Detecção de Posicionamento e Rotulação Automática de Usuários do Twitter: o caso da CPI da Covid-19
DOI:
https://doi.org/10.5753/isys.2023.3008Keywords:
Dectecção de Posicionamento, Rotulação Automática de Usuários, Polarização, TwitterAbstract
Com o aumento da influência das mídias sociais na opinião pública, a identificação automatizada de posicionamentos políticos tornou-se um desafio crucial para as áreas de sistemas de informação e ciência política. Nesse contexto, esse artigo tem por objetivo detectar o posicionamento e rotular uma grande massa de usuários do Twitter no Brasil em um tema politicamente controverso, de forma automatizada e não dependente de bases anotadas. Para isso é proposto um método automatizado para detectar e rotular o posicionamento de usuários do Twitter em relação a um tema politicamente controverso e polarizado, utilizando a CPI da Covid-19 como estudo de caso. A classificação é feita com base em um espectro que engloba posições favoráveis e contrárias à CPI, por meio do cálculo de uma pontuação de valência de posicionamento e duas métricas complementares: grau de equilíbrio e engajamento. Foram combinadas abordagens computacionais não supervisionadas, tais como métodos de redução de dimensionalidade e algoritmos de agrupamento, com técnicas mimimanente supervisionadas como modelagem de tópicos e embeddings contextualizados. Essa abordagem, em conjunto com fatores sociais, tais como homofilia e estrutura de rede, permiritam rotular automaticamente aproximadamente 98% dos usuários presentes nas bases de dados estudadas, de forma minimamente supervisionada. Essa estratégia pode ter implicações significativas para a análise de opinião pública em questões controversas, fornecendo insights sobre a distribuição dos posicionamentos políticos e as estratégias de engajamento que podem ser usadas pelos usuários das mídias sociais.
Downloads
Referências
AlDayel, A. and Magdy, W. (2021). Stance detection on social media: State of the art and trends. Information Processing & Management, 58(4):102597.
Alturayeif, N., Luqman, H., and Ahmed, M. (2023). A systematic review of machine learning techniques for stance detection and its applications. Neural Computing and Applications, pages 1–32.
Awadallah, R., Ramanath, M., and Weikum, G. (2012). Harmony and dissonance: organizing the people’s voices on political controversies. In Proceedings of the fifth ACM international conference on Web search and data mining, pages 523–532.
Barros, C. C. and do Vale, R. P. G. (2021). ”tchau, pfizer!”: Uma análise discursiva de charges publicadas durante a comissão parlamentar de inquérito da covid-19. Revista de Ciências Humanas, 3(21).
Bechini, A., Ducange, P., Marcelloni, F., and Renda, A. (2020). Stance analysis of twitter users: the case of the vaccination topic in italy. IEEE Intelligent Systems, 36(5):131–139.
Christhie, W., Reis, J. C., Moro, F. B. M. M., and Almeida, V. (2018). Detecção de posicionamento em tweets sobre política no contexto brasileiro. In Anais do VII Brazilian Workshop on Social Network Analysis and Mining. SBC.
Cinelli, M., Morales, G. D. F., Galeazzi, A., Quattrociocchi, W., and Starnini, M. (2020). Echo chambers on social media: A comparative analysis. arXiv preprint arXiv:2004.09603.
Conover, M., Ratkiewicz, J., Francisco, M., Gonc¸alves, B., Menczer, F., and Flammini, A. (2011). Political polarization on twitter. In Proceedings of the International AAAI Conference on Web and Social Media, volume 5, pages 89–96.
D’Andrea, E., Ducange, P., Bechini, A., Renda, A., and Marcelloni, F. (2019). Monitoring the public opinion about the vaccination topic from tweets analysis. Expert Systems with Applications, 116:209–226.
Dantas, A. and Nippes, G. (2022). Quando as máscaras vão cair? Revista Pet Economia UFES, 2(2):32–36.
Darwish, K., Stefanov, P., Aupetit, M., and Nakov, P. (2020). Unsupervised user stance detection on twitter. In Proceedings of the International AAAI Conference on Web and Social Media, volume 14, pages 141–152.
de Carvalho Mendes, G. P., Orso, M., and Alves, M. K. F. (2022). A cpi da covid-19 sob a ótica da extrema-direita: análise do perfil brazilfight no twitter. Tríade: Comunicação, Cultura e Mídia, 10(23):e022024–e022024.
Dori-Hacohen, S., Yom-Tov, E., and Allan, J. (2015). Navigating controversy as a complex search task. In SCST@ ECIR. Citeseer.
Ebeling, R., Saenz, C. A. C., Nobre, J., and Becker, K. (2020). Quarenteners vs. chloroquiners: A framework to analyze how political polarization affects the behavior of groups. In 2020 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), pages 203–210. IEEE.
Figeac, J. and Favre, G. (2021). How behavioral homophily on social media influences the perception of tie-strengthening within young adults’ personal networks. New Media & Society, page 14614448211020691.
Grootendorst, M. (2022). Bertopic: Neural topic modeling with a class-based tf-idf procedure. arXiv e-prints, pages arXiv–2203.
Jungherr, A., Schoen, H., Posegga, O., and Jurgens, P. (2017). Digital trace data in the study of public opinion: An indicator of attention toward politics rather than political support. Social Science Computer Review, 35(3):336–356.
Kamienski, C., de Camargo Penteado, C. L., Goya, D., Rocha, R. V., de Souza, L. M., di Genova, D. V. B., Ramos, D. F. S., de Franc¸a, F. O., Horita, F., and dos Santos, C. d. S. (2022). Measuring network polarization and political sectarianism during the 2020 pandemic. IEEE Transactions on Computational Social Systems.
Kamienski, C., Mazim, L., Penteado, C., Goya, D., Di Genova, D., De Franca, F., Ramos, D., and Horita, F. (2021). A polarization approach for understanding online conflicts in times of pandemic: A brazilian case study.
Kucuk, D. and Can, F. (2020). Stance detection: A survey. ACM Computing Surveys (CSUR), 53(1):1–37.
Lin, J., Mao, W., and Zhang, Y. (2017). An enhanced topic modeling approach to multiple stance identification. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management, pages 2167–2170.
Magdy, W., Darwish, K., and Weber, I. (2016). # failedrevolutions: Using twitter to study the antecedents of isis support. In 2016 AAAI Spring Symposium Series.
Maia, M., Oliveira, E., and Gallegos, L. (2021). Covid-19 e tweets no brasil: coleta, tratamento e analise de textos com evidências de estados afetivos alterados em momentos impactantes. In Anais do X Brazilian Workshop on Social Network Analysis and Mining, pages 79–90. SBC.
Malagoli, L., Stancioli, J., Ferreira, C., Vasconcelos, M., Silva, A. P., and Almeida, J. (2021). Caracterização do debate no twitter sobre a vacinação contra a covid-19 no brasil. In Anais do X Brazilian Workshop on Social Network Analysis and Mining, pages 55–66, Porto Alegre, RS, Brasil. SBC.
McInnes, L., Healy, J., Saul, N., and Großberger, L. (2018). Umap: Uniform manifold approximation and projection. Journal of Open Source Software, 3(29).
McPherson, M., Smith-Lovin, L., and Cook, J. M. (2001). Birds of a feather: Homophily in social networks. Annual review of sociology, 27(1):415–444.
Mohammad, S., Kiritchenko, S., Sobhani, P., Zhu, X., and Cherry, C. (2016). Semeval-2016 task 6: Detecting stance in tweets. In Proceedings of the 10th international workshop on semantic evaluation (SemEval-2016), pages 31–41.
Mohammad, S. M., Sobhani, P., and Kiritchenko, S. (2017). Stance and sentiment in tweets. ACM Transactions on Internet Technology (TOIT), 17(3):1–23.
Morosini, C. (2022). Discursos em conflito: estratégias bolsonaristas para deslegitimar a comissão parlamentar de inquérito (cpi) da pandemia através do twitter. Revista Investigações, 35(2):1–26.
Popat, K., Mukherjee, S., Yates, A., and Weikum, G. (2019). Stancy: Stance classification based on consistency cues. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), pages 6413–6418.
Rashed, A., Kutlu, M., Darwish, K., Elsayed, T., and Bayrak, C. (2021). Embeddingsbased clustering for target specific stances: The case of a polarized turkey. In Proceedings of the International AAAI Conference on Web and Social Media, volume 15, pages 537–548.
Saenz, C. A. C. and Becker, K. (2021). Interpreting bert-based stance classification: a case study about the brazilian covid vaccination. In Anais do XXXVI Simposio Brasileiro de Bancos de Dados, pages 73–84. SBC.
Samih, Y. and Darwish, K. (2021). A few topical tweets are enough for effective user stance detection. In Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume, pages 2637–2646.
Santos, P. and Goya, D. (2022). Detecção de posicionamento e rotulação automática de usuários do twitter: estudo sobre o embate científico-político no contexto da cpi da covid-19. In Anais do XI Brazilian Workshop on Social Network Analysis and Mining, pages 49–60, Porto Alegre, RS, Brasil. SBC.
Santos, A. (2022). Reflexões sobre a importância do pânico sexual para a ascensão do bolsonarismo ao poder. Lumina, 16(3):92–111.
Santos, P. D. and Goya, D. H. (2021). Automatic twitter stance detection on politically controversial issues: A study on covid-19’s cpi. In Anais do XVIII Encontro Nacional de Inteligencia Artificial e Computacional, pages 524–535. SBC.
Sirrianni, J. W., Liu, X., and Adams, D. (2021). Predicting stance polarity and intensity in cyber argumentation with deep bidirectional transformers. IEEE Transactions on Computational Social Systems, 8(3):655–667.
Sobhani, P., Inkpen, D., and Matwin, S. (2015). From argumentation mining to stance classification. In Proceedings of the 2nd Workshop on Argumentation Mining, pages 67–77.
Sobhani, P., Inkpen, D., and Zhu, X. (2017). A dataset for multi-target stance detection. In Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Volume 2, Short Papers, pages 551–557.
Souza, F., Nogueira, R., and Lotufo, R. (2020). BERTimbau: pretrained BERT models for Brazilian Portuguese. In 9th Brazilian Conference on Intelligent Systems, BRACIS, Rio Grande do Sul, Brazil, October 20-23 (to appear).
Stefanov, P., Darwish, K., Atanasov, A., and Nakov, P. (2020). Predicting the topical stance and political leaning of media using tweets. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pages 527–537.
Vamvas, J. and Sennrich, R. (2020). X-stance: A multilingual multi-target dataset for stance detection. In 5th SwissText & 16th KONVENS Joint Conference 2020, page 9.
Wagner Filho, J. A., Wilkens, R., Idiart, M., and Villavicencio, A. (2018). The brwac corpus: A new open resource for brazilian portuguese. In Proceedings of the eleventh international conference on language resources and evaluation (LREC 2018).
Wischnewski, M., Ngo, T., Bernemann, R., Jansen, M., and Kramer, N. (2022). “i agree with you, bot!” how users (dis) engage with social bots on twitter. New Media & Society, page 14614448211072307.
Wojatzki, M. and Zesch, T. (2016). ltl. uni-due at semeval-2016 task 6: Stance detection in social media using stacked classifiers. In Proceedings of the 10th International Workshop on Semantic Evaluation (SemEval-2016), pages 428–433.
Zarrella, G. and Marsh, A. (2016). Mitre at semeval-2016 task 6: Transfer learning for stance detection. In Proceedings of the 10th International Workshop on Semantic Evaluation (SemEval-2016), pages 458–463.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2024 iSys - Revista Brasileira de Sistemas de Informação
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
