Metodologia

O que é uma linha

A unidade é o turno de palavra, tal como o próprio Diário o marca. Cada turno de palavra é uma linha.

Traz a designação do orador exatamente como foi impressa, o texto integral, a sessão e sua posição nela. Se o orador pôde ser identificado, traz também seu identificador no cadastro, com nome, sexo, partido e distrito. São 16 colunas, as mesmas nas dezesseis câmaras.

O texto não está resumido nem lematizado. A ordem se conserva. E a ordem é informação.

O Diário não é a sessão: é o que cada câmara publicou dela. A mediana por turno de palavra vai de 11 palavras (Uruguai) a 92 (El Salvador). Essa distância mede como cada câmara transcreve, não quanto se debate.

Experimente. Baixe El Salvador, o menor arquivo (98 MB; cobre de 2018 a 2025), e abra-o no explorador. Baixar os dados · Abrir o explorador

A interface do explorador está hoje apenas em espanhol. A busca funciona sobre o texto original de cada câmara, em espanhol ou em português.

De dezesseis tradições tipográficas a uma tabela

Cada câmara imprime a seu modo quem toma a palavra: “El señor APELLIDO:” em uma, “O SR. NOME (partido - estado) –” em outra. Cinco passos as levam a uma só tabela.

1. Da fonte ao texto fiel. PDF digital, página escaneada, HTML, XML ou Word: primeiro se extrai o texto sem tocar em nada. Depois se limpam cabeçalhos, números de página e palavras cortadas.
2. Do texto aos turnos de palavra. Cada marcador de orador é localizado com as fórmulas dessa câmara e dessa época. Um marcador não reconhecido enterra um turno de palavra dentro do anterior, e nenhuma contagem o vê. Por isso um só interrompe a etiquetagem dessa sessão.
3. Dos oradores aos deputados. Cada designação impressa é conferida com o cadastro: 37.523 pessoas em 70.570 períodos de mandato, nas dezesseis câmaras.
4. Do cadastro ao esquema comum. A linha recebe partido, distrito e sexo conforme o período de mandato que cobre sua data.
5. Do esquema ao depósito. Cada país é publicado com 17 arquivos — dados, cadastro e documentação —, gerados por um só programa, nunca à mão.

As linhas são produzidas por código determinístico. O modelo de linguagem escreveu esse código e reconheceu as páginas escaneadas mais antigas.

Experimente. Na ficha do seu país, veja de que fonte e de que formato saiu o texto. Ver os países

Fala e não fala

Nada se apaga do Diário.

A capa, o sumário e a chamada se conservam em seu lugar, como primeira linha da sessão: 51.741 linhas nas dezesseis câmaras.

Levam a marca dm_speech = 0. Também a levam as contagens de votação nominal, a narração e os documentos lidos, onde o próprio Diário demonstra que não são fala: 222.975 linhas no total.

A marca é assimétrica, de propósito. Um 0 só se põe onde está provado. Um 1 não significa “fala verificada”: significa “não está demonstrado que não seja fala”.

A consequência é declarada. Argentina, Uruguai, México, Costa Rica, Equador, República Dominicana e Guatemala: nessas câmaras, parte do que foi lido em voz alta continua dentro do turno de palavra de quem lê. Ali, a contagem de palavras de quem preside fica inflada.

Filtrar cabe a você. Decidir por você, não.

Experimente. No explorador, a primeira entrada de cada sessão é “Encabezado y sumario de la sesión” (Cabeçalho e sumário da sessão). Aí está a chamada. Abrir o explorador

A interface do explorador está hoje apenas em espanhol. A busca funciona sobre o texto original de cada câmara, em espanhol ou em português.

Quem fala

Dos turnos de fala, 87,05% têm um deputado identificado: 8.590.210 de 9.868.087. É a vinculação bruta.

A efetiva é de 98,12%. Desconta do denominador duas classes de turnos de fala, e só duas. Os de quem não pode ocupar cadeira: ministros, secretários administrativos, relatores (funcionários que leem), convidados. E os que o Diário torna inatribuíveis, como “Varios señores diputados”.

Não desconta quem preside sem nome. Quem preside é deputado: se sua identidade não foi recuperada, é falha nossa.

Ficam sem deputado 1.277.877 turnos de fala. Desses, 962.878 (75,35%) são de quem não pode ocupar cadeira. Outros 150.714 (11,79%), voz coletiva ou anônima. E 164.285 (12,86%), falha nossa.

A distância entre as duas taxas é propriedade do Diário, não do processamento. No Panamá, 30,68% dos turnos de fala são de quem não pode ocupar cadeira, sobretudo a Secretaria, que lê; no Uruguai, 0,81%. Por isso a comparação entre países parte da tabela por câmara, não do número agrupado.

Experimente. Procure sua câmara: as duas taxas, e o que cada uma desconta. Baixar os dados da figura

vinculacion_por_camara.xlsx

O sexo é uma variável derivada

Nenhum Diário declara o sexo de quem fala. A coluna sex é derivada no cadastro: de um registro oficial onde ele existe; se não, do primeiro nome ou da forma de tratamento. Cada valor traz sua procedência em sex_source.

Sua exatidão é de 98,98%, medida contra a revisão humana exaustiva de onze cadastros completos, 38.372 linhas. Em homens, 99,54%; em mulheres, 97,43%. O erro é 5,6 vezes mais provável em mulheres. O número caracteriza o procedimento, não cada corpus.

Os outros cinco — Argentina, Brasil, Chile, Equador e Peru — não estão auditados, e nas figuras são desenhados de forma diferente. Não são iguais entre si. O Brasil, o Chile e o Peru tomam o sexo de um registro oficial; no Equador, todo valor é inferido do nome ou da forma de tratamento. Quem necessita de precisão restringe sex_source a manual, official_registry e given_name; isso deixa de fora o Equador inteiro.

• PT
• ES
• EC
• AR
• UY
• MX
• PY
• CL
• CR
• PE
• PA
• CO
• GT
• DO
• BR
• SV

A auditoria de gênero

Os defeitos de extração não são neutros. Quando um padrão falha, quem desaparece é, com mais frequência, uma mulher.

Na Costa Rica, o padrão reconhecia “PRESIDENTE” e não “PRESIDENTA”. O verificador tinha herdado o mesmo léxico e informava zero resíduos. Os totais batiam. Os turnos de palavra das mulheres que presidiam ficavam dentro do anterior.

No Brasil, foi possível medir ao corrigir o padrão, antes de processar o corpus de novo. As mulheres eram 8,7% dos turnos de fala e 47,8% dos turnos de fala recuperados.

O padrão se escreve primeiro no masculino. As formas femininas são mais variadas e se partem mais na quebra de linha. O genérico “Presidente” esconde quem preside. Daí a regra: “PRESIDENTA” não pode ser um homem; “PRESIDENTE” não diz nada.

Nem tudo foi na mesma direção, e isso se diz: na Argentina, uma correção moveu linhas de mulheres para homens. A afirmação que fica não depende da direção: cada correção aproximou o corpus do Diário.

Experimente. Baixe os dados da figura de abertura: palavras, turnos de fala e oradoras, por câmara e década. Baixar os dados da figura

O reconhecimento óptico (OCR): o que falhou

O Equador inteiro é papel escaneado. Também os anos mais antigos do Uruguai, do Panamá e do Paraguai, e sete sessões dominicanas.

Um modelo de visão leu parte dessas páginas e às vezes escreveu texto próprio dentro do Diário: sua instrução, comentários e, o pior, linhas em espanhol traduzidas para o inglês.

Foram retirados 1.949 trechos no Uruguai, no Equador, no Panamá e na República Dominicana. A classe está delimitada, não fechada: o modelo improvisa uma redação diferente a cada vez, e o que ele traduziu não se conserta apagando.

Onde o escaneamento cortou a margem, nada foi reconstruído. O que não está no pixel não se inventa.

Experimente. Leia as limitações declaradas do Equador, o único corpus escaneado do começo ao fim. Ver a ficha: Equador

Validação e revisão humana

Aqui há duas coisas distintas, e cada uma leva seu rótulo inteiro.

A segunda: lemos os dezesseis arquivos linha por linha, antes e depois de processá-los de novo. Essa leitura encontrou o que nenhum controle tinha visto: cabeçalhos e números de página incrustados no meio das frases, marcadores de orador partidos em uma palavra por linha de texto.

“Revisado” não significa “sem defeitos conhecidos”. Os conhecidos estão medidos e declarados, país por país.

Experimente. Abra as limitações conhecidas da sua câmara. Ver os países

O que o corpus não afirma, e como comparar

Esta edição entrega a evidência material: o que foi dito, estruturado, atribuído e medido. Não traz tema, tom, posição ideológica nem voto.

Não afirma que um dm_speech = 1 seja fala verificada, nem que quem preside esteja identificado em cada linha, nem que as décadas escaneadas estejam livres de erros.

A coluna legislature não é comparável entre países: é o que cada Diário imprime, seja um período constitucional, um ano ou um semestre. As chaves comparáveis são id_session e a data.

Como comparar: taxas dentro de um país, contra si mesmo, no tempo. Nunca volumes entre países. E o denominador, à vista.

A cobertura é um censo do que cada câmara publicou, com as lacunas nomeadas: 527 de 800 células de câmara e ano entre 1976 e 2025. De 21 países faltam cinco, e não ao acaso.

Venezuela, Cuba e Nicarágua não publicam as atas de seus debates. A Bolívia as publica sem digitalizar. Honduras publica resumos do que foi discutido, não as intervenções.

Experimente. Leia o dicionário de dados: ele diz, coluna por coluna, o que é comparável e o que não é. Ler o dicionário

Edições, identificadores e reprodutibilidade

Quem constrói sobre dados alheios precisa saber o que se move e o que não. Cada país tem seu DOI no Harvard Dataverse. Uma edição publicada não muda: o que é novo sai com outro número.

Dos dezesseis conjuntos, quinze estão na edição v2.0; Peru (v1.0).

Os identificadores id_session e id_int são estáveis dentro de uma edição, não entre edições. Derivam da posição, e acrescentar uma sessão desloca os que vêm depois. Cite a edição.

Para citar uma passagem, informe a data e o número da sessão e confira-a no Diário oficial da câmara. Edição derivada para pesquisa: diante de qualquer divergência, vale o Diário da sua câmara.

A reprodutibilidade tem uma fronteira, e ela está medida. Do texto etiquetado em diante — vinculação, fusão, esquema e documentação — tudo é determinístico. Isso foi comprovado executando duas vezes as dezesseis cadeias de processamento e comparando os arquivos.

O que vem antes — reconhecimento óptico, extração, limpeza, etiquetagem — fica fora dessa garantia. As páginas reconhecidas e as decisões humanas de vinculação ficam guardadas, congeladas, como entrada. Quem citar a reprodutibilidade deste corpus deve dizer a partir de onde.

O método completo, com seu código, está publicado para reproduzi-lo ou ampliá-lo. Ver as ferramentas

Experimente. Escolha seu país e copie a citação dele, com a edição e o DOI. Ver os países

A documentação completa

Esta página resume. Na íntegra:

• Com cada país, em inglês, espanhol e português: o LEIA-ME, o dicionário de dados, as limitações conhecidas e o relatório de processamento. Ver os países

Experimente. Comece pelo dicionário de dados, aqui mesmo, e siga com o arquivo de El Salvador. Ler o dicionário · Baixar os dados