Uso de Aprendizado de máquina ativo para apoiar a rotulação de tweets no cenário eleitoral

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBernardini, Flavia Cristina-
Autor(es): dc.contributorSantos, Jéssica Soares dos-
Autor(es): dc.contributorSantos, Jéssica Soares dos-
Autor(es): dc.contributorPantoja, Carlos Eduardo-
Autor(es): dc.contributorSilva Junior, Daniel Pinheiro-
Autor(es): dc.creatorAmancio, Rafael Dantas-
Data de aceite: dc.date.accessioned2024-07-11T17:39:01Z-
Data de disponibilização: dc.date.available2024-07-11T17:39:01Z-
Data de envio: dc.date.issued2023-09-20-
Data de envio: dc.date.issued2023-09-20-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/30481-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/754634-
Descrição: dc.descriptionAtualmente, com o aumento constante de usuários na internet, uma quantidade enorme de dados é gerada todos os dias. Esses dados podem ser utilizados por diversos setores e com os mais diversos objetivos, como fazer análises sobre eventos passados e previsões de cenários futuros, por exemplo. Existem diversas formas de extrair informação através de dados, a abordagem selecionada para realização deste estudo foi por meio do uso de Aprendizado de Máquina, mais especificamente Aprendizado de Máquina Ativo. Tal abordagem conta com a ajuda de especialistas ou usuários do sistema que serão responsáveis por realizar a rotulação manual de um subconjunto de exemplos, com o intuito de melhorar as predições e análise de dados. O contexto escolhido para este estudo foi o Cenário Eleitoral Brasileiro de 2018, onde o objetivo é extrair o sentimento dos eleitores através de textos em linguagem natural publicados pelos mesmos na rede social Twitter. Este cenário possui diversas particularidades, onde a opinião do público pode mudar a qualquer momento, e vários termos específicos como apelidos ou slogans de campanha podem ser utilizados para demonstrar apoio ou rejeição aos candidatos. Ao fim do estudo, pôde-se concluir que o Aprendizado de Máquina Ativo tem um grande potencial para otimizar o processo de extração de informações a partir de dados brutos, assim como possibilitar que isso seja feito de forma flexível, permitindo que os modelos de Aprendizado de Máquina utilizados possam ser adaptados ao cenário sendo avaliado mesmo que tal cenário sofra alterações ao longo do tempo-
Descrição: dc.descriptionCurrently, with the constant increase of users on the internet, a huge amount of data is generated every day, and this data can be used by different sectors, and with different goals, as for analyzing past events or forecasting future events. There are several different ways of extracting information from data, but the approach selected to carry out this study was through the use of Machine Learning, more specifically Active Machine Learning. Such an approach relies on the help of experts or system users who will be responsible for manually labeling a subset of examples, in order to improve predictions and data analysis. The context chosen for this study was the 2018 Brazilian Electoral Scenario, where the objective is to analyze voters sentiment through texts in natural language published by the monthe Twitter social media. This scenario has several peculiarities, where public opinion can change at any time, and several specificterms such as nicknames or campaign slogan scan be used to show support or rejection in relation to the political candidates. At the end of the study, it was possible to conclude that Active Machine Learning hasa great potential to optimize the process of extracting information from raw data, as well as allowing this to be done in a flexible way, allowing the Machine Learning models used can be adapted to the scenario being evaluated even if that scenario changes overtime-
Descrição: dc.description70 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizado ativo-
Palavras-chave: dc.subjectAprendizado ativo baseado em discordância-
Palavras-chave: dc.subjectProcessamento de linguagem natural-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectTwitter (Rede social on-line)-
Palavras-chave: dc.subjectProcessamento de linguagem natural (Computação)-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectActive learning-
Palavras-chave: dc.subjectDisagreement-based active learning-
Palavras-chave: dc.subjectNatural language processing-
Título: dc.titleUso de Aprendizado de máquina ativo para apoiar a rotulação de tweets no cenário eleitoral-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.