Análise de sentimento política: por onde começar em 2026

Campanhas brasileiras de pré-candidatos a 2026 já estão usando inteligência artificial pra monitorar redes, ajustar discurso e simular reações, segundo reportagem do O Cafezinho de 11 de maio — com nomes públicos como Lula (PT) e Ronaldo Caiado (União) entre os mencionados. No mesmo intervalo, o Datafolha mostrou que 54% dos brasileiros se informam sobre política pelas redes sociais. Análise de sentimento política deixou de ser exercício acadêmico e virou input estratégico operacional — mas só vale alguma coisa se a leitura for honesta. Este post desenha o framework: o que ela mede, o que escapa, e por onde começar sem comprar dashboard antes da pergunta.

O que é análise de sentimento aplicada a política

Análise de sentimento é uma técnica de processamento de linguagem natural (NLP) que classifica um texto — comentário, post, manchete, transcrição — em três polaridades: positivo, negativo ou neutro. Versões mais sofisticadas adicionam emoção (raiva, alegria, surpresa, medo) e intensidade. A operação é estatística: o classificador foi treinado em corpora rotulados e aprende padrões lexicais e contextuais que correlacionam com cada polaridade.

A versão aplicada a política tem requisitos diferentes da versão genérica (marca, e-commerce, hospitalidade). Três deles importam:

• Vocabulário próprio. Termos como "petralha", "bolsominion", "patriota", "cabo eleitoral", "rachadinha", "STF" carregam carga política que classificadores treinados em review de produto não pegam.
• Sarcasmo é majoritário. Em discussão política brasileira, ironia e sarcasmo são modo padrão de operação. Um classificador que erra ironia erra tudo.
• Atribuição a candidato exige NER político. Sentimento sobre o post precisa virar sentimento sobre o candidato citado, não sobre o autor.

A literatura nacional tem base sólida. O trabalho publicado na RAP/SciELO sobre aplicação de análise de sentimento em mídias sociais como instrumento de gestão social governamental é um dos pontos de partida — e mostra que a técnica é usada institucionalmente no Brasil há mais de uma década.

O que ela mede de fato — e o que ainda escapa

Lista honesta. Análise de sentimento, quando bem implementada em PT-BR político, mede bem três coisas:

• Tom agregado em N menções. Em 10 mil menções coletadas num intervalo, qual a proporção positivo/neutro/negativo. É robusto porque o erro do classificador, individualmente, é compensado pelo volume.
• Inflexão ao longo do tempo. A derivada importa mais que o valor absoluto. Cair de +12% pra -8% em 24h é sinal mesmo quando o número absoluto é discutível.
• Comparação entre candidatos no mesmo período. Sentimento líquido de A vs. B na mesma janela, no mesmo corpus, vale porque o viés do classificador se aplica igual aos dois.

Mede mal — e esse ponto é frequentemente escondido pelos vendors:

• Ironia e sarcasmo. O BraSNAM, workshop brasileiro de análise de redes sociais da SBC, tem paper específico sobre detectar sarcasmo e ironia em Twitter PT-BR — a conclusão é que mesmo classificadores treinados especificamente entregam acurácia limitada. Em discussão política, isso é diário.
• Sentimento contraditório. "Voto nele com nojo" mistura positivo (intenção de voto) e negativo (afeto) na mesma frase. Polaridade única perde a informação.
• Português regional. Gíria nordestina, sulista e paulista têm cargas diferentes pra termos semelhantes. Corpus único distorce leitura regional.
• Bots em coordenação. Volume de menção artificial polui o numerador e o denominador. Sem detecção prévia de inauthentic behavior, o sentimento medido é sentimento da operação de astroturfing, não do eleitor.

A boa prática é tratar o número como sinal — não verdade — e cruzar com pesquisa registrada e leitura humana qualitativa.

Os três erros comuns de leitura

O número que sai do dashboard vira decisão ruim quando o operador comete um destes três erros.

Erro 1 — Tratar sentiment score isolado como termômetro absoluto. "Sentimento líquido do candidato é -3% essa semana" não diz nada sem baseline. -3% pode ser o melhor patamar dos últimos seis meses ou o pior. Sempre comparar contra a média histórica do próprio candidato no mesmo recorte regional e temporal — não contra um benchmark genérico de mercado.

Erro 2 — Confundir spike de menções com mudança de sentimento. Volume e direção são duas dimensões. Menção dobrou? Pode ser viralização positiva (uma fala boa pegou), pode ser crise (uma fala ruim pegou), pode ser intervenção pré-coordenada. Quem olha só o gráfico de volume reage atrasado e errado. Por isso o post sobre como medir engajamento de candidato em redes sociais trata volume e sentimento como métricas separadas.

Erro 3 — Importar metodologia americana sem retreinar. A maior parte dos classificadores prontos de mercado foi treinada em inglês com corpus de review de produto. Ligar isso em conta de candidato brasileiro entrega dado sintético. Retreinar com corpus PT-BR político rotulado humanamente é trabalho obrigatório, não detalhe técnico.

Quatro decisões reais que dependem de sentimento bem lido

A pergunta que importa é: pra que serve o número, na prática? Quatro decisões operacionais respondem.

Decisão	Janela	Sinal de sentimento usado
Acionar protocolo de crise vs. ignorar buzz orgânico	2–6 horas	Inflexão negativa > 2 desvios-padrão do baseline 30d, combinada com spike de menções
Manter, ajustar ou matar peça em rota	24–72 horas	Sentimento médio nos comentários da peça + razão de share/save vs. report
Definir prioridade regional na agenda da semana	7 dias	Sentimento líquido por UF/microrregião — onde o saldo deteriora é onde o candidato precisa aparecer
Reposicionar pauta no recorte mensal	30 dias	Tendência de sentimento por tema (segurança, economia, costumes) cruzada com share of voice

Cada decisão usa sentimento + outro sinal. Sozinho, o número é ambíguo. Combinado com volume, share of voice, ou alcance qualificado, ele vira decisão.

Por onde começar: stack mínima, métrica única, ritmo de leitura

Quem está montando capacidade do zero pode pular dashboard sofisticado e começar com três decisões enxutas.

Stack mínima — três camadas. API nativa das plataformas (Meta Graph, X API, TikTok for Developers) cobre conta própria. Social listening licenciado cobre menção em terceiro — é onde mora o sentimento real sobre o candidato, conforme detalhado no post sobre monitoramento de candidato em 2026. Classificador PT-BR retreinado em corpus político é a camada de inteligência — sem isso, o sentimento medido é caricatura. As três camadas integradas numa vista única, não três planilhas em três pessoas.

Métrica única que importa no começo. Não tente medir tudo. Comece com sentimento líquido em janela de 72h vs. baseline de 30 dias, recalculado a cada 6 horas. Quase tudo de operacional cabe nessa única série temporal. Quando a operação amadurecer, abrir por região, por tema e por canal.

Ritmo de leitura. Dashboard matinal antes da reunião de pauta (responde "houve inflexão nas últimas 72h?"). Alerta automático fora do horário comercial só pra spike + queda de sentimento simultâneos — calibrado pra disparar duas a cinco vezes por semana, não a cada hora. Relatório semanal pra ajuste de plano.

O contexto regulatório precisa estar no campo de visão. O TSE tem mantido posição pública sobre desafios da IA e da desinformação para a Justiça Eleitoral e a resolução do Tribunal sobre uso de IA em 2026 toca diretamente em prestação de contas digital. Quem opera análise de sentimento em campanha precisa garantir que a fonte do dado é pública, que não há scraping em violação de TOS e que o uso interno respeita transparência exigida.

A leitura honesta termina aqui: análise de sentimento política é instrumento de calibragem, não de previsão. Quem opera 2026 sem ela opera no escuro — o levantamento da AND, ALL captado pela PropMark identificou cerca de 20 mil conversas relevantes sobre desconfiança política, ceticismo e a disputa Lula-Bolsonaro só nas semanas iniciais do ciclo. Mas quem opera só por ela lê um sinal enviesado pela polarização e pela viralização artificial. O sweet spot é cruzar com inteligência política aplicada a campanha e com leitura humana qualificada. Sentimento bem lido aponta pra onde olhar — não pra onde clicar.