A Opinião Pública e a fraude do INSS
Uma análise de sentimentos de usuários do X/Tweet sobre Lula e Bolsonaro
Palavras-chave:
Análise de Sentimento, Fraude, INSS, Opinião PúblicaResumo
O estudo analisa a atribuição de responsabilidade pela fraude bilionária no INSS a partir de 4.748 postagens no X/Twitter. Foram comparadas menções ao presidente Luiz Inácio Lula da Silva e ao ex-presidente Jair Messias Bolsonaro, por meio de análise de sentimento em nível de entidade, com o modelo BERTimbau. Os resultados revelam escrutínio assimétrico, com maior volume de menções negativas a Lula. O trabalho demonstra como métodos de redes neurais podem ampliar a compreensão da opinião pública em contextos políticos nas ciências sociais.
Referências
xFFFF08. (2025). pyscraper [Código-fonte]. GitHub. https://github.com/0xffff08/pyscraper
Alfaro, F. G. G. de. (2025). Polarização política no Brasil e a influência (direta) das mídias sociais. Derecho y Cambio Social. https://doi.org/10.54899/dcs.v22i79.156
Anduiza, E., Gallego, A., & Muñoz, J. (2013). Turning a blind eye: Experimental evidence of partisan bias in attitudes toward corruption. Comparative Political Studies, 46(12), 1664–1692. https://doi.org/10.1177/0010414013489081
Borges, A., & Vidigal, R. (2018). Do lulismo ao antipetismo? Polarização, partidarismo e voto nas eleições presidenciais brasileiras. Opinião Pública, 24(1). https://doi.org/10.1590/1807-0191201824153
Botero, S., et al. (2019). Are all types of wrongdoing created equal in the eyes of voters? Journal of Elections, Public Opinion and Parties. In press. https://doi.org/10.1080/17457289.2019.1651322
Bowler, S., & Karp, J. A. (2004). Politicians, scandals, and trust in government. Political Behavior, 26(3), 271–287. https://doi.org/10.1023/B:POBE.0000043456.87303.3a
Brasil. Controladoria-Geral da União. (2024). Relatório de avaliação: descontos de mensalidades associativas – INSS: exercícios de 2023 e 2024 (77 p.). Brasília: CGU.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics. https://aclanthology.org/N19-1423/
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. https://doi.org/10.48550/arXiv.1810.04805
Domingues Júnior, A. C. (2023). A incidência criminosa nas fraudes à previdência social e sua persecução penal (Trabalho de Conclusão de Curso, Bacharelado em Direito). Unifucamp, Monte Carmelo. http://repositorio.fucamp.com.br/jspui/handle/FUCAMP/683
Espinoza, R. M. (2012). Dicionário de políticas públicas. In C. L. F. de Castro, C. R. B. Gontijo, & A. E. N. Amabile (Orgs.), Barbacena: EdUEMG.
Fernández-Vázquez, P., et al. (2015). Rooting out corruption or rooting for corruption? The heterogeneous electoral consequences of scandals. Political Science Research and Methods, 4(2), 379–397.
Fuks, M., & Marques, P. H. (2020). Contexto e voto: o impacto da reorganização da direita sobre a consistência ideológica do voto nas eleições de 2018. Opinião Pública, 26(3), 401–430. https://doi.org/10.1590/1807-01912020263401
Fuks, M., & Marques, P. H. (2022). Polarização e contexto: Medindo e explicando a polarização política no Brasil. Opinião Pública, 28(3), 560–593. https://doi.org/10.1590/1807-01912022283560
Jurafsky, D., & Martin, J. H. (2025). Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition with language models (3rd ed.). Stanford: Stanford University. https://web.stanford.edu/~jurafsky/slp3/
Kumar, A., & Sebastian, T. M. (2012). Sentiment analysis: A perspective on its past, present and future. I.J. Intelligent Systems and Applications. https://doi.org/10.5815/ijisa.2012.10.01
Lee, F. L. F. (2014). How citizens react to political scandals surrounding government leaders: A survey study in Hong Kong. Asian Journal of Political Science, 23(1), 44–62.
Maier, J. (2011). The impact of political scandals on political support: An experimental test of two theories. International Political Science Review, 32(3), 283–302. https://doi.org/10.1177/0192512110378056
Machado, J., & Miskolci, R. (2019). Das Jornadas de Junho à cruzada moral: O papel das redes sociais na polarização política brasileira. Sociologia & Antropologia. https://doi.org/10.1590/2238-38752019v9310
Nir, L. (2011). Motivated reasoning and public opinion perception. Public Opinion Quarterly, 75(3), 504–532. https://doi.org/10.1093/poq/nfq076
Ortellado, P., Ribeiro, M. M., & Zeine, L. (2022). Existezpolarização política no Brasil? Análise das evidências em duas séries de pesquisas de opinião. Opinião Pública, 28(1). https://doi.org/10.1590/1807-0191202228162
Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment classification using machine learning techniques. In Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing (EMNLP 2002) (pp. 79–86). Association for Computational Linguistics. https://aclanthology.org/W02-1011/
Quaest. (2025). Pesquisa Nacional – Avaliação do Governo Lula. Belo Horizonte: Quaest.
Savazzoni, S. de A. (2016). Crimes contra a previdência social. Revista do Tribunal Regional Federal da Terceira Região, 27(129).
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Carla Cavalcante, Amanda Ferreira, Rebeca da Luz, Gabriel Albuquerque, Euri Gurgel , Maria do Carmo Lima
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Authors who publish in the Annals of Data Analysis retain
the copyright of their work and agree to license it under a Creative Commons Attribution-
NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) license.
