Defesa de dissertação (18/02/2025): Vinícius Soares dos Santos

Sorry, this entry is only available in Português do Brasil. For the sake of viewer convenience, the content is shown below in the alternative language. You may click the link to switch the active language.

Discente: Vinícius Soares dos Santos

Título: O discurso de ódio homofóbico na rede social X: uma proposta de método de classificação de textos

Orientadores: Gustavo Paiva Guedes e Silva

Banca: Gustavo Paiva Guedes e Silva (CEFET/RJ), Eduardo Soares Ogasawara (CEFET/RJ) e Ronaldo Ribeiro Goldschmidt (IME-RJ)

Dia/hora: 18 de fevereiro de 2025 (terça-feira), às 9am.

Local: https://teams.microsoft.com/l/meetup-join/19%3a4cbd120df05b43949b90efb47e9cf36b%40thread.tacv2/1739190003519?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22d455e339-d958-4321-a959-bda8d1ea2337%22%7d

Resumo: O discurso de ódio homofóbico trata-se da ação ou incitamento ao ódio, à discriminação ou à hostilização de um indivíduo, motivado por um preconceito contra pessoas de orientação sexual lésbicas, gays, bissexuais, transexuais e travestis (LGBT). A homofobia foi criminalizada por meio de ação no STF do Brasil. Este trabalho propõe um método de identificação automática do discurso de ódio homofóbico, alinhado aos Objetivos de Desenvolvimento Sustentável (ODS), especialmente à ODS 10, que enfatiza a promoção da inclusão social, econômica e política de todos, sem distinção de orientação sexual ou qualquer outra condição. Os objetivos específicos são a criação de um léxico homofóbico LEX-HOMOFENSA-PT e a criação de uma base de dados de textos extraídos de tweets rotulados por humanos TEXT-HOMOFENSA-PT. A presente pesquisa foi submetida ao Comitê de Ética em Pesquisa (CEP), subordinado ao Ministério da Saúde do Brasil, recebendo a aprovação para sua realização sob o certificado 59293922.0.0000.5289. Ao final, avaliou-se a aplicação de modelos de classificação ao dataset TEXT-HOMOFENSA-PT, classificadores tradicionais, LR, SVM, KNN, DT e NB; classificadores ensemble, RF, AB e GB; redes neurais artificiais, CNN e MLP; LLM, BERT e RoBERTa. O modelo LR obteve o melhor desempenho, com uma Precisão de 85,37%, uma Revocação de 85,30% e F-measure de 85,30%.