rodrigoaraujorosa/detector-clickbait-br-datasets

Detector Clickbait BR - Datasets

Este repositório contém os datasets utilizados para o treinamento do modelo detector-clickbait-br-model, um classificador de textos em português brasileiro capaz de identificar títulos clickbait.

📚 Descrição dos Datasets

1. detector-clickbait-br-raw.csv

Dataset original contendo os dados iniciais sem processamento.

Características:

• Dados brutos coletados originalmente
• Pode conter duplicatas
• Pode conter valores nulos
• Formato: CSV com colunas text e label

Estrutura:

• text: Título ou texto a ser classificado
• label: Classificação binária (0 = não-clickbait, 1 = clickbait)

2. detector-clickbait-br-processed.csv

Dataset processado e limpo, pronto para treinamento de modelos.

Características:

• ✅ Sem duplicatas
• ✅ Sem valores nulos
• ✅ Dados validados e limpos
• ✅ Features de engenharia extraídas
• Formato: CSV com 12 colunas

Estrutura:

• text: Título ou texto original a ser classificado
• label: Classificação binária (0 = não-clickbait, 1 = clickbait)
• exclamation_count: Contagem de pontos de exclamação
• question_count: Contagem de pontos de interrogação
• exclamation_presence: Presença de exclamação (0 ou 1)
• question_presence: Presença de interrogação (0 ou 1)
• char_count: Número de caracteres do texto
• word_count: Número de palavras do texto original
• text_processed: Texto processado (normalizado, sem stopwords)
• text_processed_stemmed: Texto processado com stemming aplicado
• label_texto: Label textual ("Não-Clickbait" ou "Clickbait")
• processed_word_count: Número de palavras do texto processado

🎯 Uso

Estes datasets foram utilizados para treinar o modelo detector-clickbait-br, um classificador baseado em Random Forest que identifica títulos clickbait em português brasileiro.

Exemplo de Uso

import pandas as pd

# Carregar dataset processado
df = pd.read_csv('detector-clickbait-br-processed.csv')

print(f"Total de exemplos: {len(df)}")
print(f"Distribuição de classes:\n{df['label'].value_counts()}")

📝 Labels

• 0: Não-clickbait (título informativo e direto)
• 1: Clickbait (título sensacionalista ou enganoso)

Exemplos:

Não-clickbait (label=0):

• "Banco Central mantém a taxa Selic em 13,75% ao ano."
• "Estudo mostra que café pode melhorar a concentração matinal."

Clickbait (label=1):

• "O pesadelo dos investidores: a decisão do Banco Central que vai destruir seus lucros!"
• "Você bebe café? O que descobriram sobre ele vai te deixar em choque!"

Citação

BibTeX

@misc{detector-clickbait-br-datasets,
  author = {Rodrigo de Araujo Rosa},
  title = {Detector de Clickbait BR: Datasets utilizados no treinamento do Modelo de ML para Detecção de Clickbait em Português},
  year = {2025},
  publisher = {Hugging Face},
  journal = {Hugging Face Datasets Hub},
  howpublished = {\url{https://huggingface.co/datasets/rodrigoaraujorosa/detector-clickbait-br-datasets}}
}

APA

ROSA, Rodrigo de Araujo. (2025). Datasets utilizados no treinamento do Modelo de ML para Detecção de Clickbait em Português. Hugging Face Datasets Hub. https://huggingface.co/datasets/rodrigoaraujorosa/detector-clickbait-br-datasets

Links

• 🚀 Demo Interativa: Hugging Face Space
• 🤖 Modelo: Hugging Face Model
• 💻 Código Fonte: GitHub Repository
• 📊 Notebooks: Análise Exploratória + Treinamento
• 📧 Contato: [email protected]
• 🔗 LinkedIn: Rodrigo de Araujo Rosa

📄 Licença

MIT License - Uso livre para fins acadêmicos e comerciais.

Autores

• Rodrigo de Araujo Rosa - Desenvolvedor & Mantenedor

Contato

Para dúvidas ou feedback: [email protected]