Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/8240
Título: Implicações da combinação de PSO e Evoprompt na detecção de discurso de ódio em textos em português.
Autor(es): Cecote, Thiago de Carvalho
Orientador(es): Luz, Eduardo José da Silva
Membros da banca: Moreira, Gladston Juliano Prates
Silva, Pedro Henrique Lopes
Luz, Eduardo José da Silva
Palavras-chave: Natural language processing
Evoprompt
Particle swarm optimization
Data do documento: 2025
Referência: CECOTE, Thiago de Carvalho. Implicações da combinação de PSO e Evoprompt na detecção de discurso de ódio em textos em português. 2025. 65 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
Resumo: Este estudo investiga a otimização automática de prompts para Modelos de Linguagem de Larga Escala (LLMs) na tarefa de detecção de discurso de ódio em português. Para isso, este trabalho expande o framework EVOPROMPT com a implementação do algoritmo Particle Swarm Optimization (PSO) e realiza uma análise comparativa de sua eficácia contra o Algoritmo Genético (GA) e a Evolução Diferencial (DE). Foram conduzidos experimentos em um conjunto de dados adaptado da ToLD-Br, avaliando a capacidade dos algoritmos de evoluir prompts a partir de uma população inicial elaborada manualmente. Os resultados demonstram a superioridade do PSO, que alcançou uma acurácia de 81.21% no conjunto de teste, superando o DE (78.98%) e o GA (77.71%). Crucialmente, todos os algoritmos evolucionários geraram prompts com maior capacidade de generalização do que o melhor prompt manual, quando analisados junto ao conjunto de dados de teste.
Resumo em outra língua: This study investigates the automatic optimization of prompts for Large Language Models (LLMs) in the task of hate speech detection in Portuguese. To this end, this work expands the EVOPROMPT framework with the implementation of the Particle Swarm Optimization (PSO) algorithm and conducts a comparative analysis of its effectiveness against the Genetic Algorithm (GA) and Differential Evolution (DE). Experiments were conducted on a dataset adapted from ToLD-Br, evaluating the algorithms’ ability to evolve prompts from a manually crafted initial population. The results demonstrate the superiority of PSO, which achieved an accuracy of 81.21% on the test set, outperforming DE (78.98%) and GA (77.71%). Crucially, all evolutionary algorithms generated prompts with a greater generalization capability than the best manual prompt when analyzed on the test dataset.
URI: http://www.monografias.ufop.br/handle/35400000/8240
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_ImplicaçõesCombinaçãoPso.pdf1,63 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.