CLASSIFIÇÃO DE NOTÍCIAS DE FRAUDE E CORRUPÇÃO EM PORTUGUÊS PARA INSTAURAÇÃO DE PROCESSO INVESTIGATIVO

Abstract

Fraud scandals are phenomena that can generate immeasurable impacts in the economic and reputational spheres. When a fraud is discovered, the facts are usually made public through the media, which generates a very large negative impact. Companies concerned about their images have invested more and more efforts to minimize or mitigate the effects of fraud. One of the tasks aimed at mitigating the effects of fraud is media monitoring of fraud and corruption. This task is fundamental for the assessment and monitoring of business risks in the corporate world, as facts arise that can cause harm to the company and its counterparties at all times. Once fraud scandals are reported on news sites, the impacts can have negative consequences for corporate images. Therefore, this information needs to be collected and analyzed and, if necessary, forwarded to the investigative process. However, the large volume of news published per day makes a daily manual assessment impossible. This work presents an approach that aims to automate this process, which includes collecting web news through web crawlers about the main media vehicles in Brazil, building an annotated corpus in Portuguese about fraud and corruption and creating a machine learning model whose function is to classify news as relevant or not for opening an investigation.Os escândalos de fraude são fenômenos que podem gerar impactos imensuráveis nas esferas econômicas e reputacionais. Quando uma fraude é descoberta, os fatos normalmente vão a público por meio dos veículos de mídia, o que gera uma repercussão negativa muito grande. As empresas preocupadas com suas imagens têm investido cada vez mais esforços para minimizar ou atenuar os efeitos da fraude. Uma das tarefas que visa mitigar os efeitos da fraude é o monitoramento de mídias sobre fraude e corrupção. Essa tarefa é fundamental para a avaliação e o monitoramento dos riscos do negócio no mundo corporativo, pois a todo momento surgem fatos que podem trazer prejuízos à empresa e suas contrapartes. Uma vez veiculados escândalos de fraude em sites de notícias, os impactos podem gerar consequências negativas `as imagens das empresas. Portanto, essas informações precisam ser coletadas e analisadas e, se necessário, encaminhadas para processo investigativo. No entanto, o grande volume de notícias publicadas por dia inviabiliza uma avaliação manual diária. Este trabalho apresenta uma abordagem que visa automatizar esse processo, o que inclui coletar notícias da web por meio de web crawlers dos principais veículos de mídias do Brasil, construir um corpus anotado em português sobre fraude e corrupção e criar um modelo de aprendizado de máquina cuja função é classificar notícias em relevantes ou não para abertura de investigação.