Recuperação e classificação de sentimentos de usuários do Twitter em período eleitoral
DOI:
https://doi.org/10.5433/1981-8920.2020v25n1p92Palavras-chave:
Análise de Redes Sociais, Classificação Automática, Recuperação da Informação, Extração da Informação, Mineração de TextoResumo
Introdução: A redes sociais tornaram-se um espaço importante para usuários expressares seus sentimentos. Esses comentários são valiosos para governantes saberem o ponto de vista dos cidadãos sobre as suas propostas políticas e candidatos perceberem a reação dos eleitores a respeito da campanha eleitoral.
Objetivos: Analisar os sentimentos expressos pelos usuários no Twitter, referentes aos candidatos que concorreram à presidência do Brasil no ano de 2018, e predizer o resultado das eleições com base nessas postagens.
Metodologia: Os posts sobre os candidatos que disputaram o segundo turno das eleições foram o objeto de estudo. Usou-se o software Orange Canvas, uma ferramenta de aprendizado de máquina livre e de código aberto, para a coleta da amostra e para a extração das informações relevantes. A técnica de análise de opinião foi aplicada para classificação automática dos sentimentos em positivos, negativos e neutros. Para melhor análise e interpretação dos resultados, exibiram-se as palavras mais importantes dos comentários em nuvens de palavras e as emoções, em gráficos de distribuição de frequência.
Resultados: Detectaram-se muitos sentimentos negativos nas postagens e a emoção de surpresa foi a que mais se destacou para ambos os concorrentes.
Conclusões: O estudo mostrou que o Twitter é um local interessante para usuários expressarem seus sentimentos no período eleitoral. Porém, o trabalho não foi capaz de prever o resultado das eleições com base nas emoções. Acredita-se que isso se deve às altas taxas de rejeição dos eleitores quanto aos candidatos e a polarização que tem caracterizado a política brasileira nos últimos tempos.
Métricas
Referências
CORDEIRO, J. P. C. Extracção de Elementos Relevantes em Texto/Páginas da World Wide Web. 2003. Dissertação (Mestrado em Inteligência Artificial e Computação) Faculdade de Ciências da Universidade do Porto, 2003.
DENECKE, K. Using sentiwordnet for multilingual sentiment analysis. In: INTERNATIONAL CONFERENCE ON DATA ENGINEERING WORKSHOP, 24., 2008, Anais […]. pp. 507–512.
ESULI, A. Opinion Mining. Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche, Pisa, Italy, 14 jun. 2006.
FOSCHIERA, S. M. P. A semântica da emoção: um estudo contrastivo a partir da FrameNet e da roda das emoções. Tese (Doutorado em Linguística Aplicada). São Leopoldo: Universidade do Vale do Rio dos Sinos – UNISINOS. Disponível em: http://www.repositorio.jesuita.org.br/handle/UNISINOS/4220. Acesso em: 14 nov. 2018.
HU, M; LIU, B. Mining opinion features in customer reviews. In: AAAI Conference on Artificial Intelligence, 4., 2004. Anais […]. [s.l.]. pp. 755–760. 2004. Disponível em: https://www.aaai.org/Papers/AAAI/2004/AAAI04-119.pdf. Acesso em: 30 mar. 2020.
HUTTO, C.J.; GILBERT, E. Vader: A parsimonious rule-based model for sentiment analysis of social media text. In: INTERNATIONAL AAAI CONFERENCE ON WEBLOGS AND SOCIAL MEDIA, 8., Anais […]. 2014. Disponível em: https://www.aaai.org/ocs/index.php/ICWSM/ICWSM14/paper/download/8109/8122. Acesso em: 14 nov. 2018.
KIM, S.; HOVY, E. Extracting opinions, opinion holders, and topics expressed in online news media text. In: WORKSHOP ON SENTIMENT AND SUBJECTIVITY IN TEXT. Proceedings […]. P. 1–8, Sydney, July 2006. Disponível em: https://dl.acm.org/citation.cfm?id=1654642. Acesso em: 14 nov. 2018.
KONCHADY, M. Text Mining Application Programming. Charles River Media, Boston, 2006.
LINOFF, G.S.; BERRY, M. J. A. Mining the Web. Transforming Customer Data into Customer Value. New York: Wiley, 2002.
LIU, B. Sentiment Analysis and Subjectivity. In: INDURKHYA, N.; DAMERAU, F. J. (Ed.). [s.l.]: Handbook of Natural Language Processing. 2 ed. 2010. Disponível em: https://www.cs.uic.edu/~liub/FBS/NLP-handbooksentiment-analysis.pdf. Acesso em: 30 mar. 2020.
LIU, B. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 2015.
LIU, B. Sentiment Analysis: A Multi-Faceted Problem. In: EEE Intelligent Systems, 2010b. Disponível em: http://www.cs.uic.edu/~liub/FBS/IEEE-IntellSentiment-Analysis.pdf. Acesso em set. 2015.
LIU, B. Web Data Mining. Exploring Hiperlinks, Contents, and Usage Data. Springer, Chigago, 2007.
LOPES, T. J. P.; HIRATANI, G. K. L.; BARTH, F. J. ; RODRIGUES, O. ; PINTO, J. M. Mineração de opiniões aplicada à análise de investimentos. In: SIMPÓSIO BRASILEIRO DE SISTEMAS MULTIMÍDIA E WEB - WEBMEDIA, 14., Anais [...], 2008. p. 117-120.
MAGALHÃES, T. M. Uma metodologia de mineração de opiniões na Web. 2009. 102f. Tese (Doutorado em Engenharia Civil) – Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2009.
MARTHA, A. S. Recuperação de informação em campos de texto livre de prontuários eletrônicos do paciente baseada em semelhança semântica e ortográfica. 2005. Dissertação (Mestre em Ciências) Universidade Federal de São Paulo, São Paulo, 2005.
MICROSOFT. Como fazer: Detectar o sentimento usando a API de Análise de Texto. 2020. Disponível em: https://docs.microsoft.com/pt-br/azure/cognitiveservices/text-analytics/how-tos/text-analytics-how-to-sentimentanalysis?tabs=version-3. Acesso em: 30 mar. 2020.
MORAIS, E. A. M.; AMBRÓSIO, A. P. L. Mineração de Textos. Universidade Federal de Goiás, 2007. (Relatório Técnico).
OLIVEIRA, Mariana. Curso de Monitoramento de Mídias Sociais. Trespontos: Lab Social Media, 2014.
O'CONNOR, B.; BALASUBRAMANYAN, R.; ROUTLEDGE, B. R.; SMITH, N. A.; From tweets to polls: linking text sentiment to public opinion time series.In: INTERNATIONAL CONFERENCE ON WEBLOGS AND SOCIAL MEDIA, 4. 2010. Anais [...], Washington, DC, EUA, 2010. Disponível em: https://www.researchgate.net/publication/221297841_From_Tweets_to_Polls_Linking_Text_Sentiment_to_Public_Opinion_Time_Series. Acesso em 28 fev. 2020.
PAK, A.; PAROUBEK, P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining. In: INTERNATIONAL CONFERENCE ON LANGUAGE RESOURCES AND EVALUATION, 2010. Anais […]. Université de Paris-Sud, Laboratoire LIMSI-CNRS, 2010.
PAL, S. K.; TALWAR, V.; MITRA, P. Web Mining in Soft Computing Framework: Relevance, State of the Art and Future Directions. IEEE Transactions on Neural Networks, v. 13, n. 5, p. 1163-1177, sep. 2002
PANG, B.; LEE, L. Opinion Mining and sentiment analysis. Foundations and Trends in Information Retrieval, v. 2, n. 1-2, 2008, p. 1-135.
SALUNKHE, P; SURNAR, A; SONAWANE, S. A Review: Prediction of Election Using Twitter Sentiment Analysis. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), v. 6, n. 5, maio 2017. Disponível em: http://ijarcet.org/wp-content/uploads/IJARCET-VOL6-ISSUE-5-723-725.pdf. Acesso em nov. 2018.
SARKAR, D. Text Analytics with Python: A Practical Real-World Approach to Gaining Actionable Insights from your Data. [s.l.]: Apress. 2016.
SILVA, E. R. C. C. Técnicas de Data e Text Mining para anotação de um arquivo digital. 2010. 96 f. Dissertação (Mestrado em Engenharia Electrónica e Telecomunicações) – Departamento de Eletrônica, telecomunicações e Informática, Universidade de Aveiro, 2010.
SILVA, N. F. F. d. Análise de sentimentos em textos curtos provenientes de redes ´ sociais. 2016. 112 f. Tese (Doutorado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, 2016.
JUNIOR SIRI. Profissional de métricas, monitoramento social analytics no Brasil: 2014. Disponível em: https://pt.slideshare.net/juniorsiri/profissionalmtricas-monitoramentosocialanalytics2014. Acesso em: 28 fev. 2020.
SOUSA, G. L. S. Tweetmining: análise de opinião contida em textos extraídos do twitter. Monografia (Bacharel em Sistemas de Informação). Lavras: Universidade Federal de Lavras, 2012. Disponível em: http://www.bsi.ufla.br/wp-content/uploads/2013/09/TWEETMININGAN%C3%81LISE-DE-OPINI%C3%83O-CONTIDA-EM-TEXTOSEXTRA%C3%8DDOS-DO-TWITTER-.pdf. Acesso em: 27 mar. 2020.
XIE, Z.; LIU, G.; WU, J.; TAN, Y. Big data would not lie: prediction of the 2016 Taiwan election via online heterogeneous information. EPJ Data Science, v. 7, n. 32, 2018. Disponível em: https://epjdatascience.springeropen.com/track/pdf/10.1140/epjds/s13688-018-0163-7. Acesso em nov. 2018.
ZANDAVALLE, A. C. O mercado de inteligência de mídias sociais. In: SILVA, T.; STABILE, M. (Orgs.). Monitoramento e Pesquisas em Mídias Sociais: metodologias, aplicações e inovações. São Paulo: Uva Limão, 2016. Disponível em: https://www.ibpad.com.br/wp-content/uploads/2016/12/Monitoramento-epesquisa-em-midias-sociais.pdf. Acesso em: 28 fev. 2020.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário.
O conteúdo dos textos e a citação e uso de imagens submetidas são de inteira responsabilidade dos autores.
Em todas as citações posteriores, deverá ser consignada a fonte original de publicação, no caso a Informação & Informação.
