Update README.md

README.md

@@ -20,12 +20,12 @@ Este modelo é um fine-tuning do [BERTimbau Base (`neuralmind/bert-base-portugue
 
 Foi desenvolvido pela equipe **Inimigos do Prompt** como parte do Challenge 1 da disciplina de Sistemas de Machine Learning (UnB - 2026/02).
 
-## 🎯 Objetivo e Contexto do Projeto
+## Objetivo e Contexto do Projeto
 O objetivo da ferramenta é proteger leitores de conteúdo técnico contra pânico especulativo e desinformação. O modelo binário classifica os textos em:
 - **`LABEL_0` (Sóbrio):** Notícias equilibradas, factuais e sem alarmismo estrutural.
 - **`LABEL_1` (Sensacionalista):** Manchetes e parágrafos hiperbólicos, apelativos ("A IA VAI DESTRUIR TUDO"), ou puramente opinativos sem base técnica.
 
-## 📊 Métricas de Avaliação
+## Métricas de Avaliação
 
 O projeto foi otimizado para a métrica **F0.5-score**, conferindo peso duplicado à Precisão em detrimento do Recall. Isso foi desenhado para **evitar falsos positivos**, ou seja, impedir que autores legítimos e críticos sejam classificados injustamente como sensacionalistas.
 
@@ -35,7 +35,7 @@ No conjunto de testes, obtivemos os seguintes resultados:
 - **Precision (Sensacionalista):** 1.00 *(Zero falsos positivos!)*
 - **Recall (Sensacionalista):** 0.96
 
-## 💻 Como utilizar
+## Como utilizar
 
 Como o modelo já suporta a API de `pipeline` da Hugging Face, a inferência é simples e tem baixíssima latência, rodando eficientemente até mesmo em CPUs:
 
@@ -60,7 +60,7 @@ print(classifier(texto_hype))
 # Saída: [{'label': 'Sensacionalista', 'score': 0.98...}]
 ```
 
-## 🧠 Detalhes Técnicos do Treinamento
+## Detalhes Técnicos do Treinamento
 - **Arquitetura Base:** `neuralmind/bert-base-portuguese-cased` (110M params).
 - **Hardware Utilizado:** AMD Radeon RX 580 (usando backend `torch-directml`).
 - **Épocas:** 3