Em contextos subjetivos, como a detecção de discurso de ódio ou ironia, a classificação de textos é uma tarefa interpretativa que depende da bagagem cultural. Diferentemente de métodos tradicionais que agregam opiniões, por exemplo, por voto majoritário, o perspectivismo explora o conhecimento de grupos específicos de anotadores para construir modelos mais equitativos e representativos. No entanto, abordagens perspectivistas costumam demandar alto custo computacional, especialmente aquelas que recaem no ajuste fino de modelos de linguagem pré-treinados.

Neste contexto, este trabalho tem dois objetivos principais: (i) investigar métodos tradicionais de aprendizado de máquina (como SVM, Random Forest e XGBoost) visando à redução de custos; e (ii) aplicar calibração para mitigar desequilíbrios na geração de inferências entre modelos perspectivistas.  Os experimentos demonstraram ser possível reduzir o tempo de processamento em até 12 vezes , sem perda estatística na eficácia. Além disso, a calibração mostrou-se eficaz na redução de vieses de algumas perspectivas majoritárias, promovendo maior equidade entre os modelos.