Daniel Marcelino

Fábio Zambeli

O JOTA lança para os assinantes PRO o seu aprovômetro, uma ferramenta de machine learning capaz de inferir a probabilidade de aprovação de projetos em tramitação no Senado ou na Câmara.
O banco de dados de proposições legislativas coligido pelo JOTA contém quase a totalidade dos registros de tramitação das proposições legislativas apresentadas na Câmara dos Deputados e no Senado Federal no período de 1934 a 2019, totalizando mais 123 mil proposições.
<ul class="jota-article__internal-links">
<li>+JOTA PRO: <a href="https://www.jota.info/degustacao/contato-poder">O Aprovômetro faz parte da cobertura completa do JOTA PRO Poder. Assinantes têm acesso a informações exclusivas antes. Conheça!</a></li>
</ul>
Apenas uma amostra do total dos projetos foi utilizada para treinar um algoritmo avançado de aprendizado de máquina (machine learning) para classificar os projetos de acordo com a probabilidade de serem convertidos em lei.
O algoritmo também leva em consideração o tipo de proposição legislativa, focando nos seguintes tipos: PEC, PL, PLP, PLC, PLS, PLV. Portanto, MPV, projetos de resolução, de decreto legislativo, indicações, requerimentos, recursos etc, não são considerados pela máquina.
Além das chances de aprovação de cada projeto, a ferramenta também produz outras estatísticas e realiza comparações entre projetos sobre o mesmo tema, entre parlamentares e partidos.
O tempo médio de tramitação dos projetos convertidos em lei é de 45 meses para PECs, 41 meses para PL/PLS, e de 39 meses para PLP. Já para os projetos arquivados, a média é de 67 meses, 50 meses e 47 meses, respectivamente.
<h3>O modelo</h3>
O modelo de classificação não supervisionada desenvolvido pelo JOTA aplica uma implementação da família de algoritmos avançados de aprendizado de máquina, Gradient Boosting Machine (GBM), para modelar os dados e metadados das proposições legislativas em tramitação e estimar as chances de aprovação de cada projeto de lei.
O modelo que é baseado em algoritmos de árvores de decisão, produz um conjunto de árvores de decisão "fracas", na qual os preditores não são treinados independentemente (como acontece em modelos construídos com a técnica de Random Forest), mas em sequência. Em cada interação, a máquina aprende de forma indutiva a sequência das árvores de decisão que melhor ajustam os preditores, reduzindo ao máximo os gradientes negativos (também conhecidos como erros residuais). Quando a multidão de árvores fracas e sucessivas é combinada, produz um "consenso" de modelos preditivos bastante forte, difícil de ser obtido com outras famílias de algoritmos de árvore de decisão.
Esse é um ponto importante, porque as técnicas de classificação que utilizam algoritmos de Random Forest são frequentemente rotuladas como métodos "caixas pretas", devido a complexidade do funcionamento interno desses modelos, o que acaba dificultando a interpretação humana. Por outro lado, no JOTA Labs nós acreditamos que a capacidade de interpretação do modelo é crucial para a sua adoção no ambiente de negócios e para que seus processos possam ser documentados e supervisionados, desenvolvendo a confiança humana em relação à máquina a partir da explicação de previsões ainda que individuais.

logo-aprovomentro (2)

https://images.jota.info/wp-content/uploads/2021/09/copy-of-jota-logo-high-cmyk.jpeg

JOTA

Ferramenta de machine learning é capaz de inferir a probabilidade de aprovação de qualquer projeto no Congresso

JOTA lança Aprovômetro de projetos legislativos

Ferramenta de machine learning é capaz de inferir a probabilidade de aprovação de qualquer projeto no Congresso