Um estudo empírico sobre técnicas para detecção de discursos de ódio em postagens públicas escritas em português.

Abstract

É cada vez maior o número de usuários conectados a redes sociais, ambientes propícios para a liberdade de expressão. Contudo, também é crescente o número de discursos de ódios ou ofensivos nessas redes, podendo inclusive serem enquadrados em códigos penais e levar a punições diversas. Nesse contexto, há muitos autores que estudam e propõe meios para detecteção de discursos de ódios e mensagens ofensivas em redes sociais, sendo recorrentes soluções que são modeladas utilizando métodos de aprendizado de máquina. Contudo, ainda são poucos trabalhos que abordam a detecção de ódio em postagens escritas em português. Nesse contexto, este trabalho é um estudo comparativo que demonstra a eficiencia da combinação de técnicas de extração de radical, data augmentation and pseudo labelling, undersampling e feature selection para a detecção de discurso de ódio em redes sociais brasileiras utilizando os classificadores de Naive Bayes e Support Vector Machine. Segundo a métrica de f-measure, os resultados finais demonstraram que data augmentation não é uma técnica efetiva, enquanto que, feature selection se comporta bem com qualquer outra técnica, resultando em uma f-measure de até 91% quando utilizada com undersampling. A extração de radical foi bom em alguns cenários mas pouco eficiente ou neutra em outros cenários. Para trabalhos futuros, pretende-se realizar testes utilizando outros classificadores, técnicas e implementar algoritmos para categorização dos discursos de ódio como machismo, homofobia, racismo, dentre outras formas de discriminações.