Com o crescente envolvimento da sociedade na fiscalização de gastos públicos por meio de manifestações, torna-se necessário adotar modelos computacionais inteligentes para analisar e compreender essas manifestações em formato textual, com isso garantir uma resposta mais rápida e eficiente aos anseios da sociedade. O objetivo deste trabalho é explorar a utilização de técnicas de Processamento de Linguagem Natural (PLN) e Aprendizado de Máquina (AM) para classificar as manifestações recebidas pela Ouvidoria do Tribunal de Contas do Estado do Piauí (TCE/PI). Pretende-se investigar modelos de AM que possam substituir o trabalho manual de classificação de manifestações (Comunicados de Irregularidades) e comparar os resultados obtidos para selecionar o melhor modelo. Dado o baixo número de Comunicados de Irregularidades classificados e para superar o problema do desbalanceamento de classes, foram utilizadas as técnicas de função de perda ponderada e reamostragem. Além disso, foram realizados testes em três configurações diferentes: sem a aplicação de técnicas, com a função de perda ponderada e com a reamostragem e função de perda ponderada. Entre os modelos de AM testados, o modelo Support Vector apresentou o segundo melhor desempenho em todos os testes: no teste com o dataset original obteve 80,17% de F1-Score, no teste com perda ponderada, obteve 82,23% de F1- Score e no teste combinando reamostragem e perda ponderada obteve 81,60% de F1-Score. Em todos os testes o modelo Bidirectional Encoder Representations from Transformers (BERT) foi superior em todas as métricas, obtendo os melhores resultados nos testes com reamostragem do dataset de treinamento e função de perda ponderada, com a 86,22% de F1-Score. Com o uso da ferramenta "Weights & Biases"para encontrar o melhor conjunto de hyperparâmetros, o modelo BERT chegou a 88,58% de acurácia. Os experimentos demostraram que o modelo de linguagem BERT supera todos os outros modelos testados. Em relação às técnicas para superar o desbalanceamento das classes, a função de perda ponderada apresentou um ganho considerável, mas os melhores resultados foram obtidos com a combinação das duas técnicas, função de perda ponderada e reamostragem.