SSSD : explorando modelos pré-treinados e busca semântica para detecção de posicionamentos no Twitter

Abstract

Neste trabalho, é apresentado o SSSD (Semantic Search Stance Detection), um método inovador baseado no paradigma de Aprendizado de Máquina Few-shot Learning para Detecção de Posicionamentos (DP). Esta técnica emprega Modelos Pré-treinados (MPTs) para otimizar DP em tweets através da Busca Semântica. O SSSD tem a capacidade de interpretar o contexto e classificar o conteúdo dos tweets de maneira eficiente, requerendo apenas um conjunto pequeno de exemplos rotulados, o que contribui substancialmente para a redução do esforço manual de rotulagem e dos recursos necessários para o treinamento de modelos de DP. A estratégia proposta aprimora a precisão da DP ao filtrar conteúdos irrelevantes e focar nas postagens mais pertinentes. O SSSD destaca-se por ser pioneiro na integração de MPTs e Busca Semântica, facilitando a superação de desafios relacionados à escassez de dados rotulados e promovendo a melhoria da DP em mídias sociais. Em experimentos que tomaram como referência a competição SemEval-2016 Tarefa 6, o SSSD superou todos os benchmarks estabelecidos, evidenciando um potencial significativo na economia de recursos. Foi realizada ainda uma análise qualitativa para avaliar a eficácia do SSSD na detecção de posicionamentos relacionados à campanha de vacinação no Brasil durante a pandemia de COVID-19. Os resultados confirmam que o SSSD apresenta bons resultados mesmo com um volume limitado de dados rotulados, diferenciando-o positivamente em comparação com outras metodologias.

In this work, SSSD (Semantic Search Stance Detection) is presented, an innovative method based on the Few-shot Learning paradigm for Stance Detection (SD). This technique employs Pre-trained Models (PTMs) to optimize SD in tweets through Semantic Search. SSSD is capable of interpreting context and efficiently classifying tweet content, requiring only a small set of labeled examples. This substantially reduces the manual labeling effort and resources necessary for training SD models. The proposed strategy enhances SD precision by filtering irrelevant content and focusing on the most pertinent posts. SSSD stands out as a pioneer in integrating PTMs and Semantic Search, facilitating the overcoming of challenges related to the scarcity of labeled data and enhancing SD in social media. In experiments referencing the SemEval-2016 Task 6 competition, SSSD surpassed all established benchmarks, showcasing significant potential in resource savings. A qualitative analysis was also conducted to evaluate the efficacy of SSSD in detecting stances related to the vaccination campaign in Brazil during the COVID-19 pandemic. The results confirm that SSSD achieves good results even with a limited volume of labeled data, distinguishing itself positively compared to other methodologies.