Findings - Sentimento

Qual o tom dominante e como ele evoluiu ao longo do ano

Author

Marlon

Published

May 7, 2026

Resumo

Três modelos de análise de sentimento foram rodados sobre a conversa (RoBERTa, DistilBERT, DeBERTa) e um ensemble consolidou os resultados. Esta análise responde duas perguntas:

Qual modelo devemos confiar mais?
O que ele diz sobre a conversa — tom dominante, evolução mensal, diferenças entre P1 e P2?

A resposta curta: o tom é dominantemente neutro (58%), com forte viés positivo quando pende (27%) e minoria negativa (15%). Essa distribuição é extraordinariamente estável ao longo do ano — quase não se move mês a mês.

Caveat importante

Os 3 modelos foram treinados majoritariamente em inglês. A conversa é em português coloquial, com gírias, abreviações (mto, q, pq, kkkkk) e emojis. A análise é indicativa, não definitiva. Valores absolutos devem ser lidos com cautela; mudanças relativas e padrões são mais confiáveis.

Setup

Code

import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
from pathlib import Path
import warnings
warnings.filterwarnings('ignore')

from whatsapp.pipeline.config import DATA_FOLDER
DATA_DIR = Path("../data/processed") / DATA_FOLDER

df = pd.read_parquet(DATA_DIR / 'messages_with_models.parquet')
dfc = pd.read_parquet(DATA_DIR / 'messages_with_context.parquet')
df['fase_relacionamento'] = dfc['fase_relacionamento']
df = df[df['fase_relacionamento'] == 'Relacionamento'].copy()
df = df[df['conteudo'].notna() & (df['conteudo'] != '')]
df['timestamp'] = pd.to_datetime(df['timestamp'])

print(f"Mensagens analisadas: {len(df):,}")

Mensagens analisadas: 66,743

Os 3 modelos têm “personalidades” diferentes

Antes de escolher um, vale entender por que eles discordam tanto.

Code

def _norm(x):
    if pd.isna(x): return None
    x = str(x).lower()
    if 'pos' in x: return 'pos'
    if 'neg' in x: return 'neg'
    if 'neu' in x: return 'neu'
    return x

for col in ['sentimento_roberta_label', 'sentimento_distilbert_label', 'sentimento_deberta_label']:
    df[col+'_norm'] = df[col].apply(_norm)

models = ['roberta', 'distilbert', 'deberta', 'ensemble']
dist_rows = []
for m in models:
    counts = df[f'sentimento_{m}_label'].value_counts(normalize=True)
    for label in ['positive', 'neutral', 'negative']:
        dist_rows.append({
            'modelo': m.capitalize(),
            'classe': label,
            'pct': counts.get(label, 0) * 100
        })
dist = pd.DataFrame(dist_rows)

fig = px.bar(
    dist, x='modelo', y='pct', color='classe',
    color_discrete_map={'positive': '#2ECC71', 'neutral': '#95A5A6', 'negative': '#E74C3C'},
    barmode='stack', text=dist['pct'].round(1),
    height=400,
    title="Distribuição de sentimento por modelo"
)
fig.update_layout(yaxis_title="% de mensagens", xaxis_title="")
fig.update_traces(textposition='inside', textfont_size=11)
fig.show()

Leitura:

DeBERTa é um “neutralizador”: rotula ~94% como neutras. Quase não enxerga emoção no texto.
DistilBERT é um “polarizador”: rotula ~62% como positivas, 33% como negativas e praticamente zera o neutro. Força uma categorização binária.
RoBERTa é balanceado: ~49% neutras, 29% positivas, 23% negativas. Tem nuance.
Ensemble (voto majoritário dos 3) fica próximo do RoBERTa mas com mais neutros (58%) — os “empates” vão pro meio.

Concordância entre modelos

Code

unanime = (df['sentimento_roberta_label_norm']==df['sentimento_distilbert_label_norm']) & \
          (df['sentimento_roberta_label_norm']==df['sentimento_deberta_label_norm'])
pct_unanime = unanime.mean() * 100

def _maioria(row):
    from collections import Counter
    vals = [row['sentimento_roberta_label_norm'], row['sentimento_distilbert_label_norm'], row['sentimento_deberta_label_norm']]
    if any(v is None for v in vals): return 0
    return Counter(vals).most_common(1)[0][1]

maj = df.apply(_maioria, axis=1)
pct_maj = (maj >= 2).mean() * 100

print(f"Unanimidade (3/3 concordam): {pct_unanime:.1f}%")
print(f"Pelo menos 2/3 concordam:    {pct_maj:.1f}%")

Unanimidade (3/3 concordam): 6.2%
Pelo menos 2/3 concordam:    87.9%

Apenas 6,2% das mensagens têm 3/3 de concordância — reforço de que os modelos “veem coisas diferentes”. Em 87,9% das mensagens pelo menos 2 modelos concordam, o que dá solidez ao ensemble.

Qual modelo adotar?

Uso o Ensemble como referência para findings por três razões:

Robusto a ruído individual: se um modelo tem personalidade extrema (DeBERTa), o voto majoritário mitiga.
Concordância de maioria cobre ~88% dos casos — não é base frágil.
Mantém a categoria “neutra” rica, reconhecendo que conversa real tem muito texto sem carga emocional explícita (logística, confirmações, memes).

A partir daqui, todas as análises usam sentimento_ensemble_label.

Tom dominante

Code

dist = df['sentimento_ensemble_label'].value_counts(normalize=True).reset_index()
dist.columns = ['classe', 'pct']
dist['pct'] = dist['pct'] * 100
dist['classe_pt'] = dist['classe'].map({'positive': 'Positivo', 'neutral': 'Neutro', 'negative': 'Negativo'})

fig = go.Figure(data=[go.Pie(
    labels=dist['classe_pt'],
    values=dist['pct'],
    hole=0.5,
    marker_colors=['#95A5A6' if c=='Neutro' else '#2ECC71' if c=='Positivo' else '#E74C3C' for c in dist['classe_pt']],
    text=dist['pct'].round(1).astype(str) + '%',
    textinfo='label+text',
    textfont_size=14
)])
fig.update_layout(
    height=400,
    title_text="Distribuição global do sentimento (ensemble)",
    annotations=[dict(text='89k<br>msgs', x=0.5, y=0.5, font_size=16, showarrow=False)]
)
fig.show()

A composição é:

58% neutras — a maioria do que trocamos não carrega emoção clara detectável (logística, confirmações, pequenas observações cotidianas).
27% positivas — humor, carinho, entusiasmo, piada.
15% negativas — frustrações, queixas, dias difíceis.

Pender é positivo, na proporção ~1,8 : 1 (positivas vs. negativas). Não é uma conversa dominada por afeto explícito — é uma conversa cotidiana com viés afetuoso.

P1 vs. P2 — diferença de tom

Code

por_rem = df.groupby(['remetente', 'sentimento_ensemble_label']).size().unstack(fill_value=0)
por_rem_pct = por_rem.div(por_rem.sum(axis=1), axis=0) * 100

fig = go.Figure()
cores = {'positive': '#2ECC71', 'neutral': '#95A5A6', 'negative': '#E74C3C'}
rotulos = {'positive': 'Positivo', 'neutral': 'Neutro', 'negative': 'Negativo'}

for classe in ['positive', 'neutral', 'negative']:
    if classe in por_rem_pct.columns:
        fig.add_trace(go.Bar(
            name=rotulos[classe],
            x=por_rem_pct.index,
            y=por_rem_pct[classe],
            marker_color=cores[classe],
            text=por_rem_pct[classe].round(1).astype(str) + '%',
            textposition='inside'
        ))

fig.update_layout(
    barmode='stack',
    height=400,
    title_text="Distribuição do sentimento por remetente",
    yaxis_title="% de mensagens",
    xaxis_title=""
)
fig.show()

Diferenças sutis mas consistentes:

P1 é ligeiramente mais positivo: 29,8% vs. 24,8% de P2.
P2 é marginalmente mais negativo: 15,8% vs. 13,7% de P1.
P2 é mais neutro: 59,4% vs. 56,5% — comentários cotidianos “frios” pesam um pouco mais no estilo de P2.

Isso cruza com o notebook de estilos: P1 é o que usa mais emoji afetivos variados (😍 😘 🥰) e apelidos (“linda”, “baby”) — o que é capturado como “positivo”. P2 é mais abreviado e temporal, o que aparece como neutro para os modelos.

Evolução mensal — o tom mudou?

Code

df['ym'] = df['timestamp'].dt.to_period('M').astype(str)
mensal = df.groupby(['ym', 'sentimento_ensemble_label']).size().unstack(fill_value=0)
mensal_pct = mensal.div(mensal.sum(axis=1), axis=0) * 100

fig = go.Figure()
for classe, cor, rot in [('positive', '#2ECC71', 'Positivo'),
                          ('neutral', '#95A5A6', 'Neutro'),
                          ('negative', '#E74C3C', 'Negativo')]:
    if classe in mensal_pct.columns:
        fig.add_trace(go.Scatter(
            x=mensal_pct.index, y=mensal_pct[classe],
            mode='lines+markers',
            name=rot, line=dict(color=cor, width=3),
            marker=dict(size=8)
        ))

fig.update_layout(
    height=420,
    title_text="Sentimento mensal — evolução (%)",
    xaxis_title="Mês",
    yaxis_title="% das mensagens do mês",
    hovermode='x unified'
)
fig.show()

Este é o finding mais surpreendente da análise.

O tom é absurdamente estável:

Neutras ficam sempre entre 53,8% e 65,1%.
Positivas entre 23,3% e 29,7%.
Negativas entre 11,6% e 17,7%.

Nenhum mês se destaca dramaticamente. Mesmo com o volume mensal tendo oscilado de 3k a 17k mensagens, a proporção de positivo/neutro/negativo mal se mexe.

Pontos de atenção pequenos:

Setembro/2025 é o mês mais neutro (65,1%) e o menos positivo (23,3%) — pode refletir a queda geral de volume no mesmo mês.
Outubro/2025 tem o pico de negativas (17,7%) — maior do ano, mas ainda dentro do padrão.

A hipótese natural (“conversa esfriou no fim do relacionamento”) não aparece claramente no sentimento — aparece no volume (ver 08 - Dinâmica) mas não no tom.

Efeito de estarem juntos vs. separados

Code

por_enc = df.groupby(['em_encontro', 'sentimento_ensemble_label']).size().unstack(fill_value=0)
por_enc_pct = por_enc.div(por_enc.sum(axis=1), axis=0) * 100
por_enc_pct.index = por_enc_pct.index.map({True: 'Juntos', False: 'Separados'})

fig = go.Figure()
cores = {'positive': '#2ECC71', 'neutral': '#95A5A6', 'negative': '#E74C3C'}
rot = {'positive': 'Positivo', 'neutral': 'Neutro', 'negative': 'Negativo'}

for classe in ['positive', 'neutral', 'negative']:
    if classe in por_enc_pct.columns:
        fig.add_trace(go.Bar(
            name=rot[classe], x=por_enc_pct.index, y=por_enc_pct[classe],
            marker_color=cores[classe],
            text=por_enc_pct[classe].round(1).astype(str) + '%',
            textposition='inside'
        ))

fig.update_layout(barmode='stack', height=380,
                  title_text="Sentimento: juntos vs. separados",
                  yaxis_title="%")
fig.show()

Quando juntos, a conversa é mais neutra (62,5%) e um pouco menos positiva (24,5%) do que quando separados (57,1% neutro, 27,7% positivo). Isso faz sentido com a hipótese do notebook anterior: quando juntos, o texto é mais operacional/logístico (vídeos, memes, tarefas); a carga afetiva acontece presencialmente.

Conclusões

O tom dominante é neutro com viés positivo. 58% neutro, 27% positivo, 15% negativo — positivas pesam cerca de 1,8× mais que negativas. Não é uma conversa de adjetivos amorosos todo o tempo; é cotidiana com afeto pontual.
P1 é marginalmente mais “afetuoso” na escrita. Mais positivas (29,8% vs. 24,8%), menos negativas (13,7% vs. 15,8%). Coerente com o estilo de emojis e apelidos identificado em 11 - Estilos.
O tom é notavelmente estável ao longo do ano. Diferente do volume (que oscila 3×), a proporção de cada classe mal se move. Nem o pico de volume (jun–jul) nem a queda do fim (set–out) produzem mudança grande de tom.
A queda final de volume não é uma queda de tom. Setembro/outubro têm menos mensagens, mas o sentimento nelas permanece dentro do padrão. O sinal está no quanto se fala, não no como se fala.
Juntos = mais neutro; separados = mais positivo (no texto). Quando juntos, o texto é operacional; separados, é o canal principal de afeto.
Modelos desacordam bastante em valores absolutos (unanimidade em só 6,2% das mensagens), mas o ensemble é robusto (concordância de maioria em ~88%). Leia proporções e tendências, não números exatos.

Ver também

08 - Findings Dinâmica — o volume caiu no fim, mas o tom não.
10 - Findings Temas — onde está o afeto explícito vs. operacional?
04d - Sentiment Comparison e 04e - Sentiment Ensemble — detalhe técnico dos modelos.

--- title: "Findings - Sentimento" subtitle: "Qual o tom dominante e como ele evoluiu ao longo do ano" author: "Marlon" date: today format: html: toc: true toc-depth: 3 theme: cosmo code-fold: true code-tools: true execute: warning: false echo: true freeze: true --- # Resumo Três modelos de análise de sentimento foram rodados sobre a conversa (**RoBERTa**, **DistilBERT**, **DeBERTa**) e um **ensemble** consolidou os resultados. Esta análise responde duas perguntas: 1. **Qual modelo devemos confiar mais?** 2. **O que ele diz sobre a conversa — tom dominante, evolução mensal, diferenças entre P1 e P2?** A resposta curta: o tom é **dominantemente neutro (58%)**, com forte viés positivo quando pende (27%) e minoria negativa (15%). Essa distribuição é extraordinariamente estável ao longo do ano — quase não se move mês a mês. ::: {.callout-warning title="Caveat importante"} Os 3 modelos foram treinados majoritariamente em **inglês**. A conversa é em **português** coloquial, com gírias, abreviações (`mto`, `q`, `pq`, `kkkkk`) e emojis. A análise é indicativa, não definitiva. Valores absolutos devem ser lidos com cautela; **mudanças relativas** e padrões são mais confiáveis. ::: --- # Setup ```{python} #| label: setup import pandas as pd import numpy as np import plotly.express as px import plotly.graph_objects as go from plotly.subplots import make_subplots from pathlib import Path import warnings warnings.filterwarnings('ignore') from whatsapp.pipeline.config import DATA_FOLDER DATA_DIR = Path("../data/processed") / DATA_FOLDER df = pd.read_parquet(DATA_DIR / 'messages_with_models.parquet') dfc = pd.read_parquet(DATA_DIR / 'messages_with_context.parquet') df['fase_relacionamento'] = dfc['fase_relacionamento'] df = df[df['fase_relacionamento'] == 'Relacionamento'].copy() df = df[df['conteudo'].notna() & (df['conteudo'] != '')] df['timestamp'] = pd.to_datetime(df['timestamp']) print(f"Mensagens analisadas: {len(df):,}") ``` --- # Os 3 modelos têm "personalidades" diferentes Antes de escolher um, vale entender por que eles **discordam tanto**. ```{python} #| label: personalidades def _norm(x): if pd.isna(x): return None x = str(x).lower() if 'pos' in x: return 'pos' if 'neg' in x: return 'neg' if 'neu' in x: return 'neu' return x for col in ['sentimento_roberta_label', 'sentimento_distilbert_label', 'sentimento_deberta_label']: df[col+'_norm'] = df[col].apply(_norm) models = ['roberta', 'distilbert', 'deberta', 'ensemble'] dist_rows = [] for m in models: counts = df[f'sentimento_{m}_label'].value_counts(normalize=True) for label in ['positive', 'neutral', 'negative']: dist_rows.append({ 'modelo': m.capitalize(), 'classe': label, 'pct': counts.get(label, 0) * 100 }) dist = pd.DataFrame(dist_rows) fig = px.bar( dist, x='modelo', y='pct', color='classe', color_discrete_map={'positive': '#2ECC71', 'neutral': '#95A5A6', 'negative': '#E74C3C'}, barmode='stack', text=dist['pct'].round(1), height=400, title="Distribuição de sentimento por modelo" ) fig.update_layout(yaxis_title="% de mensagens", xaxis_title="") fig.update_traces(textposition='inside', textfont_size=11) fig.show() ``` **Leitura:** - **DeBERTa** é um **"neutralizador"**: rotula ~94% como neutras. Quase não enxerga emoção no texto. - **DistilBERT** é um **"polarizador"**: rotula ~62% como positivas, 33% como negativas e praticamente zera o neutro. Força uma categorização binária. - **RoBERTa** é **balanceado**: ~49% neutras, 29% positivas, 23% negativas. Tem nuance. - **Ensemble** (voto majoritário dos 3) fica **próximo do RoBERTa** mas com mais neutros (58%) — os "empates" vão pro meio. ## Concordância entre modelos ```{python} #| label: concordancia unanime = (df['sentimento_roberta_label_norm']==df['sentimento_distilbert_label_norm']) & \ (df['sentimento_roberta_label_norm']==df['sentimento_deberta_label_norm']) pct_unanime = unanime.mean() * 100 def _maioria(row): from collections import Counter vals = [row['sentimento_roberta_label_norm'], row['sentimento_distilbert_label_norm'], row['sentimento_deberta_label_norm']] if any(v is None for v in vals): return 0 return Counter(vals).most_common(1)[0][1] maj = df.apply(_maioria, axis=1) pct_maj = (maj >= 2).mean() * 100 print(f"Unanimidade (3/3 concordam): {pct_unanime:.1f}%") print(f"Pelo menos 2/3 concordam: {pct_maj:.1f}%") ``` Apenas **6,2% das mensagens têm 3/3 de concordância** — reforço de que os modelos "veem coisas diferentes". Em **87,9%** das mensagens pelo menos 2 modelos concordam, o que dá solidez ao ensemble. --- # Qual modelo adotar? Uso o **Ensemble** como referência para findings por três razões: 1. **Robusto a ruído individual**: se um modelo tem personalidade extrema (DeBERTa), o voto majoritário mitiga. 2. **Concordância de maioria cobre ~88% dos casos** — não é base frágil. 3. **Mantém a categoria "neutra" rica**, reconhecendo que conversa real tem muito texto sem carga emocional explícita (logística, confirmações, memes). A partir daqui, todas as análises usam `sentimento_ensemble_label`. --- # Tom dominante ```{python} #| label: distribuicao-geral dist = df['sentimento_ensemble_label'].value_counts(normalize=True).reset_index() dist.columns = ['classe', 'pct'] dist['pct'] = dist['pct'] * 100 dist['classe_pt'] = dist['classe'].map({'positive': 'Positivo', 'neutral': 'Neutro', 'negative': 'Negativo'}) fig = go.Figure(data=[go.Pie( labels=dist['classe_pt'], values=dist['pct'], hole=0.5, marker_colors=['#95A5A6' if c=='Neutro' else '#2ECC71' if c=='Positivo' else '#E74C3C' for c in dist['classe_pt']], text=dist['pct'].round(1).astype(str) + '%', textinfo='label+text', textfont_size=14 )]) fig.update_layout( height=400, title_text="Distribuição global do sentimento (ensemble)", annotations=[dict(text='89k<br>msgs', x=0.5, y=0.5, font_size=16, showarrow=False)] ) fig.show() ``` A composição é: - **58% neutras** — a maioria do que trocamos não carrega emoção clara detectável (logística, confirmações, pequenas observações cotidianas). - **27% positivas** — humor, carinho, entusiasmo, piada. - **15% negativas** — frustrações, queixas, dias difíceis. **Pender é positivo, na proporção ~1,8 : 1** (positivas vs. negativas). Não é uma conversa dominada por afeto explícito — é uma conversa **cotidiana com viés afetuoso**. --- # P1 vs. P2 — diferença de tom ```{python} #| label: por-remetente por_rem = df.groupby(['remetente', 'sentimento_ensemble_label']).size().unstack(fill_value=0) por_rem_pct = por_rem.div(por_rem.sum(axis=1), axis=0) * 100 fig = go.Figure() cores = {'positive': '#2ECC71', 'neutral': '#95A5A6', 'negative': '#E74C3C'} rotulos = {'positive': 'Positivo', 'neutral': 'Neutro', 'negative': 'Negativo'} for classe in ['positive', 'neutral', 'negative']: if classe in por_rem_pct.columns: fig.add_trace(go.Bar( name=rotulos[classe], x=por_rem_pct.index, y=por_rem_pct[classe], marker_color=cores[classe], text=por_rem_pct[classe].round(1).astype(str) + '%', textposition='inside' )) fig.update_layout( barmode='stack', height=400, title_text="Distribuição do sentimento por remetente", yaxis_title="% de mensagens", xaxis_title="" ) fig.show() ``` Diferenças sutis mas consistentes: - **P1 é ligeiramente mais positivo**: 29,8% vs. 24,8% de P2. - **P2 é marginalmente mais negativo**: 15,8% vs. 13,7% de P1. - **P2 é mais neutro**: 59,4% vs. 56,5% — comentários cotidianos "frios" pesam um pouco mais no estilo de P2. Isso cruza com o notebook de estilos: P1 é o que usa **mais emoji afetivos variados** (😍 😘 🥰) e apelidos ("linda", "baby") — o que é capturado como "positivo". P2 é mais abreviado e temporal, o que aparece como neutro para os modelos. --- # Evolução mensal — o tom mudou? ```{python} #| label: evolucao-mensal df['ym'] = df['timestamp'].dt.to_period('M').astype(str) mensal = df.groupby(['ym', 'sentimento_ensemble_label']).size().unstack(fill_value=0) mensal_pct = mensal.div(mensal.sum(axis=1), axis=0) * 100 fig = go.Figure() for classe, cor, rot in [('positive', '#2ECC71', 'Positivo'), ('neutral', '#95A5A6', 'Neutro'), ('negative', '#E74C3C', 'Negativo')]: if classe in mensal_pct.columns: fig.add_trace(go.Scatter( x=mensal_pct.index, y=mensal_pct[classe], mode='lines+markers', name=rot, line=dict(color=cor, width=3), marker=dict(size=8) )) fig.update_layout( height=420, title_text="Sentimento mensal — evolução (%)", xaxis_title="Mês", yaxis_title="% das mensagens do mês", hovermode='x unified' ) fig.show() ``` **Este é o finding mais surpreendente da análise.** O tom é **absurdamente estável**: - Neutras ficam sempre entre **53,8% e 65,1%**. - Positivas entre **23,3% e 29,7%**. - Negativas entre **11,6% e 17,7%**. Nenhum mês se destaca dramaticamente. Mesmo com o volume mensal tendo oscilado de 3k a 17k mensagens, a *proporção* de positivo/neutro/negativo mal se mexe. **Pontos de atenção pequenos:** - **Setembro/2025** é o mês mais neutro (65,1%) e o menos positivo (23,3%) — pode refletir a queda geral de volume no mesmo mês. - **Outubro/2025** tem o pico de negativas (17,7%) — maior do ano, mas ainda dentro do padrão. A hipótese natural ("conversa esfriou no fim do relacionamento") **não aparece claramente no sentimento** — aparece no **volume** (ver [08 - Dinâmica](08-findings-dinamica.qmd)) mas não no tom. --- # Efeito de estarem juntos vs. separados ```{python} #| label: juntos-vs-separados por_enc = df.groupby(['em_encontro', 'sentimento_ensemble_label']).size().unstack(fill_value=0) por_enc_pct = por_enc.div(por_enc.sum(axis=1), axis=0) * 100 por_enc_pct.index = por_enc_pct.index.map({True: 'Juntos', False: 'Separados'}) fig = go.Figure() cores = {'positive': '#2ECC71', 'neutral': '#95A5A6', 'negative': '#E74C3C'} rot = {'positive': 'Positivo', 'neutral': 'Neutro', 'negative': 'Negativo'} for classe in ['positive', 'neutral', 'negative']: if classe in por_enc_pct.columns: fig.add_trace(go.Bar( name=rot[classe], x=por_enc_pct.index, y=por_enc_pct[classe], marker_color=cores[classe], text=por_enc_pct[classe].round(1).astype(str) + '%', textposition='inside' )) fig.update_layout(barmode='stack', height=380, title_text="Sentimento: juntos vs. separados", yaxis_title="%") fig.show() ``` Quando **juntos**, a conversa é mais **neutra (62,5%)** e **um pouco menos positiva (24,5%)** do que quando separados (57,1% neutro, 27,7% positivo). Isso faz sentido com a hipótese do notebook anterior: quando juntos, o texto é mais **operacional/logístico** (vídeos, memes, tarefas); a carga afetiva acontece presencialmente. --- # Conclusões 1. **O tom dominante é neutro com viés positivo.** 58% neutro, 27% positivo, 15% negativo — positivas pesam cerca de **1,8×** mais que negativas. Não é uma conversa de adjetivos amorosos todo o tempo; é cotidiana com afeto pontual. 2. **P1 é marginalmente mais "afetuoso" na escrita.** Mais positivas (29,8% vs. 24,8%), menos negativas (13,7% vs. 15,8%). Coerente com o estilo de emojis e apelidos identificado em [11 - Estilos](11-findings-estilos.qmd). 3. **O tom é notavelmente estável ao longo do ano.** Diferente do volume (que oscila 3×), a proporção de cada classe mal se move. Nem o pico de volume (jun–jul) nem a queda do fim (set–out) produzem mudança grande de tom. 4. **A queda final de volume não é uma queda de tom.** Setembro/outubro têm menos mensagens, mas o sentimento nelas permanece dentro do padrão. O sinal está no *quanto se fala*, não no *como se fala*. 5. **Juntos = mais neutro; separados = mais positivo (no texto).** Quando juntos, o texto é operacional; separados, é o canal principal de afeto. 6. **Modelos desacordam bastante em valores absolutos** (unanimidade em só 6,2% das mensagens), mas o **ensemble é robusto** (concordância de maioria em ~88%). Leia proporções e tendências, não números exatos. ::: {.callout-tip} ## Ver também - [08 - Findings Dinâmica](08-findings-dinamica.qmd) — o volume *caiu* no fim, mas o tom não. - [10 - Findings Temas](10-findings-temas.qmd) — onde está o afeto *explícito* vs. operacional? - [04d - Sentiment Comparison](04d-sentiment-comparison.qmd) e [04e - Sentiment Ensemble](04e-sentiment-ensemble.qmd) — detalhe técnico dos modelos. :::