The Classics at SemEval-2026 Task 3: Combining Transformer Models and LLM-Generated Annotations for Dimensional Aspect-Based Sentiment Analysis

Imagine que você está tentando entender como as pessoas se sentem em relação a um produto, como um notebook ou uma refeição em um restaurante. Programas de computador tradicionais são como um semáforo: eles só veem três cores — Vermelho (Negativo), Amarelo (Neutro) ou Verde (Positivo). Mas os sentimentos humanos raramente são tão simples. Às vezes, uma avaliação é "majoritariamente feliz, mas um pouco frustrada" ou "uma raiva muito intensa".

Este artigo descreve a tentativa de uma equipe de construir um sistema mais inteligente para o SemEval-2026, uma grande competição para pesquisadores de IA. O objetivo deles era ir além do sistema simples de "semáforo" e medir sentimentos em uma escala contínua, como um interruptor de intensidade (dimmer) para luz ou um botão de volume para o som. Eles focaram em dois "botões" específicos:

1. Valência: O quão positivo ou negativo é o sentimento (o "humor").
2. Arousal (Ativação): O quão intenso ou calmo é o sentimento (a "energia").

Aqui está como eles enfrentaram os dois principais desafios da competição, usando algumas analogias criativas:

Desafio 1: O "Termostato" (Subtarefa 1)

O Objetivo: Você fornece ao computador uma parte específica de uma frase (como "vida útil da bateria") e pergunta: "Como o escritor se sente em relação a isso e com que força?". O computador precisa fornecer dois números (ex: 8,5 para felicidade, 7,2 para intensidade).

A Estratégia da Equipe:

• O Ensemble (O Júri): Em vez de depender de apenas um modelo de IA, eles construíram um "júri" de vários modelos de IA diferentes (chamados de Transformers). Eles deixaram cada modelo votar nos números, mas não trataram todos os votos da mesma forma. Eles deram mais peso aos modelos que praticaram mais e tiveram melhor desempenho. Isso é como pedir o diagnóstico de um painel de especialistas em vez de apenas um médico; reduz a chance de um palpite descabido.
• O "Tradutor" Russo (Aumento por LLM): Para a língua russa, a equipe descobriu que os modelos padrão ficavam um pouco confusos com as nuances sutis. Para ajudá-los, usaram uma IA muito inteligente (um Grande Modelo de Linguagem, ou LLM) para agir como um "tradutor" ou "treinador". Antes dos modelos principais tentarem adivinhar os números, essa IA inteligente escrevia uma frase curta e descritiva explicando por que o escritor se sentia daquela forma (ex: "O escritor está muito satisfeito, mas ligeiramente ansioso"). Eles alimentaram os modelos principais com essa descrição como contexto adicional. É como dar uma dica a um aluno antes de uma prova; a dica ajudou os modelos a entenderem melhor a "vibe", levando a previsões numéricas mais precisas.

Desafio 2: O "Detetive" (Subtarefa 3)

O Objetivo: Este era mais difícil. O computador tinha que ler uma avaliação inteira e encontrar tudo: Qual é o tópico? Qual é a categoria? Qual é a frase de opinião específica? E quais são os dois números (humor e intensidade) para ela? É como um detetive que precisa encontrar o suspeito, a arma, o motivo e o horário exato do crime, tudo de uma vez.

A Estratégia da Equipe:

• A "Loja de Tudo em Um" (Framework Generativo): Normalmente, as pessoas tentam resolver isso construindo um pipeline: Passo 1 encontra o tópico, Passo 2 encontra a opinião, Passo 3 adivinha os números. A equipe percebeu que isso era como passar uma mensagem em um jogo de "Telefone Sem Fio" — os erros se acumulam e a mensagem final fica distorcida.
• Em vez disso, eles usaram uma única e poderosa IA (um LLM de Decodificação) treinada para fazer tudo de uma vez. Eles ensinaram a IA a olhar para o texto e imediatamente "escrever" a resposta completa em um formato estruturado.
• A Surpresa: A equipe inicialmente pensou que essas IAs de "loja de tudo em um" eram boas demais para escrever histórias e ruins para fazer matemática. Eles esperavam que a abordagem do "Júri" (do Desafio 1) fosse melhor para adivinhar os números. No entanto, descobriram que a IA "Detetive" era, na verdade, melhor nesta tarefa. Ela aprendeu a conectar as palavras diretamente aos sentimentos sem precisar de um passo matemático separado. Descobriu-se que a IA conseguia "sentir" a intensidade das palavras apenas compreendendo a história.

Os Resultados

• Para o "Termostato" (Subtarefa 1): A abordagem do "Júri" funcionou muito bem, superando os sistemas de referência (baseline) fornecidos pelos organizadores da competição. O truque do "Tradutor Russo" ajudou especificamente a obter pontuações melhores na trilha da língua russa.
• Para o "Detetive" (Subtarefa 3): A IA detetive de etapa única deles teve um desempenho surpreendentemente bom, ficando em 7º lugar entre 18 equipes. O experimento provou que o medo inicial da equipe — de que as IAs não conseguissem fazer a parte matemática do trabalho — estava errado. A IA podia lidar com o raciocínio complexo e o cálculo numérico simultaneamente.

A Conclusão

O artigo mostra que, para entender profundamente as emoções humanas, precisamos parar de tratar os sentimentos como categorias simples (Bom/Ruim) e começar a medi-los como experiências contínuas (Quão bom? Quão intenso?).

A equipe descobriu que:

1. Trabalho em equipe funciona: Combinar diferentes modelos de IA ajuda a acertar os números.
2. O contexto é rei: Para línguas mais difíceis como o russo, ter uma IA que explique o sentimento em palavras antes de adivinhar os números ajuda muito.
3. Tudo-em-um é poderoso: Para tarefas complexas onde é necessário encontrar detalhes e adivinhar números ao mesmo tempo, uma única IA inteligente que faz tudo em um único passo é frequentemente melhor do que uma cadeia de ferramentas menores.

Os autores admitem que seu sistema tem limites (funciona melhor em modelos menores e conjuntos de dados específicos), mas acreditam que essa abordagem de usar IAs inteligentes para gerar contexto descritivo e lidar com raciocínio complexo é um caminho promissor para o futuro da compreensão dos sentimentos humanos.