💬 NLP

Dealing with Controversy: An Emotion and Coping Strategy Corpus Based on Role Playing

Este artigo aborda a lacuna entre a pesquisa psicológica e a computacional de emoções ao introduzir um corpus baseado em interpretação de papéis e uma tarefa de identificação de enfrentamento para investigar como as emoções funcionam como estratégias comportamentais em texto, revelando os desafios e o potencial para que os modelos capturem melhor esses mecanismos.

Autores originais: Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Grande Ideia: Emoções São Como Planos de Ação

Imagine que você está assistindo a uma peça de teatro. Normalmente, quando analisamos o sentimento de um personagem, apenas colocamos um rótulo neles: "Ele está bravo", ou "Ela está triste". É como colar uma etiqueta de identificação em uma caixa.

Mas este artigo argumenta que as emoções são mais como planos de ação. Quando você sente uma emoção específica, seu cérebro imediatamente cria uma estratégia para lidar com a situação. Os autores chamam essas estratégias de "Estratégias de Enfrentamento" (Coping Strategies).

Eles utilizam uma estrutura (baseada no trabalho do psicólogo Ira Roseman) que diz que cada reação emocional se encaixa em um de quatro baldes:

Ataque (Attack): Você quer enfrentar o problema de frente. (Como um leão rugindo para uma ameaça).
Contato (Contact): Você quer se aproximar e se conectar. (Como um filhote de cachorro abanando o rabo para dizer olá).
Distanciamento (Distance): Você quer se afastar e criar espaço. (Como uma tartaruga se retraindo para dentro do casco).
Rejeição (Reject): Você quer afastar o problema completamente ou negar que ele existe. (Como bater uma porta na cara de alguém).

O artigo faz uma pergunta simples: Podemos ver esses "planos de ação" escondidos nas palavras que as pessoas escrevem?

O Problema: Você Não Pode Apenas Perguntar às Pessoas

Os pesquisadores queriam construir um banco de dados (um corpus) de textos onde as pessoas claramente usassem essas estratégias. Mas havia um detalhe: você não pode simplesmente ir ao Twitter ou ao Facebook e encontrar pessoas dizendo: "Eu estou usando a estratégia de 'Distanciamento' no momento". A vida real é bagunçada, e as pessoas não rotulam seus próprios mecanismos de enfrentamento.

A Solução: O Experimento do "Ator de Método"

Para resolver isso, os pesquisadores não pediram apenas que as pessoas escrevessem sobre seus sentimentos. Em vez disso, eles utilizaram o Role-Playing (Jogo de Personagem), semelhante a uma aula de teatro de improviso.

Pense nisso como:

A Configuração: Eles criaram quatro personagens distintos, cada um representando uma das quatro estratégias.
- Personagem A (Ataque) é uma pessoa fogosa e agressiva que nunca recua.
- Personagem B (Contato) é um mediador calmo e de mente aberta.
- Personagem C (Distanciamento) é alguém que precisa de espaço e evita dramas.
- Personagem D (Rejeição) é uma pessoa teimosa que se recusa a interagir com negatividade.
O Roteiro: Eles usaram IA para escrever cenários controversos (como discussões sobre imigração ou racismo) onde uma pessoa diz algo perturbador.
A Performance: Pessoas reais foram contratadas para "se tornarem" um desses personagens. Elas tinham que ler o cenário e escrever uma resposta como se fossem aquele personagem.

É como perguntar a um ator: "Você está interpretando um leão rabugento. Alguém acabou de pisar na sua cauda. Escreva uma frase reagindo a isso". O objetivo era ver se o ator conseguia canalizar com sucesso a estratégia do "leão" em suas palavras.

O Que Eles Descobriram

1. Os Atores Acertaram os Sentimentos
Quando os pesquisadores perguntaram aos participantes: "Como seu personagem se sente?", as respostas corresponderam perfeitamente à teoria. Ao interpretar o personagem de "Ataque", as pessoas sentiram raiva e frustração. Ao interpretar o personagem de "Contato", elas sentiram esperança e amor. Os atores compreenderam com sucesso o "roteiro" emocional.

2. O Texto Era Difícil de Decodificar
Aqui está a parte complicada. Mesmo que os atores entendessem a estratégia, foi muito difícil para outras pessoas (e computadores) adivinhar qual estratégia estava sendo usada apenas lendo o texto.

Quando os pesquisadores pediram que humanos lessem as respostas e adivinhassem a estratégia, eles acertaram apenas cerca de 34% das vezes (o que é pouco melhor do que o acaso).
A estratégia de "Contato" foi a mais fácil de identificar (as pessoas usavam palavras educadas como "Eu entendo").
A estratégia de "Rejeição" foi a mais difícil (era frequentemente confundida com outras emoções negativas).

3. Os Computadores Também Tiveram Dificuldade
Os pesquisadores treinaram modelos de computador (IA) para fazer o mesmo jogo de adivinhação. Os modelos de IA também tiveram dificuldades, obtendo pontuações abaixo de 55% de precisão.

Curiosamente, a IA teve um desempenho melhor quando lia descrições da linguagem corporal do personagem (ex: "punhos cerrados", "olhando para o lado") do que quando lia apenas as palavras que eles falavam.
Isso sugere que, embora as palavras possam ser sutis, o comportamento associado à estratégia é um sinal mais forte.

A Conclusão

O artigo conclui que, embora as emoções estejam profundamente ligadas à forma como planejamos agir (nossas estratégias de enfrentamento), essas estratégias nem sempre são óbvias no texto.

A Boa Notícia: Podemos criar dados bem-sucedidos sobre essas estratégias usando o role-playing.
A Má Notícia: É muito mais difícil para computadores (e humanos) identificar essas estratégias em uma frase do que pensávamos. O "plano de ação" costuma estar escondido ou é sutil.

Os autores afirmam que isso abre um novo caminho para a pesquisa: em vez de apenas rotular "Raiva", devemos tentar entender o que a pessoa está tentando fazer com essa raiva. Mas, para fazer isso, precisamos de ferramentas melhores para ler o que está nas entrelinhas.

Resumo Técnico: Lidando com a Controvérsia: Um Corpus de Emoções e Estratégias de Enfrentamento Baseado em Role-Playing

Declaração do Problema

Existe uma discrepância significativa entre os estudos psicológicos e computacionais sobre emoções. Enquanto a pesquisa psicológica visa explicar os mecanismos internos dos fenômenos emocionais, o trabalho computacional em Processamento de Linguagem Natural (PLN) frequentemente simplifica as emoções em rótulos discretos ou vetores definidos por dimensões como valência, excitação (arousal) e dominância. Consequentemente, aspectos fundamentais de como as emoções se desenvolvem e como os indivíduos lidam com elas permanecem subexplorados no PLN. Especificamente, os mecanismos complexos que regem a emergência das emoções e seu efeito subsequente no comportamento — conceituados na psicologia como "processos de enfrentamento" (coping processes) — raramente são abordados. Os modelos atuais têm dificuldade em capturar o elo entre as emoções e as estratégias comportamentais (ex: atacar, contatar, distanciar-se ou rejeitar um estímulo) que as pessoas empregam em resposta a eventos que eliciam emoções.

Metodologia

Para abordar essa lacuna, os autores introduzem o COPING, o primeiro corpus focado em informações de enfrentamento, construído via uma metodologia de role-playing (encenação de papéis). O estudo é fundamentado na teoria de Roseman (2013), que mapeia 16 emoções específicas para quatro estratégias genéricas de enfrentamento: Ataque (Attack), Contato (Contact), Distanciamento (Distance) e Rejeição (Reject).

Criação de Dados

Dada a dificuldade de encontrar textos naturalmente ocorrentes anotados com estratégias de enfrentamento, os autores empregaram uma abordagem de role-playing via crowdsourcing:

Definições de Personagens: Quatro personagens fictícios (X) foram definidos, cada um incorporando uma das quatro estratégias de enfrentamento. Essas definições foram refinadas através de rodadas iterativas de pré-teste para garantir que os anotadores pudessem identificar corretamente a estratégia pretendida.
Geração de Cenários: Utilizando o ChatGPT-4, os autores geraram cenários controversos em cinco tópicos socialmente relevantes (aborto, imigração, racismo, direitos LGBTQ+ e drogas). Em cada cenário, um interlocutor fictício (Y) faz uma declaração contenciosa que ameaça a identidade do personagem X.
Tarefa de Role-Playing: Trabalhadores de crowdsourcing foram designados para interpretar o personagem X. Eles foram instruídos a:
- Gerar uma resposta verbal opondo-se à declaração de Y.
- Descrever o comportamento não verbal de X.
- Avaliar as respostas emocionais de X com base na taxonomia de Roseman.
- Refletir sobre si mesmos para determinar se reagiriam de forma semelhante a X.
Direcionamento Demográfico: Para elicitar expressões de enfrentamento mais fortes e autênticas, os participantes foram selecionados com base em demografias relevantes para os tópicos (ex: indivíduos LGBTQ+ para cenários LGBTQ+).

O corpus COPING resultante contém 1.200 pontos de dados, equilibrados entre estratégias, tópicos e cenários. Cada entrada inclui o texto gerado, descrições comportamentais e classificações emocionais.

Configuração Experimental

O artigo investiga duas questões de pesquisa (RQs) primárias:

RQ1: As estratégias de enfrentamento podem ser elicitadas em linguagem e anotadas?
RQ2: As estratégias de enfrentamento podem ser identificadas automaticamente?

Para responder à RQ2, os autores avaliaram a viabilidade da detecção automática usando:

Aprendizado Supervisionado: Ajuste fino (fine-tuning) de três Modelos de Linguagem Pequenos (SLMs) — BERT, DistilBERT e RoBERTa — no corpus.
Prompting Zero-Shot: Utilização de quatro Modelos de Linguagem Grandes (LLMs) — phi-2, mistral-2, nous-hermes-2 e dolphin-2 — em um cenário zero-shot.
Variações de Entrada: Os modelos foram testados em três tipos de entrada: apenas a resposta verbal, apenas a descrição comportamental e uma concatenação de ambos.

Principais Contribuições

Integração Teórica: O artigo dá um passo inicial no estudo das quatro categorias de enfrentamento (Ataque, Contato, Distanciamento, Rejeição) que subjazem aos rótulos emocionais padrão, ligando-os a funções comportamentais específicas e grupos de emoções conforme definido por Roseman (2013).
Corpus COPING: O lançamento de um corpus altamente estruturado construído com uma nova estratégia de role-playing para coleta de informações centradas em emoções. Isso aborda a escassez de dados anotados com mecanismos de enfrentamento.
Benchmarking de Tarefas: A introdução e o benchmarking da tarefa de identificação de estratégia de enfrentamento. O estudo fornece a primeira evidência empírica sobre a viabilidade de detectar essas estratégias em texto.

Resultados

Anotação Humana e Compreensão

Elicitação de Estratégia: Análises quantitativas e qualitativas confirmam que as estratégias de enfrentamento podem ser elicitadas em linguagem. Os trabalhadores de crowdsourcing demonstraram uma compreensão robusta das estratégias, com alta precisão ao mapear descrições de personagens para as estratégias corretas (ex: 100% de precisão para Ataque e Contato no pré-teste).
Alinhamento Emocional: Os perfis emocionais gerados pelos role-players alinharam-se amplamente com o framework teórico de Roseman (ex: frustração correlacionada com Ataque, esperança com Contato). No entanto, algumas divergências foram observadas, como a dificuldade em distinguir "Rejeição" de outras estratégias.
Subjetividade: O acordo inter-anotador sobre os textos gerados foi baixo ( $\kappa = .34$ ), indicando que a percepção de estratégias de enfrentamento no texto é altamente subjetiva. "Contato" foi a estratégia mais reconhecível, enquanto "Rejeição" foi a menos reconhecível.

Classificação Automática

Limites de Desempenho: A identificação automática de estratégias de enfrentamento provou ser desafiadora. Todos os modelos, tanto os SLMs ajustados quanto os LLMs zero-shot, atingiram pontuações F1 abaixo de 0.55.
Sensibilidade de Entrada:
- DistilBERT teve o melhor desempenho em respostas verbais (F1 = 0.523).
- RoBERTa teve o melhor desempenho em descrições comportamentais (F1 = 0.537).
- A combinação de respostas e comportamentos não melhorou consistentemente o desempenho em relação às entradas únicas.
- Os LLMs zero-shot tiveram desempenho equivalente aos modelos ajustados, com entradas baseadas em comportamento geralmente produzindo melhores resultados do que as entradas apenas de resposta.
Dificuldade da Estratégia: Consistente com a anotação humana, Contato foi a estratégia mais fácil de classificar (F1 $\approx$ 0.64), enquanto Rejeição permaneceu como a mais difícil (F1 $\approx$ 0.41).

Significância e Alegações

Os autores afirmam que seu trabalho abre uma direção de pesquisa promissora para aumentar a capacidade dos modelos de capturar mecanismos de emoção a partir de texto. Ao mudar o foco de rótulos emocionais estáticos para estratégias de enfrentamento dinâmicas, o estudo faz a ponte entre as teorias psicológicas de interação emoção-comportamento e o PLN computacional.

O artigo conclui modestamente que, embora a emergência do enfrentamento a partir do texto seja menos direta do que inicialmente hipotetizado — particularmente para estratégias que envolvem desengajamento como "Distanciamento" e "Rejeição" — o corpus e os elos observados entre estratégias e emoções validam o potencial desta abordagem. Os autores enfatizam que sua configuração, embora artificial, demonstrou com sucesso que dados sobre este conceito psicológico podem ser obtidos via crowdsourcing e que estas estratégias estão teoricamente fundamentadas no texto, mesmo que sua detecção automática permaneça um desafio significativo. Este trabalho sugere que a integração de estratégias de enfrentamento poderia melhorar tarefas de downstream, como análise de argumentação e análise de emoção centrada em eventos.