Corpus Anotado de Convênios do Diário Oficial da União Brasileiro(1996-2022)

Este repositório contém o corpus anotado utilizado na dissertação de mestrado EUTINO JUNIOR VIEIRA SIRQUEIRA, referente à extração de informações em atos oficiais brasileiros. O corpus é composto por 192.900 excertos textuais provenientes do Diário Oficial da União (DOU), abrangendo o período de 1996 a 2022.

Metodologia de Construção: A partir de um universo inicial de 554.101 convênios, foram filtrados 71.287 convênios que geraram as publicações aqui presentes. O dataset foi processado e salvo em formato binário .spacy, ideal para treinamento de modelos de NLP com a biblioteca spaCy.

Organização: Para garantir reprodutibilidade experimental, os 1.930 arquivos originais (contendo 100 documentos cada) foram segregados aleatoriamente na proporção 70/30:

Treino (70%): Utilizado para o ajuste de pesos dos modelos (arquivos train*.spacy).

Teste (30%): Utilizado exclusivamente para avaliação final de performance (arquivos train*.spacy segregados).