1 Introdução

Laços de família atravessam a história política brasileira. Filhos sucedem pais em mandatos, casamentos aproximam grupos regionais e sobrenomes se repetem ao longo de gerações de legisladores. A literatura sobre dinastias políticas mostra que esses laços não são curiosidade biográfica: em linha com Dal Bó et al. (2009) e Querubin (2016), ter um parente no poder parece aumentar, em maior ou menor grau, as chances de chegar a ele. Estudar essas redes, no entanto, exige dados que raramente existem de forma sistemática.

O Dicionário Histórico-Biográfico Brasileiro (Abreu et al. 2001) é uma fonte privilegiada para essa empreitada. Seus verbetes biográficos costumam informar de quem a pessoa é filha, com quem se casou e quais parentes também tiveram vida pública. Essa informação, porém, está dispersa em texto corrido, espalhada por milhares de verbetes escritos por autores diferentes ao longo de décadas.

Este trabalho apresenta a segunda versão de um projeto que transforma esse texto em uma rede. De forma antecipada, é possível destacar três achados. De saída, agentes de modelos de linguagem extraem laços de parentesco com precisão de 98,9% e revocação de 98,1% quando comparados a uma leitura independente do texto integral, e um filtro de parágrafos por vocabulário de parentesco reduz o texto lido a 11% do total sem perda mensurável de revocação. Em segundo lugar, a etapa mais delicada foi a identificação das pessoas: nomes que se repetem de avô para neto só se separam com regras genealógicas, que olham gerações e datas. Por fim, a rede resultante indica que cerca de um quarto dos verbetados tem um parente também verbetado, com proporção maior entre as mulheres. O trabalho descreve, ainda, os filtros que o site oferece para estudar o parentesco entre políticos, cada um com a sua medida de qualidade, e a auditoria a que o site foi submetido depois da primeira publicação.

Este trabalho se divide em doze seções, além desta introdução. A seção 2 descreve o DHBB como fonte e a atualização do corpus. A seção 3 resume a primeira versão do projeto. As seções 4 e 5 descrevem a extração e a resolução de entidades, e a seção 6, a validação. A seção 7 apresenta a rede. A seção 8 descreve os filtros por perfil político, com a medida das filiações partidárias e dos pares entre verbetados, e a seção 9, a auditoria do site. A seção 10 descreve a visualização e a exportação dos dados, e as seções 11 a 13 discutem limitações, reprodutibilidade e custo, e considerações finais.

2 O DHBB como fonte

O DHBB reúne verbetes biográficos e temáticos sobre a história política brasileira a partir de 1930. A FGV CPDOC mantém uma versão pública do dicionário no GitHub (FGV CPDOC 2025), com um arquivo por verbete, cabeçalho de metadados (título, natureza, sexo, cargos e autoria) e o texto em Markdown. Partimos do repositório no commit de 1º de abril de 2025, que contém 7.863 verbetes, dos quais 6.890 biográficos.

O site do CPDOC, no entanto, já exibia verbetes que ainda não estavam no repositório. Para identificá-los, cruzamos três listas de endereços: (i) a busca do próprio site, percorrida página a página; (ii) o índice de páginas arquivadas pelo Wayback Machine; e (iii) os verbetes do repositório, casados por nome, título e início do texto. Os candidatos restantes foram baixados um a um, com intervalo de cinco segundos entre requisições e com autorização do CPDOC. Desse processo resultaram 110 verbetes biográficos novos, sobretudo de parlamentares eleitos entre 2014 e 2022, além de 15 endereços alternativos de verbetes que já estavam no repositório. Descontadas duas duplicatas, o corpus final tem 6.998 verbetes biográficos.

A leitura do corpus revelou uma inconsistência nos metadados. Em 12 verbetes, o campo de sexo diverge da filiação descrita na primeira frase do texto (por exemplo, “filha de” em um verbete marcado como masculino). É pouco em proporção, mas pesa em qualquer análise por sexo. Adotamos a filiação textual como critério e registramos a divergência.

3 Da primeira à segunda versão

A primeira versão do projeto (Lamarca 2024) usava modelos Llama pela API da Groq. Para caber na janela de contexto dos modelos, cada verbete passava por um filtro de frases que mencionavam entidades do tipo pessoa, identificadas por um modelo de reconhecimento de entidades, e os verbetes mais longos eram quebrados em pedaços. O modelo respondia, para cada par de pessoas, qual era o parentesco, e a resposta “nenhum” era a mais frequente. O resultado tinha três problemas: (i) formatos de saída que variavam entre rodadas; (ii) nenhuma evidência verificável para cada laço; e (iii) nomes nunca padronizados, de modo que “Vargas” e “Getúlio Vargas” apareciam como pessoas diferentes.

A segunda versão preserva a ideia central (ler o texto e registrar laços) e muda o resto: o modelo, a unidade de leitura, o esquema de saída, a verificação, a identificação das pessoas e a validação. A seção 6 compara as duas versões na mesma amostra de referência.

4 Extração

Figura 1 resume as etapas. As subseções a seguir detalham cada uma.

flowchart TD
  A[Repositório cpdoc/dhbb<br/>+ site do CPDOC] --> B[Corpus<br/>6.998 verbetes]
  B --> C[Filtro de parágrafos<br/>vocabulário de parentesco]
  C --> D[Agentes Sonnet<br/>240 lotes]
  D --> E[Portão automático<br/>evidência literal]
  E --> F[Resolução de entidades<br/>regras genealógicas]
  F --> G[Rede e site]
  B --> H[Amostra-ouro<br/>anotação Opus às cegas]
  H -. adjudicação e métricas .-> E

4.1 Filtro de parágrafos

Os verbetes do DHBB têm tamanhos muito diferentes. A mediana é de cerca de quatro mil caracteres, mas o verbete de Getúlio Vargas passa de 640 mil. A informação de parentesco, por outro lado, se concentra em poucos lugares: a primeira frase costuma trazer a filiação (“filho de X e de Y”) e os últimos parágrafos, o casamento e os filhos. Laços com outras figuras públicas aparecem de forma esparsa ao longo da trajetória.

Por isso, o agente não lê o verbete inteiro. Ele recebe (i) o primeiro parágrafo; (ii) todo parágrafo que contém algum dos 151 termos do vocabulário de parentesco (pai, irmã, casou-se, genro, sobrinho-neto e outros); e (iii) o parágrafo anterior, quando a frase de parentesco não traz nenhum nome próprio (“Seu irmão também foi deputado”). O termo precisa aparecer em minúsculas ou em início de frase, para que o sobrenome “Filho” ou o “Colégio Pais de Carvalho” não disparem o filtro. Os parágrafos entram inteiros, sem cortes. Com isso, o texto lido cai para 11% do total.

A escolha foi testada antes de ser adotada. Em cinco verbetes escolhidos por serem difíceis, anotamos os parentescos a partir do texto integral e comparamos duas leituras do mesmo modelo, uma com o texto filtrado e outra com o texto integral. A leitura filtrada encontrou os 39 laços do gabarito e custou metade dos tokens. A leitura integral encontrou 38: o laço que faltou (“Benjamim Vargas, irmão de Getúlio”) estava no meio de um verbete de 25 mil caracteres sobre outra pessoa. Nesse teste, o filtro não custou nenhum laço, e a leitura integral custou um. A validação da seção 6 confirma o resultado em escala: nenhuma das 709 relações da referência estava fora dos parágrafos filtrados.

4.2 Esquema e vocabulário

Cada verbete gera uma lista de pessoas e uma lista de relações. O verbetado é sempre p0, e cada relação tem a forma “X é tipo de Y”, com um tipo neutro em gênero tirado de um vocabulário controlado de 35 tipos (genitor, filho, cônjuge, cunhado, consogro e outros). Para cada tipo, o vocabulário registra a relação inversa (genitor e filho), a diferença de geração (+1 para genitor, 0 para cônjuge) e o grupo (consanguíneo em linha reta, colateral, conjugal, afinidade, compadrio ou indeterminado).

Além do tipo, cada relação guarda o termo literal do texto (“filha”, “casou-se”, “genro”), um qualificador opcional (ex, viuvez, segundas núpcias, lado paterno ou materno) e até dois trechos copiados do verbete como evidência. As regras de conteúdo são restritivas. Só entra o que o texto afirma: “casou-se com Maria, filha de João” gera Maria cônjuge do verbetado e Maria filha de João, mas não “João sogro do verbetado”, a menos que o texto use a palavra “sogro”. Laços políticos com nomes de parentesco (“padrinho político”, “herdeiro político”) ficam de fora, assim como parentes sem nome que não ligam o verbetado a ninguém (“teve três filhos”). Relações entre terceiros entram quando afirmadas, o que permite, por exemplo, registrar “Ernâni Amaral Peixoto, genro de Vargas” a partir do verbete de Canrobert Pereira da Costa.

4.3 Agentes e orquestração

A extração não usou nenhuma API de modelo. Os verbetes filtrados foram empacotados em 240 lotes de até 30 verbetes (ou 40 mil caracteres), e cada lote foi entregue a um agente do modelo Claude Sonnet, lançado por um roteiro de orquestração no Claude Code. O agente lê as instruções e o lote, escreve um arquivo com uma linha JSON por verbete e devolve a lista de identificadores processados, o que permite detectar verbetes pulados. Um modelo maior (Claude Opus) coordenou o processo e fez a anotação de referência.

As instruções foram ajustadas em um piloto de 64 verbetes, comparando a extração com uma anotação independente. No piloto, a precisão foi de 100,0% e a revocação, de 98,0%. As quatro relações que faltaram seguiam o mesmo padrão (“casou-se com X, com quem teve dois filhos, um deles Y”), e a regra correspondente foi acrescentada às instruções antes de congelá-las.

Um detalhe operacional teve efeito grande sobre o custo. Na primeira tentativa da rodada completa, os agentes herdaram um nível alto de esforço de raciocínio e chegaram a gastar 64 mil tokens de raciocínio em uma única etapa, o que tornava cada lote lento (cerca de 25 minutos) e caro. Interrompemos a rodada depois de sete lotes, testamos níveis menores de esforço em dois lotes do piloto e retomamos com o nível baixo de esforço de raciocínio. A qualidade no piloto foi a mesma (precisão de 100% e revocação entre 97% e 100% nos três níveis testados), em cerca de um quinto do tempo.

4.4 Verificação automática

Toda relação passa por um portão programático. A relação é reprovada quando (i) um trecho de evidência não existe, caractere por caractere, no verbete (com espaços normalizados); (ii) o tipo está fora do vocabulário; (iii) o termo literal é incompatível com o tipo e com a sua inversa; ou (iv) liga uma pessoa a ela mesma. Quando o agente reescreve levemente um trecho (trocando “e de” por “e”, por exemplo), o portão procura no verbete o trecho mais parecido e, se a semelhança passar de 92%, substitui a evidência pelo texto literal. Incoerências de sexo (o termo “filha” para alguém marcado como homem) e de datas (um genitor nascido depois do filho) geram avisos. Na rodada completa, o portão aprovou 23.820 relações e reprovou 36.

Uma checagem adicional, barata, cobre o corpus inteiro. Uma expressão regular extrai os pais da primeira frase (“filho de X e de Y”) em 10.359 ocorrências. Os agentes encontraram 99,9% desses pais. As poucas diferenças vinham, na maioria, da própria expressão regular (em “filho do fazendeiro Antônio Balbino”, ela pula o pai e captura o avô citado adiante).

5 Resolução de entidades

A extração produz menções, isto é, pessoas dentro de um verbete. A rede precisa de pessoas únicas. A resolução de entidades (Christen 2012) resolve dois problemas: ligar uma menção ao verbetado que tem verbete próprio e juntar menções à mesma pessoa sem verbete feitas em verbetes diferentes.

Os nomes são normalizados (sem acentos, sem partículas como “de” e “dos”) e grafias antigas são equiparadas (Osvaldo e Oswaldo, Luís e Luiz). Uma menção é ligada a um verbetado quando o nome completo normalizado coincide e há um único candidato sem conflito de sexo ou de datas. Nomes parciais só são ligados com corroboração: o verbete do candidato menciona de volta o verbetado atual, ou os anos de nascimento são compatíveis. Menções a pessoas sem verbete são fundidas entre verbetes quando têm nome compatível e o mesmo tipo de laço com a mesma pessoa (o pai comum de dois irmãos verbetados, por exemplo), ou quando o nome completo é longo e raro. Os 241 casos ambíguos foram adjudicados por agentes, a partir de um dossiê com o contexto da menção e os dados de cada candidato.

A família Vargas ilustra por que regras genealógicas são necessárias. Nomes se repetem de uma geração para outra: o pai de Getúlio se chamava Manuel do Nascimento Vargas, e o sobrinho, Manuel do Nascimento Vargas Neto; o filho caçula, Manuel Antônio, aparece em alguns verbetes apenas como “Manuel Vargas”. Em versões iniciais da resolução, o pai e o filho caçula chegaram a ser fundidos, porque ambos estavam ligados a Getúlio. Sufixos como Filho, Júnior e Neto são tratados como traço distintivo, e um nome com sufixo de um lado só nunca é ligado automaticamente. A ligação a um verbetado também respeita a geração: se a menção é pai do verbetado, o candidato precisa ter nascido entre 12 e 70 anos antes dele, e os limites crescem com o grau (avós, bisavós). Essa restrição rejeitou 620 ligações, como a do avô “Albano do Prado Pimentel Franco” ao neto homônimo nascido em 1940. Fusões estruturais, por sua vez, exigem o mesmo tipo de laço com a mesma pessoa (ambos filhos de Getúlio, e não um pai e um filho) e nascimentos estimados compatíveis.

Duas regras estreitas cobrem formas de citação comuns no DHBB. Mulheres aparecem ora com o nome de solteira, ora com o de casada: a filha de Ernâni Amaral Peixoto e Alzira Vargas é “Celina Vargas do Amaral Peixoto” em um verbete e “Celina do Amaral Peixoto Moreira Franco” em outro. As duas menções são unidas quando o prenome é pouco comum (o que exclui Maria, Ana e similares), há um sobrenome em comum, o laço com a mesma pessoa é o mesmo e o candidato é único. Pessoas citadas só pelo sobrenome (“genro de Vargas”) são ligadas ao verbetado que tem o mesmo laço com a mesma pessoa, também só quando o candidato é único.

Ao todo, 2.702 de 23.195 menções nomeadas foram ligadas a verbetados, e 1.261 fusões juntaram menções a pessoas sem verbete. O mesmo fato pode aparecer em dois verbetes (“A, pai de B” no verbete de B e “B, filho de A” no verbete de A); esses registros viram uma só aresta com várias fontes, o que ocorre em 1.147 laços. Pares com tipos de geração incompatíveis (tio em um verbete e primo em outro) são sinalizados como contradição. Quando um dos lados tem várias fontes e o outro, uma só, o laço minoritário é descartado. Ao final, restaram 8 contradições.

Uma auditoria às cegas mediu a qualidade dessa etapa. Um agente Opus julgou, sem saber a decisão tomada, três amostras de pares: ligações feitas a verbetados, fusões de pessoas sem verbete e menções não ligadas cujo nome se parece com o de algum verbetado. A precisão das ligações foi de 96,3% e a das fusões, de 100,0%. Entre os nomes parecidos não ligados, 6,2% eram de fato a mesma pessoa. A auditoria foi repetida a cada revisão das regras, com amostras novas, e a precisão das ligações variou entre 96% e 99% nas três rodadas, oscilação compatível com amostras de 80 casos. A última rodada antecede um ajuste final que apenas remove ligações (a restrição de geração passou a valer também para parentes de parentes, como o pai da esposa), de modo que os números acima são um limite inferior da precisão. Trata-se de uma estratégia deliberadamente conservadora: preferimos deixar separadas duas menções à mesma pessoa a fundir duas pessoas diferentes.

Depois da primeira publicação, uma auditoria do site procurou na rede resolvida os padrões que denunciam erros de identidade: uma pessoa sem verbete casada com dois ou mais verbetados (como quatro “Maria José de Oliveira” diferentes, fundidas numa só pelo nome), alguém com dois pais ou duas mães, um nó sem verbete com o nome de um verbetado e um parente em comum com ele, e pares com laços incompatíveis, como pai e cônjuge. Depois, a segunda rodada da auditoria acrescentou os pais sem verbete de verbetados com mães diferentes, que podem ser homônimos fundidos ou meios-irmãos, e as pessoas sem verbete com o mesmo nome dentro de uma família, que podem ser a mesma pessoa citada em verbetes diferentes (o pai de Getúlio Vargas estava em quatro nós) ou homônimos de gerações diferentes. Um juiz Opus leu as menções e os trechos de cada um dos 447 casos e decidiu, em 307 deles, ligar uma menção a um verbetado, separar ou unir menções, ou remover um laço lido errado (num deles, apontado pela auditoria, a decisão foi do agente coordenador). As decisões ficam num arquivo que a resolução aplica, de modo que a rede continua reprodutível sem chamadas a modelos. A regra de fusão também mudou: nomes muito comuns deixaram de se fundir só pelo nome, o que manteve separados 35 pares de menções.

No fechamento da auditoria, uma quinta rodada do juiz tratou dois padrões que as anteriores não cobriam. O primeiro são pessoas sem verbete cujo nome está contido no de outra pessoa da mesma família ou no de um verbetado, sem conflito de sexo ou de sufixo e sem laço entre elas, como “Benjamim Vargas” e o verbetado Benjamim Dornelles Vargas. O segundo são tios por casamento lidos como tios de sangue. Um caso estava escrito no texto (Valdomiro Castilho de Lima, “tio afim” de Getúlio Vargas), e os demais vinham da estrutura da rede, quando o tio é cônjuge de uma tia de sangue, ou do sobrenome. Como uma família é um componente de laços de sangue, basta um tio por casamento tomado por tio de sangue para juntar duas famílias. Era o caso de Flávio Portela Marcílio, que levava Juarez Távora e outros oito verbetados para a família Nunes. O vocabulário ganhou os tipos tio e sobrinho por casamento, no grupo de afinidade. Dos 203 casos da rodada (122 de nomes contidos, 64 de possíveis duplicatas de verbetados e 17 de tios), o juiz mudou 105, 16 deles trocando o tipo do laço. As 3 pessoas com dois verbetes no próprio DHBB passaram a um nó só, com os laços dos dois verbetes.

6 Validação

6.1 Desenho

A validação compara a extração com uma anotação de referência feita de forma independente. Antes de qualquer extração, sorteamos três amostras disjuntas, com semente fixa: (i) desenvolvimento, com 64 verbetes, usada para ajustar as instruções; (ii) ouro, com 202 verbetes, avaliada uma única vez com as instruções congeladas; e (iii) reserva, com 64 verbetes, guardada para o caso de as instruções mudarem depois do ouro (o que não aconteceu). A amostra-ouro foi estratificada por sexo, tamanho do verbete e presença de parentesco fora do primeiro parágrafo, com sobreamostragem de mulheres e de verbetes com parentesco espalhado pelo texto.

A referência foi produzida por agentes do modelo Claude Opus, com até cinco verbetes cada, lendo o texto integral, sem filtro, e com instruções diferentes das da extração: percorrer o verbete parágrafo por parágrafo e listar todos os parentes antes de montar as relações. Trata-se de uma decisão para reduzir erros correlacionados entre os dois modelos. As regras de pareamento foram fixadas antes da anotação. Pessoas são alinhadas dentro do verbete pelo nome, relações são comparadas com a direção normalizada pela relação inversa, e a métrica estrita exige o mesmo tipo de laço.

As divergências entre extração e referência foram então julgadas às cegas por um terceiro agente Opus, que recebeu o verbete integral e cada afirmação sem saber quem a tinha feito. Junto com as divergências, o juiz recebeu 100 relações sorteadas entre as concordâncias, para estimar erros comuns aos dois modelos.

6.2 Resultados

Antes da adjudicação, a extração acertou 695 das 709 relações da referência, deixou 14 de fora e registrou 19 que a referência não tinha: precisão de 97,3% e revocação de 98,0%. A adjudicação mudou a leitura da precisão. Das 19 relações que só a extração tinha, 18 estavam corretas, isto é, eram laços que a referência deixou passar. As 14 relações que só a referência tinha eram de fato faltas da extração. Entre as concordâncias auditadas, 99 de 100 estavam corretas.

Com a referência corrigida pela adjudicação, a revocação é de 98,1% (intervalo de confiança de 95% por bootstrap de verbetes: 96,8% a 99,3%). Para a precisão, a mesma conta dá 99,7% (99,4% a 100,0%), mas esse valor trata como certas as 595 concordâncias que o juiz não leu, e é, portanto, um limite superior. Estendendo a elas a taxa de erro das concordâncias auditadas (1 em 100), a precisão estimada é de 98,9%, com faixa de 95,2% a 99,6% dada pelo intervalo de Wilson dessa taxa. É esse o número que adotamos. Figura 2 mostra o recorte por grupo de parentesco antes da adjudicação. Afora os laços de afinidade, com só 12 relações na referência, os conjugais têm a revocação mais alta e os colaterais (irmãos, tios, primos), a mais baixa.

As faltas se concentram em um padrão: relações entre terceiros enterradas no meio de verbetes longos. Os irmãos Konder citados no verbete de Marieta Konder, “Pedro Collor, seu irmão mais novo” no verbete de outra pessoa e relações ditas por título nobiliárquico (“filha dos barões de Dourados”) são exemplos. Depois da adjudicação, restaram 2 erros da extração. O primeiro é um caso clássico de correferência: em “Clemente Mariani, sogro de seu filho”, o agente registrou Mariani como sogro do próprio verbetado. O segundo, cometido também pela referência, está no qualificador: um casamento marcado como o segundo, quando o texto o apresenta como o quarto.

O filtro de parágrafos não custou nenhuma relação: 0 das relações da referência estavam fora dos parágrafos que o agente leu. A extração também é estável: uma segunda rodada independente sobre a amostra-ouro concorda com a primeira em F1 de 0,987, e 189 dos 202 verbetes saíram idênticos.

A primeira versão do projeto, medida contra a mesma referência (com pareamento flexível, porque ela não distinguia a direção dos laços), tem precisão de 97,4% e revocação de 89,1%, e não tinha saída para 15 dos 202 verbetes da amostra. Como a primeira versão não passou pela adjudicação, a comparação justa é com os números da segunda antes dela: precisão de 97,3% e revocação de 98,0%. A precisão é equivalente. O ganho da segunda versão está na revocação, na evidência verificável de cada laço e na padronização das pessoas.

7 A rede

A rede final reúne 25.900 pessoas e 22.487 laços. Dos 6.998 verbetados, 6.584 têm pelo menos um laço registrado. Os laços de filiação dominam, com 14.029 registros, seguidos de 5.891 casamentos (Figura 3). Irmãos, tios, primos e avós aparecem em número bem menor, o que reflete a forma dos verbetes: a filiação e o casamento do verbetado são quase obrigatórios, enquanto os demais parentes só aparecem quando têm alguma relevância pública.

Definimos família como um componente conexo de laços de sangue (linha reta e colateral). Casamentos entre famílias diferentes aparecem como alianças. Há 5.344 famílias com três pessoas ou mais. A maior, em número de verbetados, é a família Vargas, com 24 verbetados entre 90 pessoas. A própria família Vargas é a que tem mais gerações de verbetados, 5. Entre as demais, 7 têm 4 gerações, e a Cunha Lima é a que vai mais longe no tempo, com verbetados nascidos entre 1893 e 1988. A pessoa com mais parentes registrados é Getúlio Dornelles Vargas, com 28; fora da família dele, é Osvaldo Euclides de Sousa Aranha, com 18. A distribuição do tamanho das famílias tem cauda longa (Figura 4): poucas famílias grandes e milhares de famílias de três ou quatro pessoas, em geral o verbetado e os pais.

Do ponto de vista substantivo, 24,0% dos verbetados têm um laço direto, afirmado nos verbetes, com um parente que também tem verbete no DHBB. Contando também os verbetados ligados a outro só por meio de um parente sem verbete (dois irmãos cujo pai não tem verbete, por exemplo), como na vista de pares do site, a proporção sobe para 26,0%. A proporção de laços diretos é maior entre as mulheres (35,2%, em 293 verbetadas) do que entre os homens (23,5%, em 6.702 verbetados). Trata-se de um resultado consistente com a ideia de que laços familiares são um caminho de entrada mais frequente para mulheres na elite política, embora a diferença também possa refletir a forma como os verbetes sobre mulheres são escritos. Ao longo das coortes de nascimento (Figura 5), a proporção cai de cerca de 29% entre os nascidos na década de 1880 para cerca de 20% entre os nascidos nas décadas de 1950 e 1960, e volta a subir nas coortes mais recentes. A leitura dessas coortes pede cautela, porque o DHBB cobre de modo seletivo as gerações mais novas, e um político jovem tem mais chances de ter o pai ou o avô já verbetado.

A análise não tem pretensão causal e assume apenas um caráter exploratório. A rede é, antes de tudo, uma fonte para pesquisas que queiram testar hipóteses sobre dinastias políticas com dados brasileiros.

8 Filtros por perfil político

A rede não diz, por si só, quem é político. Para estudar o parentesco entre políticos, o site reúne numa vista própria os 1.432 pares de verbetados ligados diretamente e os 210 ligados só por um parente sem verbete, e permite filtrá-los por período, estado, cargo, partido e tipo de laço. Esta seção descreve de onde vem cada atributo e como medimos a sua qualidade.

8.1 Cargos, estados e períodos

Período, estado e cargo saem do cabeçalho de cada verbete, que lista os cargos com a unidade da federação e os anos (“dep. fed. PE 1995-1999”). Dos 1.821 verbetados da vista, 79,8% têm o estado de algum cargo no cabeçalho e 97,0% têm os anos. O estado de nascimento, lido na primeira frase do texto, aparece para 99,4%. O cabeçalho, no entanto, é preenchido de modo desigual: deputados federais, senadores, governadores e ministros costumam aparecer, mas deputados estaduais, vereadores e prefeitos raramente aparecem, mesmo quando o texto os cita. O filtro por esses cargos traz, portanto, só uma pequena parte de quem os ocupou, e o site avisa isso quando eles são escolhidos. O próprio DHBB também tem erros. Em 16 verbetes, o cabeçalho tinha sido copiado de outro verbete (o de Gastão Müller, senador por Mato Grosso, repetia o do verbete seguinte), trazia o período invertido ou um estado de mandato que o texto desmente, o ano de nascimento era incompatível com a carreira, ou o nome era igual ao de outra pessoa (o de Prudente de Morais, neto, repetia o do avô presidente). Esses casos foram corrigidos a partir do texto, com o trecho que sustenta cada correção, e um relatório de sanidade passou a apontar novos suspeitos a cada geração do corpus.

Um verbetado atende ao filtro quando um mesmo cargo cumpre as condições de período, estado e tipo. O último ano de um mandato não conta para o período, e o ano de fronteira fica com o período que começa nele, salvo a última legislatura da República Velha: o mandato de deputado ou senador de um só ano em 1930, eleito em março e dissolvido em outubro, conta também para a Primeira República. Ministros, presidentes e constituintes aparecem sem estado no cabeçalho. O constituinte recebe o estado do seu mandato de deputado ou senador do mesmo ano, quando o cabeçalho o traz, e ministros, presidentes e os demais constituintes usam o estado de nascimento. Participação em revoltas, candidaturas, movimentos e profissões, que o cabeçalho também registra, não contam como cargo. Trata-se de decisões arbitrárias, mas necessárias para que o filtro de período não misture regimes nem trate uma revolta como mandato.

Um par aparece quando pelo menos um dos dois atende ou, se o usuário pedir, quando os dois atendem. Um atalho no menu de cargo marca só os cargos políticos (mandatos e postos de governo), e, com a opção de que os dois atendam, a vista mostra o parentesco entre políticos. Como a vista só contém quem tem parente verbetado, o número de pares não permite comparar períodos ou estados. Por isso, abaixo da contagem, o site mostra quantos verbetados do DHBB, com ou sem parente verbetado, atendem aos filtros de período, estado e cargo, e que proporção deles tem parente verbetado. Na Primeira República, por exemplo, 98 dos 238 verbetados com cargo no período (41,2%) têm parente verbetado. Na Nova República, são 840 de 3.341 (25,1%). A diferença é grande, mas depende também de como o DHBB cobre cada período (seção 11), e a comparação tem caráter apenas descritivo.

8.2 Filiações partidárias

O partido não é um campo do DHBB. As filiações foram extraídas do texto por regras, que aceitam menções logo depois de uma expressão de filiação (“filiou-se ao”, “na legenda do”, “elegeu-se… pelo”, “deixou o”) ou logo antes de “ao qual se filiou” e “em cuja legenda”, e descartam coligações, negações e orações cujo sujeito é outra pessoa. O partido é identificado primeiro pelo nome por extenso e depois pela sigla e pelo ano, numa tabela de cerca de 110 partidos com os anos de existência. Assim se separam siglas reaproveitadas, como o PSD de 1945, o de 1987 e o de 2011. Os partidos estaduais dos anos 1930 que usavam a mesma sigla, como o PSD e o PP de 1933, ficam separados por estado, lido na própria frase, nos cargos da época ou no nascimento. As regras encontram 12.175 filiações, em 73,1% dos verbetes.

Cada uma das 3.591 filiações dos verbetados que aparecem na vista de pares foi, em seguida, conferida por um agente Sonnet, que leu os trechos do verbete e respondeu se o texto afirma a filiação do próprio verbetado. Delas, 85 foram rejeitadas e saíram do site, e 23 ficaram como incertas. As rejeições mostram os erros típicos das regras: o partido de um adversário citado na mesma frase, a campanha feita por outra pessoa, uma filiação barrada pela executiva do partido. Com as rejeições do censo descrito adiante, o site mostra 3.482 filiações, e 78,2% dos verbetados da vista têm pelo menos uma. No filtro, o partido vale para qualquer momento da carreira, e o período vale para os cargos. Escolher a Arena e a Nova República, por exemplo, mostra ex-arenistas com cargo depois de 1985.

8.3 Validação das filiações

A medida de qualidade das filiações passou por uma correção. A precisão de 94,3% e a revocação de 80,6% publicadas na primeira versão do site vinham de uma conta circular. A referência, anotada às cegas por agentes Opus, passava pela mesma tabela de partidos das regras antes da comparação, e os partidos que a tabela não conhecia ficavam fora da conta. Uma referência que passa pelo mesmo filtro que o sistema avaliado mede, em maior ou menor grau, a si mesma. Refizemos a medida com pontuação estrita, em que a referência é mapeada pelo nome e pelos anos que o anotador leu, e com um juiz cego que decidiu, para cada partido afirmado pelas regras ou pela referência, se o texto sustenta a filiação, sem saber de onde vinha a afirmação. Na mesma amostra, a precisão cai para 92,2% e a revocação, para 76,0% (Tabela 1).

As regras foram então revistas e medidas numa amostra nova, o teste2, sorteada antes da revisão e mantida fora do alcance de quem ajustava as regras: precisão de 100,0% e revocação de 91,1%, que caía para 41,2% nos verbetes longos. A segunda rodada da auditoria apontou, nessas regras, filiações que elas perdiam, como o cargo do próprio verbetado lido como o de outra pessoa (“líder da bancada do PSD”), os partidos estaduais dos anos 1930 de mesma sigla e gatilhos que faltavam. Para corrigi-las sem perder uma medida limpa, sorteamos uma terceira amostra, o teste3, e um agente Opus a anotou às cegas antes de qualquer mudança nas regras. A anotação foi lacrada com um hash, e o teste2 passou a servir de desenvolvimento. Com as regras congeladas, o juiz cego julgou as 195 afirmações das regras e da referência, e a medida foi feita uma única vez, depois de conferido o lacre.

O teste3 tem 84 verbetes: 72 de até 60 mil caracteres, estratificados por época e tamanho, 8 entre 60 mil e 200 mil e, desta vez, os quatro com mais de 200 mil (Getúlio Vargas, Eurico Gaspar Dutra, Osvaldo Aranha e José Sarney), anotados em partes, com pesos por estrato. Nenhuma das 152 filiações afirmadas pela versão final estava errada, o que dá precisão de 100,0% (IC 95% de 97,5% a 100,0%), e a revocação é de 84,9% (79,7% a 90,2%). Só com as regras, a precisão seria de 98,3%: a conferência tirou as 5 filiações erradas e 1 certa. A revocação depende do tamanho do verbete. É de 85,4% nos verbetes curtos, cai para 63,0% nos longos e para 50,0% nos quatro mais longos, de modo que as listas de partidos dos políticos mais documentados são as mais incompletas. Das filiações perdidas, 8 são de partidos que a tabela não tem e 30, de frases que as regras não reconhecem.

A revocação do teste3 é menor que a do teste2, e a diferença pede cuidado na leitura. As regras do momento do lacre, pontuadas sobre o mesmo julgamento do teste3, teriam precisão de 99,1% e revocação de 82,2% (duas afirmações delas, fora do conjunto julgado, ficam de fora da conta). Disso segue que a correção aumentou a revocação na amostra nova, com dois falsos positivos a mais, que a conferência tirou, e que a maior parte da queda entre as duas amostras vem da própria amostra: o teste3 é mais difícil para as regras, antigas ou novas. Trata-se de um lembrete de que uma amostra de 80 verbetes mede a revocação com uma folga de vários pontos percentuais, como mostram os intervalos. Figura 6 compara as quatro medições.

Um censo por partido complementa a amostra. Agentes Opus releram 629 filiações do site, todas as dos partidos com até 15 verbetados e 8 de cada partido maior, mais até cinco das filiações novas de cada partido depois da última revisão das regras. Delas, 614 se confirmaram, 3 foram rejeitadas e saíram do site, e 12 ficaram incertas. Os 9 partidos em que menos de 90% das filiações relidas se confirmaram aparecem marcados no filtro. A regra prevista antes da medição (limite inferior do intervalo de Wilson abaixo de 0,80) marcaria todos os partidos, porque oito filiações certas dão limite inferior de 0,68, e foi trocada depois de ver esse efeito.

8.4 Pares entre verbetados

Na vista de pares, dois verbetados sem nenhum laço direto, que o texto liga apenas por meio de um parente sem verbete, como dois irmãos cujo pai não tem verbete, aparecem unidos por esse intermediário. A relação entre eles é lida da composição dos dois laços: pai de um e pai do outro dá irmãos, e esposa de um e filha do outro dá sogro e genro. Combinações sem grau seguro, como o filho do cônjuge (que pode ser filho ou enteado), ficam como parentes sem grau definido, e duas pessoas casadas, uma depois da outra, com a mesma pessoa não viram parentes. Essa composição é a única dedução feita no site. As demais relações estão escritas nos verbetes.

Para medir os rótulos desses pares, sorteamos da rede já corrigida 40 pares diretos e 60 pares por intermediário, e um agente Opus leu os trechos e nomeou o parentesco sem ver o rótulo do site (Tabela 2). A categoria do laço coincide em 100,0% dos pares diretos e em 83,3% dos pares por intermediário. Outros 8 pares por intermediário aparecem como parentes sem grau definido, o que não é erro, mas deixa o grau em aberto. No total, 96,7% dos pares por intermediário são de fato parentes. Os 2 pares errados vinham de pais homônimos fundidos só pelo nome, corrigidos depois da medição. Na primeira leitura, o medidor entregou ao juiz o parágrafo errado em seis casos, porque o número de parágrafo gravado na extração às vezes aponta o vizinho, e esses casos foram julgados de novo com o parágrafo certo. Uma primeira amostra, sorteada antes das correções de identidade e usada para orientá-las, não é independente e aparece na tabela só como referência.

9 Auditoria do site

9.1 Desenho

Depois da primeira publicação, o site passou por uma auditoria feita por agentes, em duas rodadas. Na primeira, seis auditores Opus, cada um com uma lente (requisitos, partidos, perfis, documentação, apresentação e código), trabalharam numa cópia do site fora do repositório, sem os verbetes da amostra lacrada de partidos. O auditor de requisitos não leu o código: partiu da página inicial e cumpriu tarefas escritas como as de uma pesquisadora que nunca viu o site (ver os casamentos entre verbetados mineiros no regime militar, por exemplo), conferindo três resultados de cada tarefa no texto dos verbetes. Cada achado trazia a evidência e um roteiro para reproduzi-lo, e passou por um verificador instruído a refutá-lo. Por fim, um crítico de completude apontou o que nenhum auditor tinha olhado.

Na segunda rodada, quatro auditores novos, que não viram os achados da primeira, repetiram o trabalho na versão corrigida, e outros três agentes refizeram, nessa versão, os roteiros de reprodução dos achados da primeira rodada. Dois verificadores independentes conferiram, então, cada correção declarada, com a instrução de não aceitar a palavra de quem corrigiu.

9.2 Resultados

Tabela 3 resume as rodadas. Os 66 achados da primeira rodada foram todos confirmados pela verificação, 7 deles de gravidade alta. Os mais graves estavam nos partidos: filiações de outras pessoas atribuídas ao verbetado (dos sete partidos listados para Getúlio Vargas, quatro vinham de frases sobre terceiros) e a métrica circular descrita na seção 8.3. Na rede, apareceram homônimos fundidos, como quatro “Maria José de Oliveira” diferentes numa só pessoa, o que levou às correções de identidade da seção 5. A segunda rodada achou 34 problemas novos, entre eles uma história da página inicial (“a família com mais gerações de verbetados”), que contava as camadas do desenho e não gerações de fato, e participações em revoltas contadas como cargo. Dos achados da segunda rodada, 23 foram corrigidos, 3 em parte, e 8 ficaram registrados como limitações, cada um com o motivo.

A verificação das correções confirmou 21 das 26 e achou uma regressão introduzida pela própria correção: a exceção de fronteira criada para a legislatura de 1930 valia para qualquer mandato de um só ano em 1930, 1946, 1964 e 1985, e punha a Constituinte de 1946 na Era Vargas. De fato, a auditoria por agentes encontrou erros que os testes automáticos não pegavam, mas as correções também erram, e só uma verificação independente os separa. Os achados, os vereditos e as correções estão versionados junto com o código.

9.3 Fechamento

Os itens que ficaram em aberto nas duas rodadas (os não corrigidos e os parciais da segunda rodada, da refação da primeira e da verificação), somados aos problemas que uma conferência do estado do site achou em outubro, passaram por uma etapa de fechamento. Cada um terminou num registro com o estado final, corrigido ou limitação documentada, e o motivo. Dos 42 itens, 34 foram corrigidos e 8 ficaram como limitação. Cinco delas vêm das regras de partido: (i) a revocação nos verbetes longos; (ii) cargos do próprio verbetado ainda lidos como de outra pessoa; (iii) gatilhos do integralismo que não funcionaram; (iv) um limite de distância para o ano que não barra a atribuição; e (v) uma regressão das regras corrigidas, que deixou de reconhecer o Partido Republicano de 2006 escrito por extenso. As outras três são as linhas que ainda passam por cima de outras pessoas nas famílias muito grandes, o formato dos CSVs da rede inteira, sem a marca de ordem de bytes que o Excel usa para reconhecer os acentos (mantido de propósito para R e pandas), e a cobertura desigual dos cargos locais no cabeçalho. A conferência achou 11 problemas novos. Entre eles estavam os cabeçalhos com erro no próprio DHBB, descritos na seção 8.1, os apelidos de parentes que a busca atribuía ao verbetado (PC Farias levava ao verbete do irmão, e Ratinho, ao do filho) e a história da família com mais gerações, que não dizia que a família Vargas, deixada de fora para as histórias não se repetirem, tem mais gerações do que a escolhida. Dois verificadores independentes, numa cópia nova do site e sem a amostra lacrada, conferiram cada item do registro com o roteiro original: 30 dos 41 se confirmaram, 9 em parte e 2 não, e eles acharam 6 regressões. Corrigimos o que não mexia na medida dos partidos. O que exigiria mudar quais filiações as regras acham ficou como limitação, porque as regras estão congeladas desde a medida do teste3, e uma mudança pediria outra amostra lacrada. A escolha do estado dos partidos de 1933, corrigida depois da verificação, não muda essa medida, que compara os partidos sem o estado.

10 Visualização

A rede está disponível em um site estático, sem servidor, publicado no GitHub Pages. A página inicial apresenta o projeto e algumas histórias tiradas dos dados. O explorador abre com a rede de Getúlio Vargas e permite trocar de pessoa pela busca, que aceita os apelidos registrados nos próprios verbetes, como Jango e Lula, ou por uma lista de sugestões. A rede de cada pessoa aparece a um ou dois passos de distância, com expansão sob demanda (Figura 7), e o grafo pode ocupar a tela inteira sem perder o painel com os trechos dos verbetes.

O desenho segue as convenções de genealogia. Quadrados representam homens e círculos, mulheres, e formas preenchidas indicam pessoas com verbete no DHBB. As gerações ficam em camadas, com os mais velhos acima, em um layout no estilo de Sugiyama et al. (1981): a geração de cada pessoa é calculada primeiro pelos laços verticais (pais, filhos, avós) e depois pelos de mesma geração, a ordem dentro de cada camada reduz cruzamentos pelo método do baricentro, e cônjuges ficam lado a lado, com os irmãos de cada um nas pontas. As cores distinguem quatro grupos (sangue, casamento, afinidade e, em cinza, compadrio e outros). A paleta foi escolhida com um validador: cada cor tem contraste de pelo menos 3:1 com o fundo, nos dois temas, e as quatro se distinguem também em simulações de daltonismo. O cinza, neutro de propósito, vem pontilhado, e os casamentos, tracejados. Pessoas cujo sexo o texto não informa aparecem como losangos, e a legenda lista só o que está no grafo. Com as gerações em camadas, uma linha entre um avô e um neto pode passar por cima de alguém da geração do meio e sugerir um laço que não existe. Depois do desenho, cada uma dessas linhas vira a primeira curva, entre várias testadas, que não encosta em ninguém, sem mudar a posição das pessoas. Na rede de Getúlio Vargas, as linhas retas que passavam a menos de 12 pixels do centro de outra pessoa eram 5 e passaram a zero; na família Vargas inteira, a maior, caíram de 74 para 20, porque nem sempre há uma curva livre. O painel lateral lista os parentes da pessoa selecionada com o trecho do verbete que comprova cada laço e o verbete de onde ele saiu. A renderização usa Cytoscape.js (Franz et al. 2016).

O explorador também permite filtrar a rede pelo tipo de laço, agrupado em nove categorias (filiação, avós e netos, irmãos, tios e sobrinhos, primos, casamento, afinidade, compadrio e parentes sem grau definido), e mostrar só as pessoas com verbete, nas visões de uma pessoa e de uma família e na vista de pares descrita na seção 8.

Cada grafo pode ser exportado. Nas visões de uma pessoa, de uma família e de pares, um menu baixa exatamente o que está na tela, com os filtros aplicados: (i) a imagem, em PNG ou em SVG vetorial, com a legenda e a fonte; (ii) um arquivo GEXF para o Gephi (Bastian et al. 2009), com a posição, a cor e os atributos de cada pessoa e de cada laço; e (iii) duas tabelas em CSV, uma de pessoas e outra de laços, com os trechos de evidência. A rede inteira também está disponível em duas tabelas. Os cabeçalhos das tabelas ficam em português nos dois idiomas do site, e as colunas de código, como o tipo do laço e os qualificadores (“ex”, segundas núpcias), são iguais nos dois, para que exportações feitas em português e em inglês possam ser juntadas. Com isso, quem quiser estudar uma família ou um grupo de políticos pode levar o grafo para as próprias análises, com a fonte de cada laço.

11 Limitações

A rede só enxerga o que os verbetes dizem. O DHBB privilegia a elite política pós-1930 e trata as famílias de modo desigual: alguns verbetes detalham avós e primos, outros não citam nem os pais. A ausência de uma ligação, portanto, não significa ausência de parentesco. A resolução de entidades segue uma estratégia conservadora, que protege a precisão da rede, mas subestima o tamanho das famílias.

Do ponto de vista dos modelos, a extração não é determinística: agentes não permitem fixar a temperatura, e duas leituras do mesmo lote divergem em casos de fronteira (a concordância entre rodadas foi de 0,987 em F1). A validação usa modelos como referência. É verdade que a referência foi produzida com instruções diferentes, a partir do texto integral, e que as divergências foram adjudicadas por um terceiro agente; no entanto, erros comuns aos modelos poderiam passar despercebidos, e a auditoria das concordâncias só estima sua frequência. Nenhum resultado passou por revisão humana: extração, conferência, juízes e anotadores são modelos da mesma família (Claude). Uma auditoria humana de uma subamostra seria o próximo passo natural.

Os filtros do site têm limites próprios. Os cargos vêm só do cabeçalho do verbete, e as filiações partidárias, de regras que deixam de fora parte das filiações citadas no texto, de modo que a lista de partidos de uma pessoa pode ficar incompleta, sobretudo nos verbetes mais longos (seção 8.3). Os cargos locais (deputado estadual, vereador, prefeito) raramente estão no cabeçalho. No desenho, as curvas resolvem a maior parte das linhas que passavam por cima de outras pessoas, mas não todas: nas famílias muito grandes, algumas ainda encostam em alguém ou passam sobre nomes.

12 Reprodutibilidade e custo

O código, as instruções dos agentes, os lotes de entrada, as saídas brutas dos agentes, as anotações de referência e os vereditos de adjudicação estão versionados num repositório privado e ficam disponíveis mediante pedido. O corpus é regenerável a partir do commit registrado do repositório cpdoc/dhbb e dos verbetes baixados do site. As etapas são numeradas (01_coletar.py a 08_artigo.py), com módulos auxiliares para os filtros do site (perfis.py, que lê cargos, estados e anos, e partidos.py, que extrai as filiações) e para a auditoria (identidade.py, partidos_medida.py e pares_medida.py). Cada etapa grava a sua saída em disco, e os vereditos dos juízes e da conferência de partidos também estão versionados, de modo que a resolução de entidades, as métricas, o site e este texto podem ser refeitos sem nenhuma chamada a modelos.

O custo é medido em tokens processados pelos agentes. Ao todo, os subagentes processaram 58,1 milhões de tokens: 33,1 milhões com o modelo Sonnet e 25,0 milhões com o modelo Opus, sem contar o agente coordenador. A rodada completa de extração custou 17,1 milhões, cerca de 2,4 mil tokens por verbete. A primeira tentativa, com esforço alto de raciocínio, consumiu cerca de 5,5 milhões em apenas sete lotes, o que mostra que o nível de esforço é um parâmetro de custo de primeira ordem nesse tipo de tarefa. A auditoria do site, com a conferência de cada filiação partidária, os juízes de identidade e as medições descritas acima, custou 26,0 milhões, já incluídos no total.

13 Considerações finais

Este trabalho mostrou que agentes de modelos de linguagem extraem laços de parentesco de verbetes biográficos com precisão e revocação próximas das de uma leitura independente do texto integral, feita por outro modelo, desde que três condições estejam presentes: instruções restritivas, que só aceitam o que o texto afirma; evidência literal verificável para cada laço; e uma validação independente, com adjudicação das divergências. O filtro de parágrafos reduziu o texto lido a 11% do total sem custo mensurável de revocação, o que torna a empreitada viável para dicionários inteiros.

A etapa mais delicada foi a identificação das pessoas. Em elites em que nomes passam de avô para neto, a semelhança de nomes não basta, e regras genealógicas (gerações, datas e o tipo de laço com pessoas em comum) foram necessárias para evitar fusões erradas, como a do pai e do filho caçula de Getúlio Vargas, que chegaram a virar uma pessoa só em versões iniciais.

Os filtros do site pediram medidas próprias, e a lição mais geral veio da métrica de partidos publicada na primeira versão. Uma referência que passa pela mesma tabela que o sistema avaliado mede, em maior ou menor grau, a si mesma. Refeita com pontuação estrita e um juiz cego, a medida caiu na mesma amostra. Medida uma única vez numa amostra lacrada, a versão final mostrou precisão alta e indicou onde a revocação falha: nos verbetes longos. Uma terceira amostra, lacrada antes da última revisão das regras, mostrou ainda que a diferença entre duas amostras pode ser maior que o efeito de uma correção, porque as regras antigas e as novas perdem mais filiações nela do que na anterior. A auditoria em rodadas, com verificação adversarial dos achados e das correções, encontrou erros de outra natureza, que as amostras não mostram: filiações atribuídas à pessoa errada, homônimos fundidos e uma história da página inicial baseada num artefato do desenho. Ela também mostrou que as correções erram, pois a verificação apanhou uma regressão introduzida por uma delas. Trata-se de um procedimento caro, mas que parece compensar em projetos em que modelos produzem e conferem os próprios dados.

Do ponto de vista substantivo, a rede indica que cerca de um quarto dos verbetados do DHBB tem um parente também verbetado, com proporção maior entre as mulheres. Uma agenda de pesquisa natural é cruzar a rede com dados eleitorais e de carreira (mandatos, partidos, estados), para estimar a vantagem de pertencer a uma família política no Brasil, e estender o método a outros dicionários biográficos, como o de políticos da Primeira República.

Referências