Classificação de Textos de Redes Sociais utilizando Competição e Cooperação entre Partículas para auxiliar na Construção de Ambientes Digitais Seguros

• Processo: 25/26300-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2026
• Data de Término da vigência: 31 de janeiro de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Fabricio Aparecido Breve
• Beneficiário: Gabriel Trevisoli Rodrigues
• Instituição Sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Assunto(s): Aprendizado semissupervisionado Classificação de textos Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado Semi-supervisionado | Classificação de Textos | Competição e Cooperação Entre Partículas | Aprendizado de Máquina

Resumo

O crescimento das redes sociais ampliou a comunicação global, mas também facilitou a disseminação de discursos de ódio e conteúdos ofensivos. A detecção automática desses textos é um desafio, pois a maioria dos sistemas atuais utiliza rótulos binários, simplificando excessivamente a complexidade do fenômeno. Este projeto propõe um modelo mais refinado de classificação textual em três categorias: (i) mensagens saudáveis, (ii) linguagem ofensiva não odiosa e (iii) discurso de ódio. Para isso, será utilizado o método de Competição e Cooperação entre Partículas (CCP), um algoritmo de aprendizado semissupervisionado baseado em grafos, adequado para cenários com poucos dados rotulados. As mensagens serão extraídas de dois conjuntos de dados - Hate Speech and Offensive Language (inglês) e A Hierarchically-Labeled Portuguese Hate Speech Dataset (português) - e representadas por embeddings obtidos a partir dos modelos BERT e RoBERTa. A partir desses vetores, serão construídos grafos com conexões por similaridade, nos quais o CCP será aplicado para propagar rótulos a partir de uma pequena fração de exemplos anotados. O desempenho será avaliado por métricas como acurácia, F1-score, matriz de confusão e validação cruzada, sendo comparado ao algoritmo Label Propagation. Espera-se que os resultados viabilizem classificações mais precisas e úteis para moderação de conteúdo e prevenção de discursos odiosos, contribuindo para ambientes digitais mais seguros e respeitosos. (AU)