A popularização da Internet permitiu que grande parcela da população pudesse expressar suas opiniões na forma de fóruns, blogs, avaliações de produtos, entre outros. Assim, deixou de ser necessário que empresas conduzam enquetes ou pesquisas para que possam saber a opinião dos consumidores sobre seus produtos ou de concorrentes. O volume de textos opinativos disponíveis é tal, que a tarefa de ler, sumarizar e organizar de forma útil essas informações é desafiadora. O campo da análise de sentimento, no processamento de linguagem natural, trata justamente dessa necessidade, da automatização da descoberta e da sumarização de opiniões. Considerando este tema, avalie as afirmativas a seguir. I. A análise de sentimentos pode ser tratada como um problema de classificação de textos, onde é importante definir se o texto é objetivo ou subjetivo. Textos subjetivos são os de principal interesse nesse campo de pesquisa. II. A análise de sentimentos pode ser usada para a identificação de avaliações falsas em sites de e-commerce. Uma limitação para essa aplicação é a dificuldade de obtenção de dados para treinamento de modelos, uma vez que a marcação manual de avaliações com opiniões falsas ou enganosas é muitas vezes difícil. III. Um exemplo de algoritmo supervisionado de análise de sentimentos para avaliações de produtos pode ser resumido nos seguintes passos: extração de frases com padrões predeterminados de opinião; cálculo de um indicador de orientação de cada frase; obtenção da orientação média da avaliação como um todo; e determinação se é positiva ou negativa. Está correto o que se afirma em
- A)I, apenas.
A alternativa afirma que apenas a afirmativa I descreve corretamente a análise de sentimentos, ou seja, que ela pode ser formulada como classificação entre texto objetivo e subjetivo, sendo os textos subjetivos os de maior interesse. Essa parte está correta, mas ela ignora que a afirmativa II também está adequada, pois a área pode ajudar a detectar avaliações falsas em e-commerce e enfrenta a dificuldade prática de obter exemplos rotulados para treino. O problema, portanto, é a exclusão da afirmativa II, que também procede no mérito.
- B)I e II, apenas.
A alternativa reúne as afirmativas I e II, que de fato estão corretas. A I está certa porque a análise de sentimentos pode começar pela identificação de subjetividade, já que textos subjetivos são os que carregam opinião e polaridade. A II também está certa porque a técnica pode ser usada para detectar avaliações enganosas, e isso esbarra na dificuldade de rotular manualmente exemplos de fraude para treinar modelos.
- C)I e III, apenas.
A alternativa sustenta que as afirmativas I e III estariam corretas. A I realmente procede, mas a III descreve um procedimento por regras e léxico, com extração de padrões e média da orientação das frases, e não um algoritmo supervisionado treinado com dados rotulados. Além disso, a afirmativa II também é verdadeira, de modo que a opção erra tanto pela inclusão da III quanto pela exclusão da II.
- D)II e III, apenas.
A alternativa apresenta como corretas as afirmativas II e III. A II está adequada, pois a análise de sentimentos pode apoiar a identificação de resenhas falsas e há dificuldade de gerar rótulos confiáveis para treinamento. Já a III falha ao chamar de supervisionado um fluxo baseado em padrões predeterminados e cálculo de polaridade, que é típico de métodos baseados em léxico ou regras, e ainda deixa de fora a afirmativa I, que também é verdadeira.
- E)I, II e III.
A alternativa afirma que as três afirmativas estão corretas. As afirmativas I e II realmente estão de acordo com a teoria: a primeira trata da distinção entre objetividade e subjetividade, e a segunda aborda o uso da análise de sentimentos na detecção de avaliações falsas. O erro está na III, porque ela descreve um método de extração e agregação de polaridade sem aprendizado supervisionado a partir de exemplos rotulados, o que descaracteriza essa classificação.
Gabarito: B
A análise de sentimentos é uma área do processamento de linguagem natural que tenta identificar a opinião expressa em um texto, como positividade, negatividade ou neutralidade. Na prática, ela costuma começar separando textos objetivos de textos subjetivos, porque o que interessa mesmo são as manifestações de opinião, e não apenas fatos soltos. É aquele caso clássico: "o celular tem 128 GB" informa, mas "o celular é ótimo" opina. A afirmativa I está correta porque a distinção entre objetivo e subjetivo é realmente central nesse tipo de tarefa. Em muitos cenários, primeiro se filtra o que é opinião e depois se tenta medir o sentimento expresso. Isso é bem comum em abordagens de mineração de opinião e análise de reviews. A afirmativa II também está correta. A análise de sentimentos pode ajudar a detectar avaliações falsas ou enganosas em sites de comércio eletrônico, e uma limitação importante é justamente conseguir dados rotulados de forma confiável para treinar os modelos. Afinal, identificar manualmente se uma avaliação é falsa nem sempre é simples, o que dificulta a construção de bases de treinamento. Já a afirmativa III está errada por generalizar um procedimento que não representa bem um algoritmo supervisionado. O passo descrito se parece mais com uma heurística baseada em padrões e agregação de polaridade de frases do que com um modelo supervisionado clássico, que normalmente aprende a partir de exemplos rotulados. Por isso, o gabarito é B: I e II, apenas.