Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil
A ausência de dados de qualidade em idiomas com baixa disponibilidade de recursos, como o Português brasileiro, é um desafio significativo para a moderação automatizada de conteúdo online. Nos últimos anos, a proliferação de interações sociais online e o crescimento de conteúdo gerado por usuários...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | Catalan |
| Published: |
Universidade do Minho & Universidade de Vigo
2024-12-01
|
| Series: | Linguamática |
| Subjects: | |
| Online Access: | https://linguamatica.com/index.php/linguamatica/article/view/459 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832586368727908352 |
|---|---|
| author | Luiz Henrique Quevedo Lima Luiz Ana Clara Souza Pagano Ana Clara Adriana Silvina Pagano Adriana Ana Paula Couto da Silva Ana |
| author_facet | Luiz Henrique Quevedo Lima Luiz Ana Clara Souza Pagano Ana Clara Adriana Silvina Pagano Adriana Ana Paula Couto da Silva Ana |
| author_sort | Luiz Henrique Quevedo Lima Luiz |
| collection | DOAJ |
| description |
A ausência de dados de qualidade em idiomas com baixa disponibilidade de recursos, como o Português brasileiro, é um desafio significativo para a moderação automatizada de conteúdo online. Nos últimos anos, a proliferação de interações sociais online e o crescimento de conteúdo gerado por usuários trouxeram à tona a questão crescente da linguagem tóxica. Embora modelos automáticos de aprendizado de máquina tenham sido eficazes na moderação do vasto volume de dados nas redes sociais, ferramentas eficientes para esses idiomas ainda são escassas. Neste trabalho, tratamos essa lacuna criando um conjunto de dados de alta qualidade, coletado de algumas das comunidades brasileiras mais populares da plataforma Reddit. Para isso, rotulamos manualmente um conjunto de 2.500 comentários extraídos das comunidades com maior engajamento e número de inscritos. Realizamos uma análise exploratória para encontrar achados valiosos sobre a linguagem de conteúdo tóxico e não-tóxico. Nossos resultados mostram um nível moderado de concordância entre os anotadores, validando a relevância desse conjunto de dados para diversas tarefas de aprendizado de máquina. Esta pesquisa busca contribuir para a criação de um ambiente online mais seguro para os usuários que participam de discussões virtuais, além de abrir caminho para o desenvolvimento de ferramentas de moderação automática mais eficazes baseadas em aprendizado de máquina.
|
| format | Article |
| id | doaj-art-c550695f23a74ba8a5af195746e56f1a |
| institution | Kabale University |
| issn | 1647-0818 |
| language | Catalan |
| publishDate | 2024-12-01 |
| publisher | Universidade do Minho & Universidade de Vigo |
| record_format | Article |
| series | Linguamática |
| spelling | doaj-art-c550695f23a74ba8a5af195746e56f1a2025-01-25T22:45:46ZcatUniversidade do Minho & Universidade de VigoLinguamática1647-08182024-12-0116210.21814/lm.16.2.459Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no BrasilLuiz Henrique Quevedo Lima Luiz0Ana Clara Souza Pagano Ana Clara1Adriana Silvina Pagano Adriana2Ana Paula Couto da Silva Ana3Universidade Federal de Minas GeraisUniversidade Federal de Minas Gerais (UFMG)Universidade Federal de Minas Gerais (UFMG)Universidade Federal de Minas Gerais (UFMG) A ausência de dados de qualidade em idiomas com baixa disponibilidade de recursos, como o Português brasileiro, é um desafio significativo para a moderação automatizada de conteúdo online. Nos últimos anos, a proliferação de interações sociais online e o crescimento de conteúdo gerado por usuários trouxeram à tona a questão crescente da linguagem tóxica. Embora modelos automáticos de aprendizado de máquina tenham sido eficazes na moderação do vasto volume de dados nas redes sociais, ferramentas eficientes para esses idiomas ainda são escassas. Neste trabalho, tratamos essa lacuna criando um conjunto de dados de alta qualidade, coletado de algumas das comunidades brasileiras mais populares da plataforma Reddit. Para isso, rotulamos manualmente um conjunto de 2.500 comentários extraídos das comunidades com maior engajamento e número de inscritos. Realizamos uma análise exploratória para encontrar achados valiosos sobre a linguagem de conteúdo tóxico e não-tóxico. Nossos resultados mostram um nível moderado de concordância entre os anotadores, validando a relevância desse conjunto de dados para diversas tarefas de aprendizado de máquina. Esta pesquisa busca contribuir para a criação de um ambiente online mais seguro para os usuários que participam de discussões virtuais, além de abrir caminho para o desenvolvimento de ferramentas de moderação automática mais eficazes baseadas em aprendizado de máquina. https://linguamatica.com/index.php/linguamatica/article/view/459toxicidadeportuguêsconjunto de dados |
| spellingShingle | Luiz Henrique Quevedo Lima Luiz Ana Clara Souza Pagano Ana Clara Adriana Silvina Pagano Adriana Ana Paula Couto da Silva Ana Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil Linguamática toxicidade português conjunto de dados |
| title | Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil |
| title_full | Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil |
| title_fullStr | Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil |
| title_full_unstemmed | Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil |
| title_short | Rotulação e Caracterização de Conteúdo Tóxico de Comunidades do Reddit no Brasil |
| title_sort | rotulacao e caracterizacao de conteudo toxico de comunidades do reddit no brasil |
| topic | toxicidade português conjunto de dados |
| url | https://linguamatica.com/index.php/linguamatica/article/view/459 |
| work_keys_str_mv | AT luizhenriquequevedolimaluiz rotulacaoecaracterizacaodeconteudotoxicodecomunidadesdoredditnobrasil AT anaclarasouzapaganoanaclara rotulacaoecaracterizacaodeconteudotoxicodecomunidadesdoredditnobrasil AT adrianasilvinapaganoadriana rotulacaoecaracterizacaodeconteudotoxicodecomunidadesdoredditnobrasil AT anapaulacoutodasilvaana rotulacaoecaracterizacaodeconteudotoxicodecomunidadesdoredditnobrasil |