💬 NLP

Comparative Analysis of AutoML and BiLSTM Models for Cyberbullying Detection on Indonesian Instagram Comments

Este estudo avalia e compara modelos de aprendizado de máquina e aprendizado profundo para detectar cyberbullying em comentários do Instagram indonésio, constatando que, embora o BiLSTM com mecanismos de atenção alcance o melhor desempenho geral, a Regressão Logística permanece uma alternativa competitiva e eficiente em termos de recursos.

Autores originais: Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

Publicado 2026-04-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

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

Imagine o Instagram como uma vasta e movimentada praça digital. Embora seja um lugar para compartilhar fotos e conectar pessoas, ele tem um lado sombrio: o ciberbullying. Isso ocorre quando as pessoas usam a internet para assediar, ameaçar ou humilhar outras. Na Indonésia, esse é um problema grave que afeta muitos jovens.

Este artigo é como um relatório de detetive tentando descobrir a melhor maneira de construir um "guarda de segurança digital" capaz de identificar automaticamente esses comentários maldosos em língua indonésia antes que machuquem alguém.

Aqui está a história de sua investigação, explicada de forma simples:

1. Os Suspeitos (Os Dados)

Os pesquisadores reuniram uma "lista de procurados" com 650 comentários do Instagram.

A Fonte: Eles vieram das seções de comentários de artistas e influenciadores indonésios famosos.
A Mistura: A lista estava perfeitamente equilibrada: 325 comentários eram maldosos (Bullying) e 325 eram amigáveis (Não-Bullying).
O Desafio: Estes não eram ensaios formais. Eram bagunçados, curtos e cheios de gírias, abreviações e emojis — exatamente como adolescentes reais conversam.

2. A Equipe de Limpeza (Pré-processamento)

Antes que os computadores pudessem ler esses comentários, eles precisavam ser limpos. Imagine tentar ler um livro escrito em uma língua onde as pessoas constantemente erram a grafia das palavras ou as esticam (como "baaaanget" em vez de "banget").

Os pesquisadores construíram uma máquina de limpeza especial com seis etapas:

Case Folding: Transformar tudo para letras minúsculas (para que "Olá" e "olá" sejam iguais).
Limpeza: Remover hashtags, links e @menções.
Normalização de Gírias: Corrigir as gírias (transformar "bgt" de volta em "banget").
Remoção de Stopwords: Descartar palavras comuns como "e" ou "o" que não ajudam a identificar bullying.
Stemming: Cortar as palavras até sua raiz (transformar "correndo" em "correr").
Tokenização: Cortar a frase em pedaços de palavras individuais.

Sem esta etapa, os computadores ficariam confusos com a gíria bagunçada da internet.

3. Os Concorrentes (Os Modelos)

Os pesquisadores colocaram dois tipos diferentes de "detetives" um contra o outro para ver quem conseguiria pegar os valentões melhor.

Equipe A: Os Detetives Clássicos (Aprendizado de Máquina)

Estes são os métodos antigos e confiáveis. Eles olham para as palavras e contam com que frequência certas palavras "ruins" aparecem.

Naive Bayes: Um adivinhador rápido baseado em probabilidade.
Regressão Logística: Uma calculadora estável que desenha uma linha entre o bom e o ruim.
SVM (Máquina de Vetor de Suporte): Um classificador de olhos afiados que tenta encontrar o limite perfeito entre os dois grupos.
Ferramenta: Eles usaram um método chamado TF-IDF, que é como um marcador que destaca palavras que são únicas e importantes para a frase.

Equipe B: Os Pensadores Profundos (Aprendizado Profundo)

Estes são os detetives de IA avançados que tentam entender o contexto e o fluxo da frase, não apenas as palavras.

Bi-LSTM: Um modelo que lê a frase da esquerda para a direita E da direita para a esquerda ao mesmo tempo, como ler um livro enquanto também lembra do que acabou de ler.
Bi-LSTM + Atenção: O mesmo modelo, mas com um "holofote" (mecanismo de Atenção). Este holofote diz ao modelo para prestar atenção extra às palavras mais emocionais ou importantes da frase.

4. Os Resultados: Quem Venceu?

Os pesquisadores realizaram uma corrida para ver qual modelo conseguia identificar corretamente os comentários de bullying.

O Vencedor Clássico: Entre os detetives antigos, a Regressão Logística foi a campeã. Ela acertou cerca de 85,25% das vezes. Foi rápida, eficiente e não precisou de um supercomputador para rodar.
O Vencedor de Aprendizado Profundo: O Bi-LSTM com o "Holofote" (Atenção) levou a coroa geral. Ele acertou cerca de 84,62% das vezes.
- Espera, isso não é menor? Na verdade, é muito próximo! O "Holofote" ajudou o modelo a entender a nuance do bullying melhor do que os outros, mesmo que a porcentagem bruta fosse ligeiramente inferior à do melhor modelo clássico.
- O Bi-LSTM padrão (sem o holofote) teve desempenho pior (78,46%), provando que o "holofote" foi crucial.

5. O Veredito

O artigo conclui com algumas conclusões principais:

Aprendizado Profundo é o "Mais Inteligente": O modelo com o "holofote" (Bi-LSTM + Atenção) é o melhor em entender o contexto complexo e bagunçado das gírias indonésias e ataques emocionais.
Aprendizado de Máquina é o "Mais Eficiente": Se você não tem um computador poderoso ou precisa de algo que rode muito rápido, a clássica Regressão Logística é uma escolha muito forte e prática. Ela teve desempenho quase tão bom quanto a IA complexa, mas é muito mais leve.
Limpeza é Fundamental: O estudo enfatiza que, se você não limpar as gírias e corrigir os erros de digitação primeiro, mesmo a IA mais inteligente falhará.

As Limitações (A Letra Miúda)

Os autores são honestos sobre os limites de seu estudo:

Amostra Pequena: Eles usaram apenas 650 comentários. É como julgar o gosto musical de todo um país com base em uma pesquisa de 650 pessoas. Um conjunto de dados maior tornaria os resultados mais confiáveis.
Fonte Específica: Todos os comentários vieram de páginas de artistas famosos. O bullying pode parecer diferente na página de uma pessoa comum.
Rótulos Simples: Eles apenas rotularam os comentários como "Bullying" ou "Não-Bullying". Eles não os dividiram mais (por exemplo, "Xenofobia Corporal" vs. "Discurso de Ódio").

Em resumo: Para pegar os cibervalentões em comentários do Instagram indonésio, você precisa primeiro de uma boa equipe de limpeza. Depois, você pode escolher entre um detetive clássico, rápido e confiável (Regressão Logística) ou uma IA altamente inteligente e consciente do contexto com um holofote (Bi-LSTM + Atenção), dependendo de quanto poder de computação você tem.

1. Declaração do Problema

O cyberbullying em plataformas de mídia social, particularmente no Instagram, representa uma ameaça severa à saúde mental dos jovens indonésios. Embora existam sistemas de detecção automatizada, a maioria das pesquisas foca em dados do Twitter/X. Comentários do Instagram apresentam desafios únicos devido à sua natureza informal, uso intenso de gírias, emojis, alongamento de caracteres e idiomas mistos. Além disso, há uma falta de estudos comparativos que avaliem os trade-offs entre abordagens tradicionais de Aprendizado de Máquina (ML) e arquiteturas de Aprendizado Profundo (DL) especificamente para conteúdo do Instagram em língua indonésia.

2. Metodologia

Conjunto de Dados

Fonte: 650 comentários do Instagram extraídos de contas de artistas e influenciadores indonésios.
Estrutura: Conjunto de dados de classificação binária balanceado com 325 rótulos "Bullying" e 325 rótulos "Não-Bullying".
Características: Texto informal em indonésio com comprimento médio de 63 caracteres. O conjunto de dados está limpo (sem duplicatas/valores ausentes) e abrange contextos linguísticos diversos.

Pipeline de Pré-processamento

Um pipeline especializado foi desenvolvido para lidar com nuances linguísticas indonésias usando bibliotecas específicas (indoNLP, nlp-id, PySastrawi):

Case Folding: Conversão para minúsculas.
Limpeza: Remoção de menções, hashtags, URLs e caracteres não alfabéticos.
Normalização de Gírias: Substituição de gírias e alongamentos de caracteres (ex: "bgt" $\rightarrow$ "banget").
Remoção de Stopwords: Eliminação de palavras comuns não discriminativas.
Stemming: Redução de palavras a formas raiz baseadas na morfologia indonésia.
Tokenização: Divisão do texto em tokens.

Abordagens de Modelagem

O estudo comparou dois caminhos de modelagem distintos:

Caminho de Aprendizado de Máquina (ML) (AutoML):
- Ferramentas: Framework PyCaret com Grid Search para ajuste de hiperparâmetros.
- Extração de Recursos: TF-IDF (Frequência de Termo-Frequência Inversa de Documento).
- Algoritmos Testados: Naive Bayes, Regressão Logística e Máquina de Vetores de Suporte (SVM).
- Validação: Validação Cruzada de 5 Dobras.
Caminho de Aprendizado Profundo (DL):
- Ferramentas: PyTorch.
- Arquiteturas:
  1. Bi-LSTM: Memória de Curto e Longo Prazo Bidirecional para capturar contexto sequencial.
  2. Bi-LSTM + Atenção Bahdanau: Adiciona um mecanismo de atenção para ponderar palavras-chave significativas.
- Configuração: Tamanho do lote 32, tamanho de incorporação 128, otimizador Adam, Perda de Entropia Cruzada, Parada Antecipada (patience=3).
- Validação: Divisão estática 80/10/10 (Treino/Validação/Teste) com semente aleatória 42.

3. Contribuições Principais

Análise Comparativa: Uma comparação direta de três algoritmos clássicos de ML contra duas arquiteturas de DL especificamente para comentários do Instagram indonésio, preenchendo uma lacuna na literatura que frequentemente foca no Twitter.
Pré-processamento Específico de Domínio: Demonstração do impacto crítico de um pipeline de PLN personalizado (normalização de gírias e stemming morfológico) no desempenho do modelo para texto informal indonésio.
Framework Prático: Identificação do modelo ótimo para diferentes cenários de implantação (alta precisão vs. restrições de recursos), fornecendo uma base para sistemas automatizados de moderação de conteúdo na Indonésia.

4. Resultados Experimentais

Desempenho de Aprendizado de Máquina:

Regressão Logística emergiu como o modelo de ML de melhor desempenho.
- Precisão: 85,25%
- F1-Score: 85,22%
SVM seguiu com 82,61% de precisão.
Naive Bayes teve o desempenho mais baixo com 77,99% de precisão.

Desempenho de Aprendizado Profundo:

Bi-LSTM + Atenção alcançou o desempenho geral mais alto.
- Precisão: 84,62%
- F1-Macro: 84,58%
Bi-LSTM Padrão ficou atrás com 78,46% de precisão, destacando o aumento significativo (aprox. 6%) fornecido pelo mecanismo de atenção.

Insight Comparativo:

Precisão: A Regressão Logística (ML) superou ligeiramente o Bi-LSTM+Atenção (DL) por 0,63 pontos percentuais.
Compreensão Contextual: Embora os modelos de ML fossem altamente competitivos, os modelos de DL demonstraram capacidade superior em capturar dependências sequenciais complexas e contexto emocional, evidenciado pelo salto significativo de desempenho ao adicionar o mecanismo de Atenção.
Eficiência: Os modelos de ML ofereceram tempos de treinamento mais rápidos e requisitos computacionais mais baixos, tornando-os viáveis para ambientes com recursos limitados.

5. Significado e Conclusão

Seleção de Modelo: Para requisitos de alta precisão onde recursos computacionais estão disponíveis, Bi-LSTM com Atenção é a abordagem recomendada. No entanto, para implantação rápida e leve, a Regressão Logística oferece desempenho comparável com sobrecarga significativamente menor.
Importância do Pré-processamento: O estudo confirma que o pré-processamento específico de domínio (normalização de gírias e stemming) não é opcional, mas essencial para alcançar alto desempenho em dados de mídia social indonésia informais.
Limitações e Trabalhos Futuros: O estudo é limitado por um conjunto de dados relativamente pequeno (650 amostras) e um esquema de rótulos binários que não captura categorias nuances (ex: assédio corporal vs. discurso de ódio). Pesquisas futuras devem utilizar conjuntos de dados maiores e explorar modelos baseados em Transformer (ex: variantes BERT) para aprimorar ainda mais as capacidades de detecção.

Conclusão: O artigo estabelece que, embora modelos de Aprendizado Profundo com mecanismos de atenção sejam teoricamente superiores para compreensão contextual, modelos tradicionais de Aprendizado de Máquina permanecem altamente eficazes e competitivos para detecção de cyberbullying em mídias sociais indonésias, desde que seja aplicado um pré-processamento rigoroso e específico da língua.