Model Card: is-pedido-lai-classifier

1. Detalhes do Modelo

• Desenvolvido por: Elias Jacob, no contexto de pesquisa sobre as manifestações da Ouvidoria do SUS na plataforma Fala.BR.
• Data: Junho de 2026 (dados extraídos do Fala.BR atualizados até 03/06/2026).
• Versão: 1.0 (primeiro modelo publicado). Pacote do projeto em 0.1.0.
• Tipo de modelo: Transformer encoder (BERT) ajustado para classificação binária de sequências. Checkpoint base: neuralmind/bert-large-portuguese-cased (BERTimbau Large, arquitetura BERT-large, 24 camadas, cerca de 330 milhões de parâmetros, português cased), com uma cabeça de classificação de 2 rótulos inicializada do zero (BertForSequenceClassification).
• Algoritmos de treinamento, parâmetros, restrições de equidade e características de entrada:
  • Otimizador: AdamW (padrão do Trainer do transformers).
  • Função de perda: CrossEntropyLoss ponderada por classe. Os pesos são inversos à frequência e calculados somente no conjunto de treino: nao_lai = 3.4269, lai = 0.5854.
  • Taxa de aprendizado e schedule: 2e-5, schedule linear (padrão do Trainer), sem warmup explícito; weight_decay = 0.01.
  • Tamanho de batch: 64 por dispositivo. O modelo publicado foi treinado em 8 GPUs em paralelo (DataParallel de processo único, world_size = 1, gradient_accumulation_steps = 1), portanto o batch efetivo foi 64 x 8 = 512 (78 passos por época, ceil(39677 / 512)).
  • Número de épocas / passos: até 10 épocas, totalizando 780 passos de otimização (78 por época). A melhor época é selecionada por MCC numa fatia de validação (load_best_model_at_end=True, metric_for_best_model="mcc"); no modelo publicado foi a época 9 (passo 702, MCC de validação 0.6887). Precisão mista bf16. Semente fixa 271828.
  • Restrições de equidade aplicadas: nenhuma. O único tratamento do desbalanceamento (cerca de 85/15) é a ponderação de classe na perda.
  • Características de entrada (features) e pré-processamento: um único campo de texto formado pela concatenação de resumo_titulo (ResumoSolicitacao) e texto_pedido (Teor.DescricaoAtosOuFatos), nessa ordem, separados por espaço. São os campos escritos pelo cidadão e que sobrevivem à reclassificação, portanto não vazam o rótulo. Tokenizado com o tokenizer do BERTimbau e truncado em 510 tokens. Os campos leak_* (Assunto, SubAssunto, TipoSugeridoFalaBrIA) são deliberadamente excluídos por vazarem o rótulo.
• Como citar:
  bibtex

  1@misc{jacob2026ispedidolai, 2 author = {Jacob, Elias}, 3 title = {is-pedido-lai-classifier: classificador binario de pedidos de 4 acesso a informacao (LAI) no Fala.BR}, 5 year = {2026}, 6 howpublished = {Hugging Face Hub}, 7} 8 9@inproceedings{souza2020bertimbau, 10 author = {Souza, Fabio and Nogueira, Rodrigo and Lotufo, Roberto}, 11 title = {{BERTimbau}: Pretrained {BERT} Models for {Brazilian} {Portuguese}}, 12 booktitle = {Intelligent Systems (BRACIS)}, 13 year = {2020}, 14}
• Licença: Não disponível. O checkpoint base BERTimbau possui licença própria; verifique os termos de neuralmind/bert-large-portuguese-cased antes de redistribuir.

2. Uso Pretendido

• Usos primários pretendidos: triagem/apoio à reclassificação de manifestações que chegaram como LAI no Fala.BR, sinalizando aquelas que provavelmente não são pedidos de acesso à informação (is_lai = 0) e deveriam ser reclassificadas (tipicamente para Solicitação, Reclamação, Denúncia, etc.). É um classificador binário sobre o texto original do cidadão.
• Usuários primários pretendidos: equipes de ouvidoria responsáveis pela triagem, pesquisadores e desenvolvedores que constroem ferramentas de apoio a essa triagem.
• Usos fora do escopo:
  • Manifestações que não chegaram como LAI: o universo de treino e avaliação é restrito a tipo_chegada == "Acesso a Informacao". Fora dele o comportamento é indefinido.
  • Decisão automática final sem revisão humana, em especial para fins legais (a Lei 12.527/2011 fixa prazos e ritos próprios para a LAI).
  • Classificador geral de assunto/tipo de manifestação: o modelo só distingue LAI x não-LAI.
  • Domínios fora da saúde/SUS ou idiomas diferentes do português: o modelo não foi validado nesses contextos.

3. Fatores

• Fatores relevantes: comprimento do texto (pedidos muito curtos ou muito longos, sendo estes últimos truncados em 510 tokens); tipo de destino da reclassificação para os casos is_lai = 0 (Solicitação, Reclamação, Denúncia, Sugestão, Elogio); domínio temático (saúde / SUS, já que os dados vêm da Ouvidoria do SUS); idioma (português brasileiro); órgão/unidade de destino (não registrado de forma estruturada no dataset).
• Fatores avaliados: a Seção 7 reporta o desempenho por classe (nao_lai vs lai) no conjunto de teste retido. Não houve avaliação desagregada por destino da reclassificação, por faixa de comprimento de texto nem por órgão; essa limitação está registrada na Seção 9.

4. Métricas

• Medidas de desempenho do modelo: a métrica principal é o MCC (coeficiente de correlação de Matthews), escolhido por ser robusto ao desbalanceamento de classes. Também são reportados F1, precisão e recall da classe minoritária (nao_lai = 0, a classe operacionalmente relevante), além de acurácia balanceada e acurácia global. A seleção da arquitetura (BERTimbau Large vs Base e vs modelos clássicos com TF-IDF) usou MCC médio em validação cruzada estratificada de 10 folds.
• Limiares de decisão: argmax do softmax (limiar implícito de 0.5). Não houve calibração de probabilidades nem ajuste de limiar no modelo final. A melhor época foi escolhida por MCC na fatia de validação.
• Abordagens de incerteza e variabilidade: a seleção da arquitetura apoiou-se em validação cruzada estratificada de 10 folds, com teste de Friedman + Nemenyi e análise bayesiana (ROPE) das diferenças. No CV de 10 folds, o BERTimbau Large obteve MCC = 0.6801 +/- 0.0131 (média +/- desvio), à frente do BERTimbau Base (0.6801 vs 0.6699; com a análise ROPE indicando que Large e Base são praticamente equivalentes) e de todos os modelos clássicos (melhor clássico: Regressão Logística, MCC = 0.6477 +/- 0.0140). O modelo final publicado, porém, foi treinado e avaliado uma única vez num split estratificado 90/10; não há intervalo de confiança por bootstrap calculado sobre esse teste retido específico. O MCC do teste retido (0.6825) é coerente com o intervalo observado no CV.

5. Dados de Avaliação

• Conjuntos de dados: fatia de teste retida de 10% do dataset_lai.parquet, separada por amostragem estratificada por is_lai com semente 271828, e avaliada uma única vez. Tamanho: 4.899 exemplos (proporção is_lai = 1 de 0.8541, ou seja 4.184 lai e 715 nao_lai). O teste permaneceu intocado durante todo o treino e a seleção de época.
• Motivação: estimar o desempenho de generalização do modelo final em dados não vistos, preservando a mesma distribuição de classes da população.
• Pré-processamento: idêntico ao do treino (concatenação de resumo_titulo + texto_pedido, tokenização BERTimbau, truncamento em 510 tokens).

6. Dados de Treinamento

• Conjuntos de dados: o restante (90%) do dataset_lai.parquet, totalizando 44.086 exemplos, dos quais 4.409 foram separados como fatia de validação (seleção da melhor época) e 39.677 usados de fato no treino. O dataset completo tem 48.985 linhas (após remoção de duplicatas por texto_pedido; eram 50.373 manifestações que chegaram como LAI).
• Motivação: capturar o texto original do cidadão em manifestações que chegaram como LAI, para aprender a distinguir pedidos genuínos de LAI daqueles que a ouvidoria reclassifica. A fonte é o FalaBR, atualizado até 03/06/2026; o domínio é saúde (Ouvidoria do SUS) e os textos são em português brasileiro.
• Pré-processamento:
  • Rotulagem reconstruída a partir do Historico de cada manifestação: o tipo de chegada é reconstruído pela gramática de reclassificação (o campo do snapshot é sobrescrito na reclassificação); o universo é tipo_chegada == LAI; is_lai = 1 se o tipo final permanece LAI, senão is_lai = 0.
  • Features seguras: resumo_titulo e texto_pedido (texto do cidadão, não reescrito).
  • Remoção de linhas com texto vazio e deduplicação por texto_pedido.
• Distribuição sobre fatores relevantes: classes no dataset completo de 49.059 linhas: is_lai = 1 (LAI genuíno) com 41.904 exemplos (85.4%) e is_lai = 0 (reclassificado para fora) com 7.155 exemplos (14.6%). Entre os is_lai = 0, os destinos de reclassificação mais comuns são Solicitação, Reclamação e Denúncia (com Sugestão e Elogio raros). O texto do cidadão tem mediana de cerca de 68 palavras na classe lai e 52 palavras na classe nao_lai.

7. Análises Quantitativas

• Resultados unitários (por classe; F1/precisão/recall da classe indicada):

  Fator	Valor	Métrica	IC 95%
  Classe nao_lai (0)	0.67	precisão	não calculado
  Classe nao_lai (0)	0.80	recall	não calculado
  Classe nao_lai (0)	0.73	F1 (suporte 715)	não calculado
  Classe lai (1)	0.96	precisão	não calculado
  Classe lai (1)	0.93	recall	não calculado
  Classe lai (1)	0.95	F1 (suporte 4184)	não calculado
  Global	0.6825	MCC	não calculado
  Global	0.8655	acurácia balanceada	não calculado
  Global	0.9139	acurácia	não calculado

  Médias agregadas do relatório de classificação: macro F1 = 0.84, weighted F1 = 0.92. Para referência, na validação cruzada de 10 folds o BERTimbau Large obteve MCC = 0.6801 +/- 0.0131, fornecendo a melhor estimativa de variabilidade disponível (intervalos de confiança por bootstrap sobre o teste retido não foram calculados).
• Resultados interseccionais: não avaliados. Não foi feito recorte por combinação de fatores (por exemplo, destino da reclassificação x comprimento do texto). Ver Seção 9.

  Fatores	Valores	Métrica	IC 95%
  Não aplicável	Não avaliado	Não avaliado	Não avaliado

8. Considerações Éticas

• Dados sensíveis: sim. As manifestações contêm dados pessoais (nomes, e-mails, relatos de saúde) e foram tratadas como sensíveis. O acesso ao banco foi somente leitura e os textos crus não são publicados junto com o modelo. O modelo não usa atributos protegidos como feature, mas o texto livre do cidadão pode contê-los implicitamente.
• Vida humana: indiretamente. As manifestações referem-se a serviços de saúde do SUS; uma classificação incorreta pode atrasar ou desviar o encaminhamento de uma demanda do cidadão. Por isso o modelo deve assistir, e não substituir, a triagem humana.
• Mitigações: remoção dos campos que vazam o rótulo; ponderação de classe na perda para o desbalanceamento; seleção de modelo por MCC (robusto ao desbalanceamento); teste retido avaliado uma única vez; uso apenas das features seguras escritas pelo cidadão; acesso somente leitura aos dados; não publicação dos textos crus.
• Riscos e danos: um falso negativo (pedido de LAI genuíno marcado como nao_lai) pode levar a tratar como não-LAI um pedido que tem direito ao rito da Lei de Acesso à Informação, prejudicando o cidadão; um falso positivo (manifestação mantida como LAI indevidamente) pode aplicar prazos/ritos errados. Com recall de 0.80 na classe nao_lai, cerca de 20% das reclassificações verdadeiras passam despercebidas pelo modelo. Viés de domínio (apenas saúde/SUS) e por órgão/região não foi avaliado.
• Casos de uso: qualquer reclassificação automática sem revisão humana; cálculo de prazos legais; uso fora do domínio de saúde/SUS; aplicação a manifestações que não chegaram como LAI. Todos merecem cautela.

9. Ressalvas e Recomendações

• Não há análise desagregada nem interseccional (por destino da reclassificação, faixa de comprimento de texto, órgão ou região). Recomenda-se produzi-la antes de uso operacional.
• O modelo final não tem probabilidades calibradas nem ajuste de limiar; se forem usadas probabilidades, recomenda-se calibração (por exemplo, temperature scaling) e escolha de limiar conforme o custo relativo de falsos positivos e negativos.
• O desempenho do modelo final vem de um único split 90/10 avaliado uma vez; não há IC por bootstrap sobre esse teste. A seleção de arquitetura, porém, usou CV de 10 folds com testes estatísticos (Friedman/Nemenyi e análise bayesiana ROPE).
• O rótulo é um proxy reconstruído (tipo final como verdade da reclassificação), incluindo cerca de 28 casos nao_lai recuperados pelo canal de recurso. Alguns destinos são raros (por exemplo, Elogio), de modo que o desempenho nesses subcasos é incerto.
• Domínio restrito à saúde/SUS e ao português; transferência para outros órgãos, domínios ou idiomas não foi testada.
• Há dados pessoais nos textos de entrada: os usuários a jusante devem cumprir a LGPD e não republicar textos crus.
• Truncamento em 510 tokens: pedidos muito longos são cortados, o que pode descartar contexto relevante.
• Recomenda-se monitorar deriva (drift): mudanças nos templates e processos do Fala.BR podem degradar o desempenho ao longo do tempo.
• Um dataset de avaliação ideal para este modelo teria rótulos verificados manualmente (não apenas reconstruídos do histórico), cobertura balanceada dos destinos de reclassificação e de órgãos, e exemplos de fronteira entre LAI e não-LAI.