceamento de classes, tornando a tarefa de distinção mais complexa para o algoritmo.

A matriz de confusão do BERTimbau detalhou a distribuição dos acertos e erros. O modelo classificou corretamente 1.837 das 2.174 avaliações negativas (84,0% de recall), 162 das 705 neutras (23,0% de recall) e 4.862 das 5.237 positivas (92,8% de recall). Os principais erros de classificação concentraram-se na classe Neutro, com 284 avaliações neutras sendo classificadas erroneamente como Negativas e 259 como Positivas. Esse resultado é coerente com o caráter híbrido e ambíguo dessas avaliações, que dificultam uma categorização precisa.

Entre os 213 falsos negativos da classe Positivo, que foram classificados como Negativo, é provável que se tratem de comentários com um tom ambíguo ou que incluam críticas pontuais em avaliações globalmente favoráveis. Essa nuance é um desafio para qualquer modelo de classificação de sentimentos, pois a linguagem humana frequentemente expressa múltiplas emoções ou ressalvas dentro de um contexto predominantemente positivo. A capacidade de discernir essas sutilezas é um diferencial dos modelos mais avançados, como o BERTimbau, mas ainda apresenta margem para aprimoramento.

A comparação com a matriz de confusão do Naive Bayes + BoW revelou padrões similares, mas com algumas diferenças importantes. O Naive Bayes + BoW obteve um recall de 80,4% para a classe Negativa (1.748 acertos em 2.174), 27,1% para Neutro (191 acertos em 705) e 89,1% para Positivo (4.664 acertos em 5.237). Em comparação com o BERTimbau, o Naive Bayes apresentou um recall menor na classe Negativa (80,4% versus 84,0%), e um desempenho similar na classe Neutra. Isso evidencia que a vantagem do modelo de Deep Learning é mais pronunciada na identificação correta de avaliações negativas, um aspecto de especial relevância para a gestão de reputação e monitoramento de qualidade no varejo online.

Os resultados obtidos confirmam a hipótese de que o BERTimbau, por ser pré-treinado exclusivamente em português brasileiro e operar com atenção bidirecional sobre o contexto completo da frase, é capaz de capturar nuances linguísticas que os modelos clássicos, baseados em representações esparsas do tipo BoW e TF-IDF, não conseguem modelar adequadamente. Expressões coloquiais, negações compostas e construções ambíguas, típicas do português escrito informal do e-commerce, são exemplos de fenômenos que se beneficiam do processamento contextual do BERT (Devlin et al., 2019; Souza et al., 2020).

Um achado relevante foi o desempenho do Naive Bayes + BoW, que se posicionou como o segundo melhor modelo, com F1-Score de 81,40%, superando inclusive a combinação SVM + TF-IDF (80,89%) e o Naive Bayes + TF-IDF (80,26%). Esse resultado contraria a expectativa inicial de que a representação TF-IDF, por ponderar a raridade dos termos, produziria melhores resultados em todas as combinações. A explicação provável reside no fato de que o Naive Bayes, por modelar diretamente as probabilidades de ocorrência de palavras por classe, se beneficia da frequência bruta de termos altamente discriminativos, como “prazo”, “entrega” e “perfeito” nos positivos, e “atraso”, “nunca” e “problema” nos negativos, informação que o TF-IDF tende a relativizar (Tan et al., 2006).

A dificuldade de todos os modelos em classificar corretamente a classe Neutro, com F1-Scores entre 9% e 28%, reflete uma limitação estrutural da tarefa. Avaliações de 3 estrelas expressam percepções mistas que frequentemente utilizam vocabulário de ambas as polaridades extremas, tornando a distinção um desafio intrínseco. Estratégias como aumento de dados sintéticos (data augmentation), técnicas de oversampling ou arquiteturas específicas para classificação de classes intermediárias poderiam ser exploradas em trabalhos futuros para mitigar esse efeito, buscando um balanceamento mais eficaz das classes.

Do ponto de vista de aplicabilidade gerencial, os resultados demonstram que a automação da análise de sentimentos em avaliações de e-commerce é viável com alto grau de confiabilidade para as classes Positivo e Negativo. O modelo BERTimbau, em particular, apresenta desempenho suficiente para ser integrado a sistemas de monitoramento contínuo de satisfação de clientes. Isso permite a identificação proativa de gargalos logísticos, problemas de atendimento e falhas de produto com base nos comentários textuais, sem depender exclusivamente da nota numérica atribuída pelo consumidor, que pode não refletir fielmente os aspectos específicos de insatisfação expressos no texto.

Em síntese, a pesquisa confirmou a superioridade do BERTimbau na classificação de sentimentos em avaliações de e-commerce brasileiro, oferecendo uma ferramenta robusta para extrair inteligência de dados não estruturados. Os achados revelaram a centralidade da logística e da qualidade do produto na satisfação do cliente, bem como a sensibilidade a problemas de atendimento. A capacidade de identificar com precisão sentimentos positivos e negativos, apesar dos desafios na classe neutra, posiciona a análise de sentimentos como um recurso estratégico para gestores de e-commerce na otimização da experiência do consumidor e na tomada de decisões orientadas por dados.

4. Conclusão

Este estudo buscou implementar e comparar algoritmos de Machine Learning e Deep Learning para a classificação de sentimentos expressos em avaliações textuais de produtos do varejo online brasileiro, com o objetivo de identificar o modelo com melhor desempenho preditivo e gerar subsídios analíticos para gestores de e-commerce. Verificou-se que o modelo BERTimbau obteve o desempenho superior entre os algoritmos avaliados, alcançando acurácia de 84,54% e F1-Score ponderado de 83,74%. A análise exploratória dos comentários revelou que a logística e a entrega constituíram o tema dominante em todas as polaridades de sentimento, sendo um fator central para a satisfação ou insatisfação do cliente. A qualidade do produto também se mostrou crucial para avaliações positivas, enquanto problemas de atendimento ao cliente foram mais prevalentes em comentários negativos. A automação da análise de sentimentos, com a precisão demonstrada pelo BERTimbau, configura-se como uma ferramenta essencial para a gestão estratégica no varejo online, permitindo a identificação proativa de gargalos operacionais e o direcionamento de ações corretivas baseadas na percepção do consumidor.

Apesar do desempenho robusto para as classes Positivo e Negativo, a classificação da classe Neutro representou um desafio significativo para todos os modelos, com F1-Scores entre 9% e 28%, evidenciando a dificuldade intrínseca de modelar avaliações ambíguas e o desbalanceamento de classes. Essa limitação sugere que estudos futuros poderiam explorar estratégias de balanceamento de dados, como o aumento de dados sintéticos, ou arquiteturas especializadas para a classificação de sentimentos intermediários. Adicionalmente, a utilização de dados mais recentes, que reflitam os padrões linguísticos e vetores de satisfação atuais, e a aplicação de modelos de linguagem de grande escala (LLMs) poderiam aprimorar a representação e o refinamento contínuo dos classificadores em produção.

Referências Bibliográficas

Adnan, M.; Akbar, M.A. 2021. An analytical study of information extraction from unstructured and multidimensional big data. Journal of Big Data 8(1): 1-33.

Baviskar, D.; Ahirrao, S.; Potdar, V.; Kotecha, K. 2021. Efficient automated processing of the unstructured documents using artificial intelligence: a systematic literature review and future directions. IEEE Access 9: 72894-72936.

Devlin, J.; Chang, M.W.; Lee, K.; Toutanova, K. 2019. BERT: pre-training of deep bidirectional Transformers for language understanding. In: Annual Conference of the North American Chapter of the Association for Computational Linguistics, 2019, Minneapolis, MN, EUA. Anais… p. 4171-4186.

Joachims, T. 1998. Text categorization with support vector machines: learning with many relevant features. In: European Conference on Machine Learning, 1998, Berlim, Alemanha. Anais… p. 137-142.

Liu, J.; Chen, Y.; Liu, K.; Zhao, J. 2015. Sentiment analysis using product review data. Journal of Big Data 2(1): 1-14.

Raza, D.; Bhatti, M.T.; Khan, M.A.; Fatima, M. 2024. Sentiment analysis on e-commerce product reviews using machine learning and deep learning algorithms: a bibliometric analysis, systematic literature review, challenges and future works. Computers & Industrial Engineering 195: 110478.

Silva, L.; Souza, M.; Oliveira, R.; Lima, A. 2024. Comparative analysis of machine learning algorithms for sentiment classification in social media text. World Journal of Advanced Research and Reviews 23(3): 2842-2852.

Sokolova, M.; Lapalme, G. 2009. A systematic analysis of performance measures for classification tasks. Information Processing & Management 45(4): 427-437.

Souza, F.; Nogueira, R.; Lotufo, R. 2020. BERTimbau: pretrained BERT models for Brazilian Portuguese. In: Brazilian Conference on Intelligent Systems, 2020, Rio Grande do Sul, RS, Brasil. Anais… p. 403-417.

Souza, F.; Souza Filho, J. 2022. BERT for sentiment analysis: pre-trained and fine-tuned alternatives. Lecture Notes in Computer Science 13074: 33-47.

Tan, P.N.; Steinbach, M.; Kumar, V. 2006. Introduction to Data Mining. Pearson, Upper Saddle River, NJ, EUA.

Zhang et al., 2011 [Referência completa não encontrada no documento original]

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Você também pode gostar

16 de novembro de 2026

Padrões da criminalidade em violência e exploração sexual infantojuvenil em Santa Catarina

A violência e a exploração sexual contra crianças e adolescentes constituem um grave problema social, caracterizado por subnotificação e complexidade investigativa, com impacto direto nas políticas públicas de proteção. Este estudo analisou os padrões espaciais, temporais e sociodemográficos da violência e exploração sexual infantojuvenil em Santa Catarina, com o objetivo de identificar áreas críticas e perfis de risco que subsidiassem a formulação de políticas públicas de prevenção. Utilizou-se uma abordagem quantitativa descritiva, aplicada a 12.321 solicitações de perícia médico-legal da Polícia Científica de Santa Catarina, referentes ao período de 2023 a 2025. A metodologia combinou análise exploratória de dados com técnicas de aprendizado de máquina não supervisionado, incluindo HDBSCAN, K-Means e Self-Organizing Maps (SOM). Os resultados revelaram uma distribuição etária bimodal das vítimas, com picos aos 3 e aos 13 anos, e predomínio de vítimas do sexo feminino. Constatou-se que apenas metade das denúncias ocorreu dentro do prazo de 72 horas recomendado para preservação de vestígios. Espacialmente, municípios do meio-oeste e da região serrana apresentaram as maiores taxas de vitimização após correção por Empirical Bayes, em contraste com a concentração absoluta nas grandes cidades litorâneas. A análise temporal identificou sazonalidade, com vales nos meses de férias escolares, o que sugeriu redução dos canais institucionais de detecção nesses períodos. Concluiu-se que o fenômeno é estrutural e territorialmente heterogêneo, demandando estratégias diferenciadas de prevenção e resposta institucional para os diversos perfis de vitimização.

Palavras-chave: clusterização espacial; mineração de dados; perícia médico-legal; proteção infantojuvenil; subnotificação.

16 de novembro de 2026

Certificações de Compliance: Idoneidade Prática em Contraponto ao Formalismo Documental

A proliferação de programas de conformidade resultou frequentemente na estruturação de sistemas de fachada, priorizando o formalismo documental em detrimento da idoneidade prática. Diante desse cenário, objetivou-se avaliar a idoneidade de programas de conformidade em corporações de alto escrutínio regulatório, distinguindo a declaração formal da capacidade substantiva de prevenção. Para tanto, adotou-se uma abordagem mista e um delineamento de estudo de casos múltiplos, empregando a estratégia de transparência forçada para analisar relatórios públicos de duas unidades-caso. Aplicou-se uma matriz de indicadores fundamentada em normativas internacionais e nacionais, estruturada nos eixos de existência, substância e efetividade. Os resultados demonstraram que, na base operacional, as organizações alcançaram idoneidade estrutural ao integrarem a gestão de riscos à agenda socioambiental, estabelecendo bloqueios automáticos e diligência prévia rigorosa contra fornecedores irregulares. Contudo, a investigação evidenciou um “teto de vidro” corporativo na alta governança, caracterizado pela opacidade orçamentária da área de controle e pela omissão de dados granulares sobre sanções financeiras aplicadas a altos executivos. Concluiu-se que a erradicação da conformidade ilusória demanda a transição do alinhamento estático às regras para a internalização cultural da ética, exigindo transparência irrestrita e responsabilização equitativa desde a cadeia de suprimentos até o núcleo estratégico de tomada de decisão.

Palavras-chave: Conformidade ilusória; Fatores socioambientais; Governança corporativa; Indicadores de idoneidade; Transparência forçada.

16 de novembro de 2026

Análise do perfil de aprendizagem de escolas públicas e impacto no desempenho escolar adequado

A análise do perfil de aprendizagem de alunos do quinto ano de escolas públicas e seu impacto no desempenho escolar adequado foi o objetivo deste projeto. Investigou-se o comportamento de habilidades consolidadas em avaliações formativas e sua relação com pontos de corte de proficiência do Sistema de Avaliação Nacional da Educação Básica (Saeb). Incluíram-se resultados de proficiência em Língua Portuguesa e Matemática do Saeb de 2023, agregados por escola. Os dados de habilidade consistiram nos percentuais de acerto por descritores, obtidos em parceria com um programa sem fins lucrativos. Devido à multicolinearidade observada entre os descritores, o impacto na proficiência foi avaliado por modelos de Regressão de Ridge (Regularização L2), estratificados pelo nível de desempenho das escolas. Observou-se que os modelos diferenciaram descritores de habilidades básicas e complexas conforme o estágio de desenvolvimento da escola. Descritores básicos impactaram escolas insatisfatórias, mas apresentaram efeito-teto em escolas satisfatórias, onde as competências já estavam consolidadas. Descritores mais complexos impactaram escolas satisfatórias que buscavam maior proficiência. A pesquisa buscou contribuir para o desenvolvimento da educação básica de alunos de escolas públicas, sugerindo práticas pedagógicas apropriadas às necessidades identificadas.

Palavras-chave: Avaliação educacional; Descritores; Matriz de prioridade; Regressão de Ridge.

16 de novembro de 2026

Gestão Integrada com PMO em Projetos de Infraestrutura Hospitalar

Projetos de infraestrutura hospitalar caracterizam-se por elevada complexidade, devido à interdependência entre múltiplas disciplinas técnicas e à necessidade de alinhamento com demandas operacionais específicas das unidades de saúde. Diante desse contexto, o trabalho teve como objetivo propor um modelo de gestão integrada, apoiado por um Project Management Office (PMO), baseado na estruturação de um Fluxo Integrado de Desenvolvimento de Projetos Hospitalares. A pesquisa foi conduzida com abordagem qualitativa, de natureza aplicada e caráter exploratório, fundamentada na análise de experiências profissionais em projetos desenvolvidos em Salvador (BA) e São Luís (MA). A metodologia adotou análise comparativa entre cenários com e sem práticas estruturadas de gestão, permitindo identificar padrões recorrentes de retrabalho, falhas na integração entre disciplinas e participação não estruturada dos stakeholders. A partir dessa análise, estruturou-se um fluxo baseado nas fases do ciclo de vida do gerenciamento de projetos, com etapas, pontos formais de validação e mecanismos de monitoramento e controle. Os resultados indicaram que a aplicação do modelo contribuiu para a consolidação de decisões iniciais, redução do retrabalho em fases avançadas, melhoria da integração entre disciplinas e aumento da previsibilidade no desenvolvimento dos projetos. Concluiu-se que a estruturação do processo de desenvolvimento, associada à validação antecipada das soluções e à organização da participação dos stakeholders, apresenta potencial para melhorar o desempenho de projetos hospitalares, condicionada ao engajamento das áreas envolvidas e à existência de uma estrutura de coordenação capaz de garantir o cumprimento das etapas e a formalização das decisões.

Palavras-chave: Controle de escopo; Gerenciamento da integração; Gestão de projetos; Infraestrutura hospitalar; Stakeholders.

16 de novembro de 2026

Canais de Denúncia e Proteção ao Denunciante em Programas de Compliance de Auditorias Cariocas

Os programas de compliance e os canais de denúncia constituem mecanismos fundamentais para a detecção de atos ilícitos e o fortalecimento da cultura ética nas organizações. O estudo teve como objetivo investigar a percepção, a confiança e a disposição dos colaboradores de empresas de auditoria no Rio de Janeiro em relatar possíveis irregularidades corporativas. A metodologia empregou uma abordagem quantitativa, que se fundamentou em revisão bibliográfica e na coleta de dados empíricos. Para isso, aplicou-se um formulário eletrônico estruturado a 22 respondentes qualificados, cujos dados foram processados por meio de análise estatística descritiva. Os resultados indicaram uma acentuada vulnerabilidade na segurança organizacional, visto que 72,7% dos participantes demonstraram desconfiança quanto à preservação do anonimato. Evidenciou-se um silêncio institucional em situações eticamente atípicas envolvendo cargos de liderança, bem como a percepção de risco elevado de retaliação entre os colaboradores. Concluiu-se que a efetividade dos sistemas de integridade nessas organizações depende da robustez das garantias formais de sigilo e da implementação de políticas eficazes de proteção ao denunciante, visando assegurar a autonomia e a funcionalidade dos programas de compliance.

Palavras-chave: anonimato; canais de denúncia; compliance; silêncio organizacional.

16 de novembro de 2026

Fundos de investimento no Brasil: estratégias de risco, retorno e diversificação de carteira.

O mercado de fundos de investimento no Brasil consolidou-se como alternativa relevante para aplicação de recursos, especialmente diante da necessidade de equilibrar risco e retorno em diferentes cenários econômicos. O estudo objetivou analisar em que medida a diversificação de carteiras entre diferentes categorias de fundos de investimento associou-se à eficiência da relação risco-retorno no Brasil. Para isso, realizou-se uma pesquisa de caráter aplicado, descritivo e quantitativo, com base em dados secundários obtidos em bases públicas como ANBIMA, CVM e IPEA. A amostra compôs-se por nove fundos de investimento das categorias renda fixa, multimercado e ações, e analisaram-se os retornos mensais no período de junho de 2022 a junho de 2025. A avaliação do desempenho conduziu-se por meio dos indicadores de retorno acumulado, desvio-padrão, Índice de Sharpe e correlação entre categorias. Os resultados evidenciaram que os fundos de renda fixa apresentaram maior estabilidade, enquanto os fundos de ações demonstraram maior volatilidade e potencial de retorno, e os fundos multimercado comportamento intermediário. A análise do desempenho ajustado ao risco indicou que maiores retornos não implicaram, necessariamente, maior eficiência. Adicionalmente, observou-se baixa correlação entre as categorias, sugerindo potencial de diversificação. A pesquisa sugeriu que a diversificação entre diferentes categorias de fundos associou-se à melhoria da relação risco-retorno, favorecendo a construção de carteiras mais eficientes no contexto analisado.

Palavras-chave: Carteira; Correlação; Desvio-padrão; Índice de Sharpe.

16 de novembro de 2026

Projeto SerMente: a contribuição da neurociência sobre adaptação escolar e desenvolvimento socioemocional

O tempo extraescolar configura-se como uma estratégia educacional relevante para a formação integral de crianças, especialmente no desenvolvimento de competências socioemocionais em contextos de transição escolar. Diante dos impactos educacionais e emocionais intensificados no período pós-pandemia de COVID-19, tornou-se necessária a proposição de práticas pedagógicas estruturadas. Com esse contexto, o estudo objetivou desenvolver e estruturar uma proposta pedagógica autoral, denominada SerMente, voltada ao desenvolvimento de competências socioemocionais, integrando as diferentes experiências formativas da criança. A pesquisa caracterizou-se como um estudo qualitativo, aplicado e descritivo. A metodologia empregou revisão bibliográfica, análise documental de diretrizes educacionais e um relato de experiência profissional da autora. Não houve coleta direta de dados de participantes, dispensando submissão a comitê de ética. A ferramenta de inteligência artificial ChatGPT foi utilizada como apoio à organização e aprimoramento da escrita, com a autora assumindo total responsabilidade pelo conteúdo. Os resultados da análise integrada dos dados revelaram a fragmentação do acompanhamento infantil como um desafio central. Em resposta, sistematizou-se a proposta pedagógica SerMente, que integra dimensões cognitivas, emocionais e relacionais, fundamentada em referenciais da neurociência aplicada à educação e na experiência da autora. A proposta foi estruturada com objetivos pedagógicos, princípios metodológicos e atividades para o tempo extraescolar, incluindo instrumentos de observação e acompanhamento. A pesquisa possibilitou a construção de uma proposta pedagógica que reconhece o tempo extraescolar como espaço intencional de intervenção educativa. Concluiu-se que práticas pedagógicas integradas favorecem a adaptação escolar, o engajamento, a autorregulação emocional e a construção de relações significativas, oferecendo uma abordagem estruturada para superar a fragmentação no desenvolvimento infantil.

Palavras-chave: Autorregulação emocional; Competências socioemocionais; Contraturno escolar; Ludicidade; Neurociência aplicada à educação.

16 de novembro de 2026

Do cérebro à sala de aula: neurociência e metodologias ativas no ensino de inglês no Ensino Fundamental

A necessidade de compreender como estratégias pedagógicas podem favorecer o engajamento e a aprendizagem no ensino de língua inglesa nos anos iniciais do Ensino Fundamental, à luz da Neurociência da Educação, impulsionou este trabalho. O estudo teve como objetivo analisar as contribuições das metodologias ativas, articuladas a princípios da neurociência, para o processo de ensino e aprendizagem de língua inglesa. Metodologicamente, caracterizou-se como um relato de experiência de abordagem qualitativa e descritiva. A pesquisa foi desenvolvida a partir da aplicação de práticas como gamificação, sala de aula invertida, “storytelling” e “roleplay” em um contexto escolar, com observações registradas em caderno de campo ao longo de dois meses em uma escola municipal no sul da Bahia, envolvendo turmas do 3º, 4º e 5º ano do Ensino Fundamental I. Os resultados indicaram que a utilização dessas estratégias favoreceu o aumento do engajamento, da participação e da confiança dos alunos na produção oral. Além disso, as metodologias ativas contribuíram para a atenção, a memória e a interação em sala de aula, e a participação ativa dos estudantes na construção das atividades potencializou a motivação e o envolvimento com o processo de aprendizagem. Concluiu-se que a articulação entre neurociência e metodologias ativas pode contribuir significativamente para a construção de práticas pedagógicas mais dinâmicas, interativas e alinhadas às necessidades dos alunos.

Palavras-chave: Aprendizagem; Engajamento; Ensino de inglês; Metodologias ativas; Neurociência da educação.

16 de novembro de 2026

Papel do UGC na construção de credibilidade das marcas na percepção dos criadores de conteúdo

O crescimento do User Generated Content (UGC) e a transformação da comunicação entre marcas e consumidores no ambiente digital destacaram o UGC como uma alternativa autêntica em um cenário publicitário saturado. O estudo analisou como criadores de conteúdo percebem o papel do UGC na construção da credibilidade das marcas. Realizou-se uma pesquisa qualitativa, com dados coletados por meio de questionário aplicado a 57 criadores brasileiros de conteúdo UGC, recrutados por conveniência via redes sociais. A organização e análise dos dados contou com o suporte da ferramenta de inteligência artificial Gemini para categorização temática. Os resultados indicaram que a autenticidade é o principal fator de valor do UGC, diretamente ligada à transparência e às experiências reais. Os criadores reconheceram sua influência nas decisões de consumo, reforçando a prova social. Observou-se que a credibilidade das marcas depende da coerência entre discurso e prática, sendo impactada pelas relações estabelecidas com os criadores. Concluiu-se que o UGC atua como elemento estratégico na construção da credibilidade, exigindo das marcas abordagens mais autênticas, transparentes e alinhadas aos valores do público, e sugeriu-se a priorização de relações colaborativas e liberdade criativa.

Palavras-chave: Autenticidade; Criadores de Conteúdo; Credibilidade de Marca; Prova Social; UGC.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade