Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models

A mente humana é um fluxo constante de comentários, uma narração contínua de crenças, preocupações e esperanças que molda como experienciamos o mundo. Psicólogos há muito entendem que a maneira como as pessoas falam consigo mesmas importa; quando esse diálogo interno se torna severo ou distorcido, pode prender os indivíduos em ciclos de ansiedade e depressão. Por décadas, identificar esses padrões de pensamento prejudiciais exigia um profissional treinado para ouvir cuidadosamente e interpretar as nuances da linguagem de um paciente. Hoje, à medida que as pessoas compartilham suas vidas interiores de forma mais aberta nas redes sociais, uma nova questão surgiu: será que os computadores podem aprender a ler esses pensamentos digitais com o mesmo cuidado? Este campo, conhecido como saúde mental computacional, busca usar as ferramentas da análise de linguagem para detectar padrões em textos que sinalizam sofrimento emocional. O desafio reside em distinguir entre um humor ruim passageiro e uma forma de pensar negativa e profunda, uma tarefa que requer não apenas contar palavras, mas compreender o peso do que está sendo dito.

Uma equipe de pesquisadores da Universidade Islâmica de Tecnologia deu um passo significativo para responder a essa questão ao construir um sistema para classificar o tom emocional dos pensamentos expressos online. Eles não pediram simplesmente que um computador adivinhasse se uma frase era feliz ou triste; em vez disso, focaram especificamente na linguagem "relacionada ao pensamento" — afirmações que revelam como uma pessoa interpreta sua realidade. Para fazer isso, reuniram uma coleção massiva de 156.785 postagens de plataformas de redes sociais como Reddit, Twitter e Facebook. Eles precisavam de uma maneira de separar esses milhões de palavras em duas categorias: positivas e negativas. Primeiro, utilizaram um programa de computador especializado, projetado para entender a gíria e o tom informal das redes sociais, para atribuir um rótulo inicial a cada postagem. Para garantir que esses rótulos fossem confiáveis, trouxeram dois psicólogos licenciados. Esses especialistas revisaram uma amostra aleatória de 500 postagens, classificando-as em uma escala para ver se o palpite inicial do computador correspondia ao julgamento humano. Os especialistas concordaram com a classificação do computador na grande maioria das vezes, confirmando que o conjunto de dados era confiável o suficiente para treinar uma máquina a reconhecer a diferença entre o pensamento construtivo e o destrutivo.

Com um conjunto de dados limpo e verificado em mãos, os pesquisadores colocaram uma ampla variedade de modelos de computador à prova para ver qual deles poderia realizar melhor essa classificação. Eles começaram com métodos tradicionais, que são como calculadoras simples e eficientes que buscam palavras específicas e suas frequências. Eles também testaram modelos "transformer" avançados, que são sistemas mais complexos capazes de entender o contexto e a relação entre as palavras em uma frase, de forma semelhante a como um leitor humano compreende o significado completo de uma história, em vez de apenas o vocabulário individual. Finalmente, tentaram um modelo de linguagem de grande escala, um tipo poderoso de inteligência artificial projetado para gerar texto semelhante ao humano, pedindo-lhe que classificasse os pensamentos usando instruções específicas. Os resultados foram surpreendentes para aqueles que assumem que modelos maiores e mais complexos são sempre melhores. Os modelos tradicionais, mais simples, superaram os sofisticados. Um tipo específico de algoritmo simples, conhecido como regressão logística, alcançou a maior precisão, identificando corretamente o sentimento dos pensamentos quase 93 por cento das vezes. Os modelos transformer mais complexos, embora ainda muito bons, pontuaram ligeiramente abaixo, em torno de 84 por cento de precisão. O modelo de linguagem de grande escala, apesar de sua reputação de inteligência, teve o desempenho mais fraco neste caso específico, acertando cerca de 80 por cento das vezes.

Os pesquisadores descobriram que, para as frases curtas e diretas típicas das redes sociais, os modelos mais simples eram, na verdade, mais eficazes. Esses modelos tiveram sucesso porque os pensamentos negativos e positivos no conjunto de dados frequentemente continham palavras claras e explícitas que sinalizavam seu tom, tornando desnecessário que o computador realizasse um raciocínio profundo e complexo para compreendê-los. Os modelos mais avançados, que são projetados para lidar com narrativas longas e sutis, não tiveram vantagem aqui e às vezes tiveram dificuldades com a tarefa específica de classificação binária. O estudo também revelou que o sistema foi notavelmente consistente; quando os pesquisadores testaram os modelos em diferentes partes dos dados, os resultados permaneceram estáveis, mostrando que o sistema não estava apenas memorizando respostas, mas genuinamente aprendendo os padrões de pensamento.

Crucialmente, os autores enfatizam que este sistema é uma ferramenta para pesquisa, não um dispositivo de diagnóstico para indivíduos. O computador é treinado para reconhecer o tom emocional de uma frase, não para diagnosticar uma condição de saúde mental ou determinar se uma pessoa está sofrendo de um transtorno específico. Um pensamento negativo postado online pode refletir uma frustração temporária em vez de uma questão clínica, e o sistema é projetado para refletir essa realidade linguística, não para substituir o julgamento de um médico. O trabalho serve como uma base para pesquisas futuras, oferecendo um conjunto de dados amplo e verificado, além de uma demonstração clara de que ferramentas leves e eficientes podem ser altamente eficazes para analisar o cenário emocional do pensamento humano em escala. Ao provar que métodos simples e transparentes podem superar métodos complexos neste contexto específico, o estudo sugere que o caminho a seguir para compreender a saúde mental através da linguagem pode residir na clareza e na precisão, em vez de apenas no poder computacional bruto.