Análise e classificação de discurso de ódio online: uma abordagem multilabel e multiclasse com deep learning

Abstract

O ambiente online tornou-se indispensável para as interações sociais, com as plataformas de mídia social desempenhando um papel fundamental na comunicação entre os usuários. No entanto, essas plataformas também facilitam a propagação de discurso de ódio e linguagem ofensiva, acentuadas pelo anonimato e pela rápida disseminação na era digital. Este estudo visa exemplificar a dinâmica do discurso de ódio online, analisando aspectos-chave e propondo estratégias de categorização baseadas em modelos de aprendizado profundo para classificação Multilabel e Multiclasse. Para este fim, quatro conjuntos de dados foram coletados e pré-processados para o problema Multilabel e Multiclasse, em Inglês e em Português. Esses conjuntos de dados serviram como entradas para modelo Long Short Term Memory, que foi implementada para classificação Multilabel e Multiclasse, além de uma abordagem de transferlearning. Os resultados demonstraram que, embora os modelos Multilabel ofereçam maior flexibilidade para a análise simultânea de múltiplas categorias, eles têm dificuldades em capturar correlações entre os fatores. Por outro lado, os modelos Multiclasse simplificam a visualização das classes, mas exigem um conjunto de dados mais diversificado para abordar a complexidade do problema. No geral, a pesquisa produziu métricas de desempenho robustas e consistentes, – através da análise da Acurácia, F1-score , perda e média AUC – e, simultaneamente, expôs desafios como o desbalanceamento da base de dados no contexto Multiclasse e destacou a necessidade de maior investimento em conjuntos de dados bem estruturados.