Improving Neural Argumentative Stance Classification in Controversial Topics with Emotion-Lexicon Features

1. Problema e Motivação

O artigo aborda a tarefa de classificação de postura (stance classification) em textos argumentativos sobre tópicos controversos. O objetivo é identificar se um argumento apoia ("For") ou se opõe ("Against") a um tema específico.

• Limitações do Estado da Arte: A maioria dos trabalhos anteriores foca em textos não argumentativos, restringe-se a domínios específicos ou não incorpora sistematicamente a análise de emoções.
• O Desafio: Argumentos sobre temas polêmicos frequentemente apelam a emoções (medo, raiva, esperança, etc.) para persuadir. Ignorar essas nuances emocionais limita a precisão dos modelos. Além disso, léxicos de emoção existentes (como o NRC) muitas vezes não capturam termos emocionalmente carregados comuns na linguagem moderna ou em contextos específicos de argumentação.
• Gap de Generalização: Há uma falta de avaliação robusta em múltiplos domínios e corpora diversos, o que dificulta a generalização dos modelos.

2. Metodologia

Os autores propõem uma abordagem em duas etapas principais: a expansão de um léxico de emoções e a integração desse léxico em um modelo neural de classificação.

A. Expansão do Léxico (eNRC)

O núcleo da contribuição é a criação do eNRC (expanded NRC), uma versão expandida do Bias-Corrected NRC Emotion Lexicon.

• Técnica de Embedding: Utilizam embeddings contextualizados do modelo DistilBERT para representar as palavras em um espaço vetorial de 768 dimensões.
• Clustering e Normalização:
  1. Reduzem a dimensionalidade dos embeddings usando PCA (Análise de Componentes Principais).
  2. Aplicam um Modelo de Mistura Gaussiana (GMM) com 3 componentes para identificar clusters densos de palavras semanticamente relacionadas.
  3. Implementam uma normalização baseada em clusters: calculam a similaridade coseno apenas entre palavras dentro do mesmo cluster, penalizando similaridades entre clusters diferentes. Isso evita a "contaminação" entre categorias de emoções distintas.
• Expansão Baseada em Limiar: Para cada palavra candidata, calculam a similaridade com as palavras do léxico original. Se a similaridade normalizada ultrapassar um limiar ($\theta$), a etiqueta de emoção é atribuída à nova palavra. O limiar ótimo foi determinado empiricamente como 0.4.

B. Arquitetura do Modelo (NASCA)

O modelo de classificação de postura neural (NASCA) é construído da seguinte forma:

• Codificador: Utiliza um encoder BERT pré-treinado.
• Entrada: O texto é formatado como [CLS] Tópico: t [SEP] Argumento: x [SEP], permitindo que o modelo codifique o argumento e o alvo (tópico) conjuntamente.
• Fusão de Features: A representação do token [CLS] é concatenada com o vetor de características de emoção derivado do léxico (NRC original ou eNRC).
• Classificador: Uma camada densa com duas camadas ocultas (ReLU + Dropout) que realiza a classificação binária (For/Against).

3. Contribuições Principais

1. Método de Expansão de Léxico: Desenvolvimento de um método sistemático e reproduzível para expandir léxicos de emoções usando embeddings contextualizados e normalização baseada em clusters, resultando no eNRC.
2. Framework Neural de Classificação: Proposição de um framework que integra explicitamente features de léxico de emoção expandido em um modelo BERT para classificação de postura argumentativa.
3. Avaliação Abrangente: Reformulação e avaliação em cinco corpora diversos (AMT1, AMT2, Persuasive Essays, IBM, UKP) cobrindo diferentes domínios e tamanhos, superando a limitação de estudos anteriores focados em um único dataset.
4. Recursos Abertos: Disponibilização de todo o código, dados adaptados e o léxico eNRC para a comunidade de pesquisa.

4. Resultados Experimentais

Os experimentos compararam três variantes do modelo:

• noNRC: Sem features de léxico.
• NRC: Com o léxico NRC original.
• eNRC: Com o léxico expandido proposto.

Desempenho (F1 Macro):

• O modelo eNRC superou consistentemente as outras abordagens em todos os cinco datasets.
• Melhoria Significativa: O ganho máximo foi de +6.2 pontos percentuais no dataset Persuasive Essays (PE) em comparação ao baseline sem léxico.
• Comparação com SOTA: O eNRC superou o léxico NRC original em 4 dos 5 datasets e superou abordagens baseadas em Grandes Modelos de Linguagem (LLMs), especificamente o Qwen2.5-7B, em quase todos os corpora.
  • Nota: O LLM Qwen2.5-7B teve desempenho particularmente pobre em datasets argumentativos complexos (ex: 30.7% no UKP), destacando a dificuldade de LLMs genéricos nesta tarefa sem adaptação específica.
• Robustez: O modelo eNRC alcançou resultados competitivos ou superiores ao estado da arte anterior (ex: 68.4% no UKP vs. 63.2% anterior).
• Eficiência: A análise mostrou que o uso do eNRC reduz a dependência do fine-tuning completo do BERT. Modelos com BERT congelado (frozen) e features eNRC mantiveram desempenho competitivo, o que é vantajoso para cenários com recursos computacionais limitados.

5. Significado e Conclusão

O artigo demonstra que a análise de emoções explícita e refinada é crucial para a classificação de postura em textos argumentativos.

• Validação da Abordagem: A expansão do léxico via embeddings contextualizados preenche lacunas semânticas que léxicos manuais não cobrem, capturando nuances emocionais essenciais para a persuasão.
• Generalização: A abordagem provou ser generalizável através de múltiplos domínios (debates, ensaios, microtextos, comentários na web), superando a limitação de estudos anteriores restritos a tópicos únicos.
• Impacto Prático: A capacidade de obter alto desempenho sem a necessidade de fine-tuning pesado do encoder BERT torna a solução mais viável para aplicações em escala e com restrições de hardware.

Em suma, o trabalho estabelece que a integração de léxicos de emoção expandidos e contextualizados é uma estratégia superior para extrair a postura de autores em debates controversos, superando tanto métodos tradicionais quanto modelos de linguagem grandes não adaptados.