Nota metodológica

De forma a calcular a percentagem de texto dedicada a cada categoria, foi utilizada praticamente a mesma metodologia que o PÚBLICO utilizou para analisar os programas eleitorais.

Numa primeira fase, recorreu-se à base de dados Manifesto Corpus, um projecto que recolheu e catalogou milhares de manifestos e programas eleitorais de todo o mundo. Foi com base nesta colecção que um grupo de cientistas de dados treinou o grande modelo de linguagem (LLM) RoBERTa para classificar textos políticos em 56 categorias diferentes. Ainda que o modelo tenha sido treinado em manifestos eleitorais e não programas de Governo, consideramos que o conhecimento político deste algoritmo seria suficiente para atribuir uma das 56 categorias ao texto. Como o algoritmo devolvia uma probabilidade (de zero a um) de aquela frase ser de determinada categoria, optou-se pela categoria com maior probabilidade. No entanto, excluíram-se todas as frases a que o algoritmo deu uma pontuação inferior a 0,5.

Depois desse processo, procedeu-se a uma organização destas frases em categorias maiores. A saber: Relações Externas, Finanças, Administração Interna e gestão do Estado, Justiça, Defesa Nacional, Educação, Ciência, Infraestruturas e habitação, Economia, Trabalho Solidariedade e Segurança Social, Ambiente, Agricultura e pescas, Cultura, Saúde e Juventude. Para tal recorreu-se à tecnologia da OpenAi, com a seguinte pergunta: "Em text será apresentado um excerto de um programa do governo da República Portuguesa. Em label, receberá a etiqueta política que outro algoritmo atribuiu a esse excerto. Por vezes essa etiqueta pode vir apenas vazia. Com base nessas duas informações quero que em Answer me devolvas uma das segintes respostas, ou seja, que me indiques qual das seguintes etiquetas aquele excerto deveria receber:"" . Procedeu-se depois a uma limpeza e nova agregação de dados, já que o modelo da OpenAI procurou, por vezes, "inventar" novas categorias que poderiam muito bem ser integradas em algumas das existentes.

Em temos de análise textual, o PÚBLICO considerou o corpus completo de cada programa de Governo, que tinha anteriormente extraído de ficheiros pdf. Procedeu-se a uma limpeza, ainda que não muito aprofundada, do texto extraído, nomeadamente cabeçalhos e rodapés. Também não foi tido em consideração na análise o texto presente no índice.

Como é comum em análise textual, procedeu-se à remoção de stop words - palavras tão comuns em determinada língua que não justifica a sua inclusão na análise. Neste caso, foram consideradas 560 palavras, resultando da junção de várias bases de dados de stop words em português disponíveis online. Não se inclui nestas stop words palavras que são comuns neste tipo de documentos como "governo", "programa", "executivo", uma prática é comum em análise textual de documentos específicos de um determinado domínio.

O PÚBLICO não fez qualquer lemmatização - um processo utilizado que visa reduzir uma palavra à sua forma base, ou lema (por exemplo, "correr", "corre", "corria", e "corrido" podem ser reduzidos ao lema "correr") nem stemização, que consiste em reduzir uma palavra à sua raiz ( "correr", "corre", "corria", e "corrido" podem ser reduzidos à raiz "corr"), pelo que isso pode ter influenciado o resultado de contagem de algumas palavras. Também não foi possível, por uma questão de exequibilidade, procurar todas as siglas, acrónimos e abreviaturas presentes e desdobrar para a sua forma completa.