Detecção de discursos racistas : uma abordagem baseada em processamento de linguagem natural e aprendizado de máquina.

Abstract

O crescimento notável das redes sociais tem sido acompanhado pelo aumento significativo na disseminação de discursos racistas nesses ambientes. Isso tem suscitado um interesse crescente em estudos relacionados a essa problemática. No entanto, há a existência de uma lacuna no âmbito da pesquisa, particularmente no contexto da língua portuguesa. O presente trabalho visa contribuir nessa área por meio da utilização de técnicas de Aprendizado de Máquina e Processamento de Linguagem Natural. O objetivo central é realizar a junção de bases de dados pertinentes da literatura e aplicar uma série de etapas de pré-processamento de texto. Além disso, há a utilização de duas técnicas de balanceamento de dados: undersampling e oversampling, bem como a extração de N-gramas e a utilização dos algoritmos de Aprendizado de Máquina Supervisionado conhecidos como Regressão Logística, Support Vector Machine (SVM) e Naive Bayes. Avaliações abrangentes são realizadas, incluindo a validação cruzada k-fold, utilizando métricas como acurácia e F1-score. Os resultados dos testes demonstram que, com base na métrica de acurácia, o melhor resultado é alcançado através do uso do modelo Regressão Logística registrando uma mediana de aproximadamente 93%. Em todas as combinações de n-gramas testadas, o modelo de oversampling exibe um desempenho superior.