Ainda Estou Aqui

Os discursos do Oscar não são apenas um momento de celebração individual – eles refletem tendências e mudanças na indústria do cinema. O aumento da diversidade nos temas abordados, a emoção crescente nas falas e a presença cada vez maior de discursos inspiradores mostram como o evento evoluiu ao longo do tempo.

Seja um agradecimento breve ou um discurso cheio de emoção, cada vencedor deixa sua marca no palco do Oscar.

Relatório de Pesquisa Completo

Clique no botão abaixo para baixar o relatório completo em formato PDF:

[Tecnologia] Ferramentas utilizadas:

Para realizar a análise completa dos discursos do Oscar, utilizamos um conjunto diversificado de tecnologias e bibliotecas de ciência de dados, processamento de linguagem natural (NLP) e aprendizado de máquina. Abaixo estão os principais componentes do pipeline de análise:

Coleta de Dados

Tecnologias Utilizadas:
Selenium e BeautifulSoup (Python) – Para realizar Web Scraping automatizado e extrair discursos do site oficial do Oscar.
Pandas (Python) – Para organizar e armazenar os dados extraídos em CSV e realizar as primeiras manipulações.

Processamento e Limpeza de Texto Tecnologias Utilizadas:
NLTK (Python) – Tokenização, remoção de stopwords e lematização dos discursos.
Tidytext (R) – Alternativa para processamento de texto em R, usada para segmentação de palavras e análise de frequência.
Stringr (R) – Manipulação e padronização de texto para extrair informações-chave.

Análise de Sentimento e Emoções Tecnologias Utilizadas:
SentimentR (R) – Modelo de análise de sentimentos aplicado aos discursos para calcular escores positivos/negativos. Syuzhet (R) – Extração de emoções específicas nos discursos, baseando-se no modelo NRC (National Research Council).
Seaborn e Matplotlib (Python) – Criação de gráficos de distribuição de emoções nos discursos ao longo do tempo.

Modelagem de Tópicos

Tecnologias Utilizadas:
Latent Dirichlet Allocation (LDA) (R e Python) – Descoberta de temas predominantes nos discursos, usando o modelo probabilístico de tópicos.
Structural Topic Model (STM) (R) – Para entender a evolução dos tópicos no tempo e como eles variam entre categorias e gênero.

Análise de Clusters e PCA

Tecnologias Utilizadas:
K-Means Clustering (Python) – Agrupamento dos discursos com base em métricas de emoção e sentimento.
PCA (Principal Component Analysis) (Python) – Redução de dimensionalidade para visualizar a estrutura dos dados.
t-SNE (Python) – Mapeamento de tópicos em um espaço bidimensional para melhor visualização da distribuição semântica dos discursos.

Visualizações Avançadas

Tecnologias Utilizadas:
GGStatsplot (R) – Para gráficos estatísticos com testes ANOVA e T-Tests embutidos.
Heatmaps (Seaborn/Python) – Para ilustrar a distribuição de tópicos por categoria e gênero ao longo dos anos.

Comparação Temporal e Tendências

Tecnologias Utilizadas:
Time-Series Analysis (Python e R) – Análise de tendência das emoções e temas ao longo das décadas.
Seaborn FacetGrid (Python) – Visualização da evolução dos sentimentos ao longo dos anos.

Conclusão

O relatório utilizou um conjunto robusto de ferramentas e técnicas para cobrir todas as etapas de um pipeline de ciência de dados:

Web Scraping: Extração de discursos
Processamento de Texto: Limpeza e análise de palavras-chave
Análise de Sentimento: Modelos para entender emoções
Modelagem de Tópicos: Descoberta de padrões temáticos
Clusterização e PCA: Agrupamento de discursos
Visualização Avançada: Representação gráfica dos resultados

Esse conjunto de tecnologias não apenas permite uma análise detalhada dos discursos do Oscar, mas também pode ser aplicado a outros contextos, como análise de redes sociais, estudos culturais e investigações sobre narrativas cinematográficas.