Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media

1. Declaração do Problema

As ferramentas atuais de Processamento de Linguagem Natural (PLN) para análise de sentimentos geralmente classificam um texto inteiro como positivo, negativo ou neutro, ou atribuem uma única pontuação de intensidade. Essas abordagens falham em abordar duas complexidades críticas na mídia online:

1. Sentimentos Coexistentes: Uma única mensagem frequentemente contém sentimentos mistos (por exemplo, defendendo uma vítima enquanto se opõe a um agressor) que se perdem ao serem agregados em uma única pontuação.
2. Ambiguidade do Alvo: Ferramentas padrão não conseguem identificar quem ou o quê o sentimento está dirigido (o alvo), nem conseguem distinguir entre diferentes tipos de relacionamentos sociais (por exemplo, o alvo está sendo ajudado, prejudicado, oposto ou vitimizado?).

Estruturas existentes como Análise de Sentimento Direcionada (TSA), Análise de Sentimento Baseada em Aspectos (ABSA) e Detecção de Posicionamento (Stance Detection) frequentemente exigem alvos pré-definidos, dependem de rótulos categóricos ou carecem de avaliação multidimensional. Há uma necessidade de uma estrutura que possa extrair automaticamente alvos e pontuá-los ao longo de dimensões contínuas e teoricamente fundamentadas de regard social.

2. Metodologia: A Estrutura de Regard Social Direcionado (DSR)

Os autores propõem o Regard Social Direcionado (DSR), uma abordagem de análise de sentimento multidimensional e multivalorada fundamentada em teorias das ciências sociais (especificamente Desengajamento Moral e Enquadramento Moral).

A. Dimensões Teóricas

O DSR define o sentimento não como uma única polaridade, mas como três eixos bipolares independentes (variando de -1 a +1):

1. Oposto–Defendido: Se o autor deseja impedir ou defender um alvo.
2. Prejudicial–Útil: Se o autor considera o alvo uma fonte de dano ou ajuda para outros.
3. Vitimizado–Auxiliado: Se o autor vê o alvo como sendo prejudicado ou ajudado por outros.

Essas dimensões permitem representações matizadas, como um alvo ser simultaneamente "Oposto" e "Prejudicial" (justificando agressão) ou "Defendido" e "Vitimizado" (expressando empatia).

B. Construção do Conjunto de Dados

• Fontes de Dados: Os autores coletaram 1.838 textos de oito fontes diversas de Informações Publicamente Acessíveis (PAI), incluindo Reddit, comentários do New York Times, Gab e corpora específicos sobre discurso de ódio, a "Manosfera" e eventos políticos (por exemplo, #MeToo, eleições francesas).
• Anotação: Anotadores humanos identificaram segmentos (sequências contíguas de palavras representando personagens ou tópicos) e os pontuaram nos três eixos do DSR usando uma interface de controle deslizante (-1,0 a 1,0).
• Escala: O conjunto de dados final contém 13.893 segmentos com 26.779 pontuações de intensidade médias. A concordância entre anotadores (α de Krippendorff) foi alta (0,71–0,91).

C. Arquitetura do Modelo

O sistema DSR emprega um pipeline baseado em transformadores em duas etapas:

1. Reconhecimento de Segmentos (Classificação de Tokens):
   • Utiliza um Transformer ajustado (por exemplo, DeBERTa-v3) para identificar e classificar segmentos como Personagens (pessoas/grupos) ou Tópicos (eventos/conceitos).
   • Saída: Uma lista de segmentos detectados com seus tipos.
2. Pontuação de Regard (Intensidade ao Nível do Segmento):
   • Recebe os segmentos identificados e o contexto completo do texto.
   • Utiliza um codificador Transformer (DeBERTa-v3) para gerar incorporações contextuais.
   • Aplica um Agrupador de Contexto para normalizar os vetores de segmentos.
   • Passa os vetores por camadas lineares para prever três pontuações de regressão contínuas (-1 a 1) para cada segmento: Oposto–Defendido, Prejudicial–Útil e Vitimizado–Auxiliado.
   • Nota: O modelo é treinado usando a função de perda de Erro Quadrático Médio (MSE).

3. Principais Contribuições

• Estrutura Inovadora: Introdução do DSR, que vai além do sentimento categórico para um regard social contínuo, multidimensional e específico ao alvo.
• Novo Conjunto de Dados: Criação de um conjunto de dados anotado em grande escala e de alta qualidade para treinar e avaliar sentimentos sociais multidimensionais ao nível de segmentos.
• Integração Teórica: Operacionalização bem-sucedida de teorias das ciências sociais (Desengajamento Moral de Bandura, Polidez de Brown & Levinson) em tarefas de PLN.
• Descoberta de Alvos Zero-Shot: Ao contrário da Detecção de Posicionamento, o DSR não requer alvos pré-especificados; ele descobre automaticamente segmentos salientes no texto.

4. Resultados Experimentais

A. Desempenho de Reconhecimento de Segmentos

• O modelo de melhor desempenho (DeBERTa-v3-large-mnli) alcançou uma pontuação F1 de 0,96 para segmentos de personagens e 0,74 para segmentos de tópicos sob critérios de correspondência estrita.
• Métricas ao nível de token foram mais altas (F1 ~0,92), indicando que o modelo identifica efetivamente os limites dos alvos de sentimento.

B. Desempenho de Pontuação de Regard

• O modelo de pontuação demonstrou forte correlação com anotações humanas.
• Oposto–Defendido: $R^2 = 0,85$, RMSE = 0,20.
• Vitimizado–Auxiliado: $R^2 = 0,67$, RMSE = 0,10.
• Prejudicial–Útil: $R^2 = 0,57$, RMSE = 0,12.
• Comparação: Os modelos especializados DeBERTa superaram significativamente os grandes modelos de linguagem (LLMs) como Llama 3.2 (ajustado via LoRA) e GPT-4o (few-shot), sugerindo que modelos de regressão construídos para este fim são mais eficazes para esta tarefa específica de previsão numérica do que LLMs generativos.

C. Estudos de Aplicação (Validação em Conjuntos de Dados Externos)

Os autores aplicaram o modelo DSR treinado em seis conjuntos de dados externos para validar sua utilidade:

1. Benchmarks de Ponte: As pontuações do DSR correlacionaram-se fortemente com rótulos ao nível de documento. Alta "Indignação Moral" correlacionou-se com alta oposição a alvos de 2ª/3ª pessoa, enquanto "Respeito" correlacionou-se com defesa.
2. Corpus do Twitter de Fundamentos Morais (MFTC): Os atributos do DSR alinharam-se com a teoria dos Fundamentos Morais. "Virtudes" (por exemplo, Cuidado) correlacionaram-se com pontuações "Útil/Auxiliado", enquanto "Vícios" (por exemplo, Dano) correlacionaram-se com pontuações "Prejudicial/Oposto".
3. Comparação de Corpora:
   • Manosfera vs. Discurso de Ódio: O corpus da Manosfera mostrou alta "Defesa por Você" e "Vítima|Eu/Nós" (vitimização própria), enquanto o corpus de Discurso de Ódio mostrou alta "Defesa de Dano".
   • MeToo: Mostrou alta "Vítima|Feminino" e "Prejudicial|Masculino", alinhando-se com os temas do movimento.
   • ALM vs. Baltimore: Distinguiu visões opostas sobre aplicação da lei; "All Lives Matter" mostrou defesa da polícia, enquanto os protestos de "Baltimore" mostraram oposição.
4. Análise Pares: O modelo extraiu com sucesso micro-narrativas (por exemplo, "Eles prejudicam Nós") visualizando pares de dano/ajuda co-ocorrentes, revelando padrões estruturais no discurso da comunidade.

5. Significado e Implicações

• Granularidade: O DSR fornece uma visão granular do discurso online, revelando como sentimentos pró-sociais e anti-sociais coexistem dentro de mensagens únicas dirigidas a diferentes alvos.
• Utilidade para Ciências Sociais: Oferece uma ferramenta quantitativa para pesquisadores estudarem o desengajamento moral, a formação de identidade grupal e os mecanismos de radicalização online sem depender de palavras-chave pré-definidas.
• Segurança de Plataformas: A estrutura pode ajudar plataformas a identificar conteúdo complexo e prejudicial (por exemplo, defendendo dano contra um grupo específico) que poderia ser perdido por filtros simples de sentimento negativo.
• Direções Futuras: Os autores sugerem usar o DSR para monitoramento em tempo real de operações de influência, compreender mudanças culturais no enquadramento moral e melhorar a explicabilidade da moderação de conteúdo impulsionada por IA.

Em conclusão, o artigo apresenta uma estrutura robusta e teoricamente fundamentada de PLN que avança significativamente o estado da arte na análise de sentimentos, capturando a direção, a intensidade e a multidimensionalidade do regard social na mídia online.