Banca de DEFESA: RODRIGO LUDERMIR DE OLIVEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : RODRIGO LUDERMIR DE OLIVEIRA
DATA : 10/03/2022
HORA: 13:00
LOCAL: Virtual
TÍTULO:

Detecção de Posicionamento em Tweets sobre Covid-19 no Brasil 
utilizando métodos de Aprendizagem de Máquina

PALAVRAS-CHAVES:

Detecção de Posicionamento; Processamento de Linguagem 
Natural; Aprendizagem de Máquina; Redes Sociais; Covid-19

PÁGINAS: 92
RESUMO:

A onipresença da pandemia de Covid-19 durante os últimos dois anos 
acarretou na urgência de ações responsivas contra o avanço da contaminação 
do novo coronavírus e em estratégias de imunização da população, através de 
políticas de saúde pública e medidas sanitárias preventivas por parte das 
autoridades responsáveis e também da sociedade civil. No Brasil, de modo 
semelhante a outros países, esse processo foi profundamente politizado, 
suscitando discussões polarizadas que inundaram as redes sociais - ocupando 
agora, mais do que nunca, diante do isolamento social, o centro das 
discussões sociais e políticas - com opiniões e posicionamentos acerca das 
medidas adotadas contra a Covid-19 e suas repercussões. Enquanto um 
paradigma emergente no campo de mineração de opiniões nas redes sociais, 
sistemas de detecção de posicionamento têm produzido resultados frutíferos. 
Isso ocorre principalmente em aplicações que utilizam métodos de 
Processamento de Linguagem Natural e Análise de Redes, sobretudo quando são 
implementados para classificar o posicionamento de usuários e/ou textos 
implicados em temas sociais e políticos. A tarefa de detecção de 
posicionamentos, no entanto, alcança um maior desempenho quando os objetos 
de classificação, sejam usuários ou textos, estão segmentados por um tópico 
alvo sobre o qual os posicionamentos foram direcionados. Desse modo, esta 
dissertação investiga a utilização de métodos de aprendizagem de máquina no 
desenvolvimento de sistemas de detecção de posicionamento em Tweets - 
publicações na rede social Twitter - de usuários brasileiros comentando as 
medidas relacionadas ao Covid-19, exercidas por eles próprios e pelo 
governo brasileiro em seus diferentes órgãos e níveis de atuação. O 
trabalho envolve quatro partes principais: (1) Construção da base de dados, 
na qual houve o levantamento de aproximadamente 6 milhões de Tweets e 
Retweets em português que mencionam palavras relacionadas ao Covid-19 entre 
Janeiro de 2020 e Outubro de 2021, das quais cerca de 350 mil Tweets foram 
rotulados (pseudo-labels), através de métodos de anotação fraca (weak 
supervision), em 'favoráveis' ou 'contrários' às medidas do governo federal 
frente à pandemia. (2) Limpeza, análise exploratória e segmentação da base 
rotulada por tópicos mais relevantes e frequentes: Vacinação, Lockdown, 
Tratamento Precoce, Uso de Máscaras, CPI da Covid e atuação dos 
Governadores e Prefeitos. (3) Avaliação de modelos tradicionais de 
Aprendizagem de Máquina na detecção de posicionamentos. (4) Avaliação de 
modelos de aprendizagem profunda, sobretudo Transformers, na mesma tarefa. 
Uma arquitetura específica foi investigada em detalhes através de três 
abordagens de aprendizagem distintas, mas complementares. Utilizando o 
modelo de linguagem de domínio geral em português-brasileiro BERTimbau, que 
segue a arquitetura base do BERT, foram realizados experimentos com: (1) 
adaptação de domínio, usando os dados não rotulados; (2) uso de dados 
relacionais dos usuários (rede de interações - retweets, mentions e 
replies); (3) Aprendizado via Multi-tasking, realizando o ajuste-fino em 
todos os tópicos ao mesmo tempo. Os experimentos realizados demonstraram 
que os modelos inicializados usando BERTimbau e treinados combinando as 
três abordagens citadas acima se sobressaem sobre os demais em seu 
desempenho diante da variedade de tópicos relacionados ao Covid-19 no 
contexto brasileiro.

MEMBROS DA BANCA:
Presidente - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Interno - 1675582 - CLEBER ZANCHETTIN
Externo à Instituição - RENATO VIMIEIRO - UFMG