Aumento de dados por mascaramento no BERT para detecção de comentários ofensivos

Lima, Augusto Guimarães Rodrigues de

Please use this identifier to cite or link to this item:


			http://hdl.handle.net/11422/29490

Type:	Trabalho de conclusão de graduação
Title:	Aumento de dados por mascaramento no BERT para detecção de comentários ofensivos
Author(s)/Inventor(s):	Lima, Augusto Guimarães Rodrigues de
Advisor:	Silva, João Carlos Pereira da
Abstract:	A detecção automática de linguagem ofensiva em redes sociais tem se tornado um desafio relevante no contexto do Processamento de Linguagem Natural, especialmente em língua portuguesa, devido à escassez de recursos linguísticos rotulados e à natureza dinâmica da comunicação online. Este trabalho investiga o uso de técnicas de aumento de dados baseadas em mascaramento de palavras no modelo BERT como estratégia para aprimorar a detecção de comentários ofensivos em português brasileiro. O estudo utiliza o corpus HateBR, composto por comentários do Instagram, bem como um conjunto de dados adicional de comentários coletados da plataforma X (antigo Twitter), ampliando a diversidade de contextos discursivos analisados. Emprega-se o modelo BERTimbau como base para a geração de sentenças sintéticas semanticamente coerentes. Foram propostas e avaliadas três abordagens de enriquecimento de dados: o mascaramento tradicional de múltiplos tokens, o mascaramento controlado de palavras inteiras e uma estratégia conservadora baseada na substituição de um único token por iteração. Para garantir a preservação do significado original e dos rótulos de classe, as sentenças geradas foram filtradas por meio da similaridade do cosseno calculada com embeddings do Sentence-BERT, considerando diferentes faixas de similaridade semântica. Os experimentos demonstraram que, embora o BERTimbau apresente desempenho robusto mesmo sem aumento de dados, a estratégia de substituição de um único token aliada a uma faixa ampla de similaridade semântica produziu melhorias consistentes nas métricas de acurácia, precisão, recall e F1-score. Além disso, observou-se que os ganhos decorrentes do aumento de dados foram mais visíveis em modelos clássicos de aprendizado de máquina, como SVM, Regressão Logística e MLP, evidenciando que o enriquecimento semântico contribui de forma significativa para classificadores que não possuem mecanismos avançados de contextualização. Conclui-se que o mascaramento controlado de palavras, aliado à filtragem semântica, constitui uma estratégia eficaz para ampliar a variabilidade dos dados de treinamento, preservar a coerência linguística e melhorar o desempenho de modelos de detecção de linguagem ofensiva em português.
Keywords:	Processamento de linguagem natural Linguagem ofensiva Aumento de dados Aprendizado de máquina Natural language processing Offensive language Data augmentation Machine learning BERTimbau
Subject CNPq:	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Production unit:	Instituto de Computação
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	7-Apr-2026
Publisher country:	Brasil
Language:	por
Right access:	Acesso Aberto
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
AGRLima.pdf		1.27 MB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository