Introdução

O processo de descoberta de conhecimento tem sido empregado para encontrar informações ou padrões de informações, utilizando técnicas de análise e extração de dados. A descoberta de conhecimento em documentos textuais está inserida no contexto da descoberta de conhecimento em dados não estruturados.

Este estudo coletou documentos textuais produzidos no processo de investigação policial, com propósito de submete-los a técnicas de mineração de textos para extrair conhecimento não observáveis apenas pela análise humana, devido ao volume de dados. Os resultados apresentados neste estudo fazem parte de trabalho de pesquisa de mestrado.

Esses documentos compõem volumes de inquérito policial, que no Brasil é um procedimento administrativo escrito, resultado da investigação policial e da coleta de provas com a finalidade de apurar a infração criminal. O inquérito é um instrumento que as polícias brasileiras utilizam na fase de investigação criminal para documentar a apuração de diligências produzidas em uma investigação de crime (M. ^{Silva, 2019}).

Por ano, a Polícia Federal Brasileira produz cerca de 70 mil inquéritos policiais. O somatório ao ano alcança 14 milhões de páginas de textos (^{Agência, 2016}). Os documentos textuais do inquérito policial recebem o nome de “peças”.

O objetivo geral deste estudo é investigar quais técnicas de mineração de textos oferecem melhorias à investigação policial, examinando algumas dessas técnicas e aplicando-as sobre o conjunto de documentos textuais do inquérito policial, para extrair conhecimento não trivial que possa contribuir com o processo de investigação. O estudo propõe a análise de abordagem da Ciência da Informação, por meio do uso de métodos e técnicas da Recuperação de Informação sobre as Ciências Policiais, a partir do acervo textual do inquérito policial.

Essa aproximação busca agregar conhecimento ao processo das polícias judiciárias. ^{Borko (1968}: 2) tratou essa relação simbiótica, tendo proposto que técnicas e procedimentos empregados por bibliotecários e documentaristas deveriam se basear nos resultados teóricos da Ciência da Informação. Este estudo tem aplicação de relevância social, vez que contribui com a sociedade propondo um resultado mais eficaz à investigação policial, por meio do uso de técnicas de mineração de textos.

Revisão da literatura

Esta pesquisa utilizou o método de pesquisa bibliográfica, elaborando uma revisão da literatura sobre o tema abordado. Essa revisão de literatura buscou principalmente trabalhos relacionados ao tema da mineração de textos.

O tema da mineração de textos está relacionado ao crescente uso de dados textuais. Segundo ^{Zhou, Peng e Liu (2010)}, o enorme crescimento de documentos textuais aumentou a demanda por novos métodos de mineração de dados para o processamento de texto. Por isso, a mineração de textos pode se chamar de descoberta de conhecimento de bases de dados textuais (^{Aranha e Passos, 2006}).

Como os dados de texto codificam grande parte de nosso conhecimento acumulado, eles geralmente não podem ser descartados. Como consequência, gera o acúmulo de uma grande quantidade de dados que agora estão além da capacidade de qualquer indivíduo examinar (^{Zhai e Massung, 2016}: 4).

A descoberta de conhecimento em documentos textuais está inserida no contexto da descoberta de conhecimento em dados não estruturados. O processo de descoberta de conhecimento tem pelo menos quatro fases: a coleta de dados, o pré-processamento de dados, a mineração e o pós-processamento (L. ^{Silva, Peres e Boscarioli, 2017}: 11). A Figura 1 apresenta a ordem dessas etapas.

Figura 1 Etapas da mineração ou descoberta de conhecimento 

A coleta de dados (textos) é a primeira etapa da mineração de textos. De acordo com ^{Weiss et al. (2010}: 8) o processo de recuperação de textos inicia com uma coleção de documentos. A etapa que se segue é o pré-processamento, on- de são eliminados os fatores dependentes da linguagem para que a estrutura da linguagem se torne mais clara (^{Yang, Manoharan e Barber, 2014}: 52).

A etapa de pré-processamento envolve a preparação dos dados antes de aplicar técnicas de mineração. Na preparação dos dados textuais o uso da técnica conhecida por case folding é usada para garantir a correspondencia de strings. Essa técnica consiste em passar todas as palavras para caixa alta ou caixa baixa. Ela deve ser considerada na análise lexical (^{Baeza-Yates e Ribeiro-Neto, 2013}: 211). Outra preparação é a remoção de acentuação. De acordo com ^{Orengo e Huyck (2001}: 188), a remoção de acentos é necessária porque há casos em que algumas formas variantes da palavra são acentuadas e outras não.

Nessa etapa, é comum o uso da tokenização, que é a primeira etapa na criação de um índice sobre qualquer tipo de dado de texto (^{Zhai e Massung, 2016}: 61). A tokenização consiste em dividir o fluxo de caracteres em palavras, ou tokens (^{Weiss et al., 2010}: 20). Outra técnica comum nessa etapa é a eliminação de stopwords. Segundo ^{Baeza-Yates e Ribeiro-Neto (2013}: 213), termos frequentes que aparecem em cerca de 80% dos documentos não têm utilidade para o propósito de recuperação.

Outra técnica é a redução do termo ao seu radical. Essa técnica é chamada de stemming. Para ^{Zhai e Massung (2016}: 66), stemming é o processo de reduzir uma palavra a uma forma básica. Semelhante modo, ^{Berry (2004}: 134) define como o processo que identifica a forma raiz das palavras removendo sufixos.

Um método usado nessa fase é o bag of words (BoW), que de acordo com alguns estudados (^{Meena e Lawrance, 2019}; ^{Costantino et al., 2017}), é utilizado para extração de informações de palavras citadas em documentos. Segundo ^{Meena e Lawrance (2019}: 2610), a bag of words (BoW) constrói um vocabulário do documento fornecido.

Um modelo de ponderação de termos de um documento, muito utilizado para classificação de textos utilizado em diversos estudos é o TF-IDF (^{Kuang, Brantingham e Bertozzi, 2017}; ^{Meena e Lawrance, 2019}). Essa medida é composta por dois cálculos, o cálculo do TF (Term Frequency) e o cálculo do IDF (Inverse Document Frequency). Esse modelo foi apontado em alguns estudos pelos bons resultados alcançados na extração de recursos (^{Al-Saif e Al-Dossari, 2018}: 382).

^{Salton e McGill (1983}: 205) descrevem o TF como sendo o número de vezes que um termo aparece no texto de um documento (fórmula 1):

O IDF mede quão rara é a palavra no corpus, conforme descrevem ^{Manning, Raghavan e Schütze (2009}: 118). Ele tem a (fórmula 2):

Esses dois elementos são a base de construção da medida resultado da multiplicação desses elementos (fórmula 3):

Ainda nessa etapa de pré-processamento, o uso do n-gramas dá o contexto de dois (bigramas) ou três (trigramas) termos que estão próximos e que tem certa frequência que aparecem juntos. Alguns estudos atribuem ainda vantagens a métodos estatísticos como n-gramas, tendo como principais vantagens ser independente do idioma e funcionar muito bem com arquivos que contêm erros linguísticos e ruído (^{Al-Saif e Al-Dossari, 2018}: 378).

Para apresentação de resultados, word cloud (ou nuvem de palavras) é uma técnica simples de visualização que permite a quem está analisando tenha uma compreensão de primeiro nível de conceitos/termos proeminentes (^{Cardoza e Wagh, 2017}: 61). No contexto da mineração de textos, utilizan- do word cloud, quanto maior é o peso das palavras no texto a ser analisado, maior se tornam as palavras na visualização (^{Ramsden e Bate, 2008}).

Na etapa de processamento um método utilizado para agrupar conjuntos de dados é a clusterização. Os algoritmos de clusterização são técnicas de aprendizado de máquina não supervisionada que agrupam um conjunto de documentos em subconjuntos e tem por objetivo criar clusters que sejam coerentes internamente, mas claramente diferentes um do outro (^{Manning, Raghavan e Schütze, 2009}: 349).

O levantamento de trabalhos científicos que abordam o tema da mineração de textos auxilia no propósito de buscar pesquisas que possam contribuir para descoberta de conhecimento em investigações criminais. De acordo com ^{Sampaio e Mancini (2007}: 84), as revisões sistemáticas servem para incorporar um espectro maior de resultados relevantes.

Metodologia

A caracterização desta pesquisa é descrita quanto a sua natureza, objetivos, abordagem e procedimentos técnicos. Quanto à natureza da pesquisa, este estudo está caracterizado por uma pesquisa aplicada. Quanto aos objetivos, trata-se de uma pesquisa exploratória. Quanto à forma de abordagem, a pesquisa trata do método misto.

Com relação aos procedimentos técnicos, este estudo se trata de pesquisa bibliográfica e documental. Ainda sobre os procedimentos técnicos deste estudo, na pesquisa bibliográfica foram consultadas as bases Web of Science, IEEE Explorer, Scopus e Lisa, além de outras fontes literárias, como os livros e leis brasileiras.

As principais etapas de uma pesquisa de mineração de textos são: coleta, pré-processamento, mineração de textos e pós-processamento. Essas etapas são descritas no modelo de descoberta de conhecimento em banco de dados (Knowledge Discovery in Databases - KDD), conhecido tradicionalmente desde 1989 (^{Fayyad, 2001}: 32-33).

Este estudo não se propõe a esboçar diferentes modelos de processo, como CRISP-DM ou SEMMA, mas emprega etapas sob a percepção de ^{Fayyad, onde a Mineração de Dados é uma das fases do KDD (Fayyad, Piatetsky-Shapiro e Smyth, 1996}: 39). A Figura 2 apresenta essas etapas com as técnicas aplicadas neste estudo.

Figura 2 Etapas da mineração de textos com técnicas empregadas no estudo 

Neste estudo, a coleção de 250 documentos foi coletada de um conjunto de peças textuais disponíveis em inquéritos relatados, de onde se propõe extrair conhecimento não trivial. Esses documentos foram extraídos no formato Rich Text Format (RTF).

Ao iniciar a etapa de pré-processamento, os documentos RTF foram convertidos para o formato de texto puro, utilizando script em linguagem python escrito durante o estudo, formando um dataset único dos 250 documentos. Nesse processo foi empregada a codificação de caracteres no padrão utf-8 para garantir a compatibilidade de caracteres. Foi aplicada a técnica de case folding, sendo neste estudo convertido para letras minúsculas, além de serem removidas as acentuações de caracteres.

Esta pesquisa aplicou um processo de anonimização de dados com objetivo de salvaguardar informações de natureza pessoal. Esse processo foi divido em 9 fases. Nela forma substituídas os atributos: UF, município, CEP, telefones, nomes, RG, matrícula, placa de veículo e CPF, conforme apresentado na Figura 3.

Figura 3 As 9 fases do uso da anonimização no estudo 

A tokenização neste estudo foi realizada com o uso da biblioteca de código aberto do Python Natural Language Toolkit (NLTK). A biblioteca Pandas (biblioteca de código aberto do Python) foi utilizada para gerar um dataframe contendo a unidade das palavras de cada documento.

Em seguida foram eliminadas as stopwords. Além da lista de termos mais frequentes no idioma português do Brasil, foram incluídos termos frequentes no conteúdo de documentos textuais de inquérito policial.

Foram realizados dois experimentos neste estudo. O primeiro partiu deste ponto. Após a eliminação das stopwords, foi implementado o algoritmo de bag of words para criar um vetor booleano de frequência, indicando se cada palavra do “saco de palavras” está ou não presente no documento. Na sequência, foi aplicado o cálculo de ponderação de termos com o TF-IDF, para obter os termos mais representativos.

No uso do TF-IDF, foi utilizada a biblioteca de código aberto do Python Scikit-Learn. O método “TfidfVectorizer” da biblioteca Scikit-Learn foi parametrizado para obter esses termos representativos no modelo n-grams, obtendo por meio do parâmetro “ngram_range” esses valores em unigramas, bigramas e trigramas. O emprego do TF-IDF com n-grams foi proposto neste estudo para descobrir tópicos, tal como proposto pelo topic model.

No segundo experimento, após a eliminação das stopwords, foi aplicada também stemming utilizando a biblioteca NLTK. O pacote stem da biblioteca NLTK utiliza vários stemmers, dentre eles o RSLPStemmer, que é específico para língua portuguesa, sendo este utilizado neste estudo. Nesse segundo caso, só após o stemming foram repetidas as aplicações de bag of words, TD-IDF e n-grams.

Feitos os dois experimentos, os resultados foram comparados, sendo a principal comparação os resultados de n-gramas extraídos do cálculo do TF-IDF. Com a comparação, foi escolhido um dos experimentos para utilizar na etapa de mineração de textos, que obteve resultado mais significativo.

Nessa etapa, foi utilizada a técnica de word clouds como forma de visua- lização dos n-gramas mais representativos. Foi elaborado script para geração da nuvem de palavras com o uso do pacote WordCloud do Python. O script elaborado utilizou outros pacotes auxiliares para gerar a imagem da nuvem de palavras, como matplotlib e numpy.

Após esses procedimentos, iniciou-se a etapa de mineração de textos propriamente dita, sendo utilizada a técnica de clusterização com o método k-means. O algoritmo de clusterização foi utilizado para agrupar conjuntos de trigramas extraídos do experimento.

Foi aplicado o Elbow Method (método do cotovelo) para determinar o número de clusters a ser utilizado no método k-means. Também foi utilizado o indicador Silhouette para análise da distância de cada cluster.

Outros métodos de agrupamentos como Agglomerative Clustering e DBSCAN são conhecidos. O Agglomerative Clustering é um método hierárquico, especialmente úteis quando o objetivo é organizar os clusters em uma hierar- quia natural. O DBSCAN tem boa aplicação quando as densidades não são diferentes e precisa de uma seleção cuidadosa de parâmetros. O K-Means foi selecionado por seu uso ser menos intensivo em termos de computação, tornando mais rápido, e são adequados para conjuntos de dados muito grandes e ser próprio para agrupamento por distância entre pontos.

Com isso, foram aplicadas as principais etapas de mineração de textos, as técnicas de pré-processamento (tokenização, stopwords, stemming, BoW, TF-IDF, n-grams), a técnica de mineração de textos para agrupar conjuntos de dados (k-means) e a técnica de pós-processamento para apresentar os resultados (word clouds). Após essas estapas, este estudo passou a analisar os resultados obtidos nos dois experimentos.

Resultados

Forma obtidos resultados dos dois experimentos. Esses resultados puderam ser comparados para se verificar quais descobertas surgiram que pudessem contribuir para os objetivos deste estudo.

Resultado do primeiro experimento

O vocabulário gerado no primeiro experimento resultou em 8.274 termos (ou tokens). Com o ranqueamento dos termos mais frequentes do dataset, foram encontrados 1.049 termos que apareceram pelo menos 10 vezes nos documentos.

Com o BoW foi gerada uma matriz com esses termos mais frequentes, resultando em 250 linhas por 1.049 colunas. Cada linha representa um documento e as colunas são os termos mais frequentes do vocabulário. A Figura 4 apresenta a distribuição da frequência desses termos em cada documento.

Figura 4 Distribuição da frequência dos termos do vocabulário nos documentos 

Os pesos do TF-IDF foram calculados, sendo gerada uma matriz de dispersão com 66.052 colunas (contendo unigramas, bigramas e trigramas) por 250 linhas que representam a quantidade de documentos. Uma amostra dos resultados n-gramas dessa matriz está na Figura 5.

Figura 5 Dataset com n-grams extraído do TF-IDF 

Essa matriz é composta com 8.274 unigramas, 27.265 brigramas e 30.513 trigramas. Este primeiro experimento será comparado com o resultado do segundo experimento.

Resultado do segundo experimento

O segundo experimento utilizou stemming para reduzir a dimensionalidade do vocabulário. Nesse experimento, o vocabulário gerado contém 5.407 termos. O ranqueamento dos termos mais frequentes do vocabulário, com frequência de pelo menos 10 ocorrências, resultou em 1.078 termos.

Neste caso, a matriz gerada com o BoW resultou em 250 linhas por 1.078 colunas. Nas linhas estão dispostos os documentos e nas colunas os termos mais frequentes do vocabulário. A distribuição da frequência desses termos está na Figura 6.

Figura 6 Distribuição da frequência dos termos do vocabulário nos documentos 

A matriz de dispersão gerada para o cálculo dos pesos do TF-IDF resultou na forma de 62.064 x 250. A Figura 7 apresenta uma amostra desse conjunto de dados com o n-gramas.

Figura 7 Dataset com n-grams extraído do TF-IDF 

Essa matriz é composta com 5.407 unigramas, 26.313 brigramas e 30.344 trigramas. A comparação deste resultado com o primeiro experimento está descrita no próximo item.

Visualização com word cloud

Ao gerar a visualização com nuvem de palavras apresentou os termos mais frequentes no corpus, deixando-os em evidência na “nuvem”. A técnica facilitou a visualização desses termos, considerando o volume do vocabulário de trigramas.

O resultado apresentado nessa técnica contou com o ajuste da biblioteca utilizada para considerar o dicionário de trigramas. A nuvem de palavras está representada na Figura 8.

Figura 8 Termos mais representativos do diccionario de trigramas 

O resultado da word cloud indica a evidente valorização de nomes pelo TF-IDF. Embora não seja objetivo deste estudo o reconhecimento de entidades nomeadas (NER), essa descoberta evidenciou esse comportamento ao utilizar a ponderação da técnica TF-IDF para valorizar nomes. Com essa técnica, os termos representativos conjugam nomes e fatos, sugerindo a relação entre eles. Além de nomes, outra descoberta neste estudo é a possibilidade de estabelecer conexões com o uso do TF-IDF.

Foi visualizado grande volume de nomes presentes na nuvem de palavras. A Figura 9 apresenta outra nuvem de palavras gerada sem os nomes próprios no mesmo dicionário e considerando bigramas e trigramas.

Figura 9 Termos mais representativos dos n-grams sem nomes próprios 

Com a retirada dos nomes próprios os temas abordados no contexto do dicionário surgem em destaque. Esses termos representam mais claramente o resultado do TF-IDF. A próxima etapa tentou agrupar os resultados para identificar as categorias representativas.

Resultado da clusterização

Como se viu no resultado do TF-IDF, esse método valoriza nomes. Contudo, para esta etapa foram eliminados os nomes da lista de atributos a serem utilizados na clusterização.

Para a clusterização, o conjunto de dados utilizado para treino representou 60% do dataset gerado no primeiro experimento e o conjunto para teste representou 40% do dataset. Após testar um número variado de clusters, com valor de K entre 2 e 19. A cada interação desse intervalo os textos foram classificados em clusters, com base nas features mais relevantes.

Com o resultado do Elbow Method e do Silhouette, utilizado na análise da métrica estatística da distância de cada grupo, o número de clusters foi definido em k=8. Os valores da variável Inertia_ (do algoritmo do método do cotovelo) e a pontuação média do indicador Silhouette estão no Quadro 3.

Quadro 3 Cálculo da distância de cada grupo 

Interação de clusters	Valores de Inertia_	Valores de score de Silhouette
2	26.407766542630895	0.21447120803450873
3	23.40613742895484	0.4543829253092717
4	21.5162601542226	0.533569334507583
5	20.19718766312582	0.614872536807049
6	19.119907149891077	0.6472925266298454
7	17.34682388257048	0.7082602221754799
8	14.755351548672904	0.7916165788142853
9	14.170636026494282	0.8182662988835868
10	13.449997605349845	0.8418286611777918
11	12.860182294729992	0.8798681665203688
12	12.5578304435155	0.8874530403988156
13	11.99133960052284	0.9080805754423239
14	11.65154548866381	0.9202136520380176
15	11.176742884157882	0.9367101164812598
16	10.942296599429019	0.9284410700703736
17	10.684578800515458	0.9199451324245363
18	10.497505698669887	0.9074891070016042

O resultado do Elbow Method sugere uma leve diminuição na soma dos erros quadráticos das instâncias de cada cluster quando ocorre a interação com 8 clusters. O gráfico do método do cotovelo identifica visualmente o declínio desse atributo Inertia_, como na Figura 10.

Figura 10 Gráfico do método do cotobelo 

O valor de Silhouette entre 0 e 1 mostra a sobreposição. Caso o valor do Silhouette fosse próximo de 1, seria uma indicação de classificação mais resolutiva e se o valor fosse mais próximo do 0 significa superposição dos cluster. Tendo o método do cotovelo indicado o número de 8 clusters, o valor de pontuação média do Silhouette nessa interação é uma variação razoavelmente próxima de 1, o suficiente para definir o valor de k=8. A Figura 11 apresenta o gráfico do Silhouette.

Figura 11 Gráfico do indicador Silhouette 

Com esses resultados do método do cotovelo e do indicador Silhouette, foi utilizado o agrupamento com 8 clusters. Com os clusters gerados e a análise dos termos mais representativos em cada cluster foi possível identificar categorias no agrupamento. Esses termos estão representados no Quadro 4.

Quadro 4 Termos mais representativos em cada cluster 

Cluster	Termos mais representativos nos clusters
0	notas fiscais - mil reais - apreensao efetuada - credito rural - caixa economica - exercendo funcao - operacoes credito rural
1	nota falsa - prisao flagrante - quais recebeu - recebeu nota - condicoes identificar - nota falsa reconhecedora - nota falsa pagamento - entrega nota falsa
2	alarmes ocorrências - alarmes instalados - vigilante - verifica arrombamento - alar- me disparado - entregar interceptado
3	apreensao material - vigilancia - prestacao servicos seguranca - seguranca firmados seguranca - servico seguranca
4	quantidade maconha - cor vermelha - cor verde - maconha comprimido cor - compri- mido cor - comprimido cor vermelha
5	grupo rapazes - grupo argentinos - dolares americanos - cem dolares - rapazes argentinos - pagamento deveria
6	cinquenta reais - cedula cinquenta - cedula cinquenta reais - contenda detentor - numero serie - recebido cedula
7	programa realizado - pagamento programa -moeda pagamento - pedra maconha - pedra maconha tamanho - maconha tamanho - cem reais - reais moeda

Os termos mais relevantes dos clusters estão relacionados com áreas de atuação da Polícia Federal brasileira. Eles estão indicados juntamente com sua área respectiva, conforme o Quadro 5.

Quadro 5 Termos relacionados à área de atuação 

Cluster	Área de atuação
0	Corrupção
1	Fazendária
2	Fiscalização de Segurança Privada
3	Defesa Institucional
4	Tráfico de Entorpecentes
5	Controle Migratório
6	Financeiro
7	Tráfico Internacional de Entorpecentes

Como os algoritmos de aprendizado não supervisionado não utilizam categorias, essas dependem de análise. O Quadro 5 apresenta as categorias identificadas na análise de cada cluster, com base dos termos mais relevantes.

Considerações finais

Este estudo teve o objetivo de descobrir conhecimento não trivial em documentos textuais da investigação policial brasileira. Para isso, utilizou técnicas de mineração de textos, buscando identificar os termos mais representativos do corpus.

Os resultados desta pesquisa constituíram as bases para compreensão de como as técnicas de mineração de textos em documentos textuais do inquérito policial podem auxiliar à investigação policial brasileira. O emprego das técnicas e métodos utilizados permitiram descobrir características dos documentos da investigação policial, tais como os termos mais relevantes de um conjunto de documentos.

A análise de diversos documentos textuais de inquéritos policiais diferentes permitiu o estudo comparativo de documentos que tratam temas diversos. O uso de técnicas para descoberta de conhecimento resultou na identificação das categorias desses documentos. Na avaliação desses resultados obtidos, essas categorias foram identificadas como temas de atuação da Polícia Federal brasileira.

Além das técnicas de descoberta de conhecimento indicarem categorias de atuação da polícia, verificando os termos mais representativos em documentos, elas também apresentaram bons resultados para identificar nomes e conexões com fatos. Os termos mais representativos servirão de análise sobre quais áreas concentram mais volume, de acordo com o escopo do universo da amostra.

Este estudo recomenda a aplicação das técnicas nele utilizadas em amostra com maior volume documentos textuais e maior amplitude de casos. Novos estudos podem aproveitar as técnicas e as bibliotecas utilizadas nesta pesquisa e também fazer uso de outras técnicas de mineração de textos.