Resumo Técnico: Desvendando o Enquadramento Temporal nas Notícias

Declaração do Problema

Embora o Processamento de Linguagem Natural (PLN) tenha feito progressos significativos na extração de expressões temporais e no raciocínio temporal, esses esforços tratam predominantemente o tempo como uma propriedade objetiva e descritiva de eventos (por exemplo, prevendo o tempo verbal ou ordenando eventos cronologicamente). Os sistemas atuais negligenciam amplamente as funções retóricas e persuasivas da linguagem temporal. No discurso jornalístico, as referências ao passado, presente e futuro frequentemente servem como dispositivos de enquadramento que moldam a interpretação, legitimam a autoridade e influenciam a tomada de decisão, em vez de apenas relatar a cronologia. Essa lacuna limita a capacidade dos sistemas computacionais de analisar estruturas retóricas persuasivas ao longo da dimensão temporal, particularmente em domínios como a comunicação política, onde as justificativas temporais são altamente influentes.

Metodologia

1. Construção da Taxonomia

Os autores propõem uma taxonomia de oito quadros temporais fundamentada em pesquisas de ciências sociais (psicologia, comunicação e ciência política). Esses quadros são definidos não apenas por expressões temporais superficiais, mas por sua função retórica na estruturação do significado:

• Primazia (Primacy): Significado atribuído ao fato de ser o primeiro no tempo.
• Recência (Recency): Significado atribuído aos eventos mais recentes.
• Urgência (Urgency): Ênfase no tempo limitado ou consequências iminentes.
• Ancoragem Temporal (Temporal Anchoring): Enquadrar a discussão através da lente de eventos passados.
• Nostalgia (Nostalgia): Invocação de um passado querido.
• Contraste Temporal (Temporal Contrast): Justaposição de "então" versus "agora".
• Continuidade (Continuity): Persistência ao longo do tempo (estabilidade, estagnação ou ímpeto).
• Cético (Skeptical): Semear dúvidas sobre o futuro.

A tarefa é formalizada como um problema de classificação multirrótulo ao nível da sentença: dado um documento $D$ e uma sentença $s_i$, o objetivo é prever o conjunto de quadros temporais $P(F)$ expressos em $s_i$.

2. Criação do Corpus

Os autores construíram um corpus de notícias multilíngue composto por 458 artigos em inglês e alemão provenientes de um conjunto diversificado de veículos (ex: The Guardian, Fox News, Die Welt, Bild).

• Seleção: Os artigos foram recuperados do GDELT (setembro de 2024–setembro de 2025). Para aumentar a densidade de conteúdo opinativo, os autores utilizaram marcação assistida por LLM (GPT-4o) para identificar artigos de opinião, resultando em um conjunto de dados final onde ~70% dos documentos eram opinativos.
• Anotação: Uma equipe de anotadores humanos (3 ingleses, 4 alemães) realizou a anotação ao nível da sentença utilizando a plataforma INCEpTION.
• Diretrizes: Os anotadores foram instruídos a distinguir entre relato cronológico factual (neutro) e enquadramento temporal opinativo (persuasivo). Crucialmente, eles foram orientados a ignorar falas citadas ou indiretas, focando apenas na voz autoral.
• Escala: O conjunto de dados contém mais de 2.000 sentenças com enquadramento temporal e aproximadamente 3.000 anotações derivadas de um corpus de mais de 20.000 sentenças.
• Qualidade: O acordo entre anotadores (alfa de Krippendorff) atingiu 0,605 (inglês) e 0,720 (alemão) para detecção binária, com concordância moderada em quadros específicos, consistente com tarefas de enquadramento de granularidade fina anteriores.

3. Configuração Experimental

O estudo avalia a detecção de enquadramento temporal usando duas estratégias principais:

• Classificação Zero-Shot: Utilizando grandes modelos de linguagem (LLMs), incluindo GPT-5.2, variantes LLaMA-3 (8B, 70B) e variantes Qwen3 (8B a 235B) sem treinamento específico para a tarefa.
• Ajuste Fino Supervisionado (Supervised Fine-Tuning): Ajuste fino de modelos baseados em encoder (XLM-RoBERTa) e modelos de decodificador (LLMs) (Qwen3-8B, LLaMA-3.1-8B) no corpus anotado.
• Estratégia de Entrada: Os experimentos utilizaram uma entrada de apenas a sentença, pois descobriu-se que adicionar contexto vizinho ou contexto de documento completo tornava os modelos mais conservadores e não melhorava o desempenho.

Principais Resultados

1. Aprendizabilidade do Enquadramento Temporal

Os experimentos demonstram que o enquadramento temporal é aprendível ao nível da sentença, mas não é capturado de forma confiável apenas pela escala do modelo em configurações zero-shot.

• Desempenho Zero-Shot: Modelos zero-shot exibiram alta revocação (recall), mas baixa precisão, indicando uma tendência de superprever os quadros. O desempenho melhorou com o tamanho do modelo (ex: Qwen3-235B superou o Qwen3-8B), mas os ganhos foram modestos e saturaram rapidamente. O GPT-5.2 alcançou o melhor F1 binário zero-shot de 0,45.
• Desempenho Supervisionado: O ajuste fino supervisionado proporcionou melhorias substanciais.
  • O XLM-RoBERTa (270 milhões de parâmetros) alcançou um F1 binário de 0,51 e um Micro-F1 de 0,37, superando todas as linhas de base zero-shot, apesar de seu tamanho menor.
  • LLMs com ajuste fino alcançaram os resultados mais fortes. O Qwen3-8B atingiu um F1 binário de 0,57 e um Micro-F1 de 0,44 (uma melhoria relativa de 27% sobre o melhor resultado zero-shot). O LLaMA-3.1-8B mostrou uma melhoria relativa de 125% em relação ao seu correspondente zero-shot.

2. Análise de Quadros Específicos e Translinguística

• Variabilidade de Quadros: Quadros como Continuidade, Contraste Temporal e Urgência foram detectados de forma mais confiável devido à sua prevalência e pistas lexicais recorrentes. Quadros raros, particularmente Nostalgia, permaneceram difíceis de detectar devido à esparsidade dos dados e à dependência de linguagem avaliativa implícita em vez de marcadores temporais explícitos.
• Diferenças de Idioma: O desempenho foi geralmente superior nos dados em inglês do que nos dados em alemão. Os autores atribuem isso ao fato de o subconjunto alemão conter menos sentenças enquadradas e menos instâncias positivas por quadro, e não a uma falha de generalização translinguística.

Significância e Contribuições

O artigo apresenta quatro contribuições principais:

1. Conceitualização: Ele apresenta o enquadramento temporal como uma tarefa distinta de múltiplos rótulos ao nível da sentença, que captura o uso retórico do tempo além das expressões superficiais.
2. Taxonomia: Introduz uma taxonomia de oito quadros fundamentada na teoria das ciências sociais, unindo a lacuna entre a linguística computacional e a análise retórica.
3. Recurso: Libera um conjunto de dados de notícias multilíngue anotado ao nível da sentença (inglês e alemão) para apoiar pesquisas futuras sobre enquadramento temporal.
4. Linhas de Base Empíricas: Fornece linhas de base computacionais demonstrando que, embora os grandes modelos de linguagem possuam conhecimento implícito do tempo, a supervisão específica da tarefa é necessária para aprender efetivamente os padrões sistemáticos, porém sutis, do enquadramento temporal.

Os autores concluem que o enquadramento temporal ocupa um espaço distinto entre a expressão temporal superficial e a estrutura narrativa de alto nível. Embora os modelos possam aprender a detectar esses padrões com sinais de treinamento apropriados, a tarefa exige a interpretação de pistas retóricas implícitas que se estendem além dos marcadores temporais explícitos, destacando a necessidade de representações de discurso mais ricas em trabalhos futuros.