Sentilytics

Análise Automatizada de Sentimentos em Redes Sociais

Autor: José Alessandro Santos Santana
Bacharelado em Sistemas de Informação
Orientador: Prof. Dr. Gilson Pereira dos Santos Júnior

• Introdução
  • Contextualização do Tema
  • Problema de Pesquisa
• Objetivos
  • Objetivo Geral
  • Objetivos específicos
• Fundamentação Teórica
  • Análise de Sentimentos
  • Análise de Sentimentos em Redes sociais
  • Processo de Análise de Sentimentos em Aplicações

• Sentilytics
  • Diagrama de componentes
  • BPMN: Do Cadastro da Pesquisa à Visualização dos Resultados
  • Dicionário de Dados
  • Demonstração Visual da Aplicação
  • Vídeo Demonstrativo
• Estudo de Caso
• Conclusão
• Trabalhos Futuros
• Referências

As redes sociais são um ambiente digital dinâmico, onde milhões de pessoas expressam suas percepções sobre temas variados.

• Expressão de opiniões, sentimentos e tendências;
• Discussão de temas políticos e a articulação política;
• Conta com a presença de empresas;
• Utilizada por jovens para o entretenimento, mobilização e conscientização social.

A análise de sentimentos permite interpretar emoções expressas em textos.

• Compreensão de tendências e comportamentos;
• Identificação de polarizações em debates públicos;
• Apoio à tomada de decisões em comunicação, política e negócios.

Na literatura, podemos encontrar diversas ferramentas que aplicam a análise de sentimentos em redes sociais.

As aplicações desenvolvidas para a análise de sentimentos em redes sociais enfrentam desafios significativos.

• Soluções desenvolvidas geralmente não são intuitivas;
• Não oferecem processamento de ponta a ponta;
• Falta ou dificuldade na personalização;
• Muitas vezes não possui integração direta com redes sociais.

Analisar sentimentos de forma automatizada em redes sociais por meio de uma solução integrada denominada Sentilytics.

• Implementar a coleta automatizada de dados em redes sociais integradas à aplicação.
• Desenvolver um módulo de pré-processamento customizável para normalização e remoção de stopwords.
• Integrar o modelo de análise de sentimentos VADER à aplicação para classificar sentimentos.

• Exibir os resultados da análise de sentimentos por meio de gráficos, tabelas e nuvens de palavras.
• Avaliar a aplicação por meio de um estudo de caso sobre o debate do fim da escala 6x1.

Identifica emoções em textos: Positivo, negativo ou neutro

Principais técnicas:

Baseadas em léxicos: Dicionários de palavras categorizadas

Aprendizado de máquina: Modelos treinados para prever sentimentos

Abordagem hibrida: Combina técnicas baseadas em léxicos com o aprendizado de máquina

A análise de sentimentos em redes sociais enfrenta desafios.

• Volume de dados torna a análise manual inviável;
• Elementos visuais (imagens, vídeo);
• Simbólicos (emojis, hashtags);
• Gírias e sarcasmo;
• Erros de ortografia.

Os dados que serão analisados podem ser importados da rede social Bluesky e/ou arquivo CSV.

O Sentilytics foi aplicado para analisar a percepção da escala 6x1 em redes sociais, identificando sentimentos e padrões de engajamento sobre o tema.

Objetivo: Analisar sentimentos e tendências sobre a escala 6x1
Dados coletados: 4.880 postagens no Bluesky

Metodologia:

• Coleta de dados no Bluesky via Sentilytics;
• Pré-processamento e classificação automática dos sentimentos;

Objetivo: Analisar sentimentos e tendências sobre a escala 6x1
Dados coletados: 4.880 postagens no Bluesky

Resultados:

• 87,3% das postagens foram classificadas como neutras.
• 10,5% positivas | 2,2% negativas.
• Sentimentos negativos geraram maior engajamento (mais likes e reposts).
• Tendência favorável à mudança da escala 6x1.
  Sentilytics: Automatizou coleta, pré-processamento e análise dos dados.

Sentilytics: Solução integrada e automatizada para análise de sentimentos.

Diferenciais:

• Coleta, pré-processamento e classificação personalizáveis
• Integração com a rede social Bluesky
• Acesso intuitivo, mesmo sem experiência técnica

Impacto: Monitoramento de redes, pesquisas acadêmicas e decisões estratégicas.

O Sentilytics pode ser aprimorado e expandido para tornar a análise de sentimentos ainda mais eficiente e abrangente.

• Integração de novos modelos de análise de sentimentos;
• Inclusão de novos algoritmos de pré-processamento;
• Incluir o suporte a múltiplas sociais;
• Painel administrativo.

BERTAGLIA, T. F. C.; NUNES, M. d. G. V. Exploring word embeddings for unsupervised textual user-generated content normalization. In: Proceedings of the 2nd Workshop on Noisy User-generated Text (WNUT). [S.l.: s.n.], 2016. p. 112–120.

CARVALHO, L. B. d. D. A democracia frustrada: fake news, política e liberdade de expressão nas redes sociais. Internet e Sociedade,[S. l.], v. 1, n. 1, p. 172–199, 2020.

LIMA, P. R. S. et al. Redes sociais como ferramentas de transparência em tempos de covid-19: uma análise das publicações dos boletins epidemiológicos do estado de alagoas. Logeion: Filosofia da Informação, v. 7, n. 2, p. 88–107, 2021.

POMPEI, T.; GOUVEIA, L. M. B.; RAMOS, P. F. M. d. S. Redes sociais: influência,
identidade e diferença na contemporaneidade. Revista em Sociedade, Belo Horizonte, v. 3, n. 2, p. 93–111, 2021.

SANTANA, B. S.; FREITAS, L. A. de. Capítulo 23 pln em redes sociais. 2023.

SIQUEIRA, L. F. et al. O impacto das mídias sociais na saúde mental de adolescentes e jovens adultos. Brazilian Journal of Implantology and Health Sciences, v. 6, n. 10, p. 1384–1390, 2024.