Aplicação de Técnicas de Análise de Sentimento para Classificação de Postagens em Ambientes Virtuais de Aprendizagem

• Mário Silva Ribeiro UFC
• Emanuel Ferreira Coutinho UFC

DOI: https://doi.org/10.5753/ctrle.2020.11407

Resumo

Professores e tutores em um Ambiente Virtual de Aprendizagem (AVA) têm que lidar com grandes quantidades de mídia textual, o que é trabalhoso e demanda tempo. Nesse cenário, a utilização de ferramentas computacionais que os auxiliem na tarefa de analisar textos é muito atrativa. Este trabalho propõe-se a aplicar a técnica de Análise de Sentimento em textos de fóruns de um AVA para auxiliar um tutor. A ideia é que se possa identificar a tendência geral de uma turma em relação ao tema em discussão, sem a necessidade de ler todos os textos, que podem ser volumosos. Um estudo foi realizado em fóruns do AVA SOLAR. Em geral, os resultados foram satisfatórios, atingindo em geral 79% de acerto nas classificações.

Palavras-chave: Análise de sentimentos, Ambientes Virtuais de Aprendizagem, Aplicação

Referências

Caetano, J. A., Lima, H. S., dos Santos, M. F., e Marquesneto, H. T. (2017). Utilizando análise de sentimentos para definição da homofilia política dos usuários do twitter durante a eleição presidencial americana de 2016. In XXXVII Congresso da Sociedade Brasileira de Computação (CSBC).

Christie, W., Reis, J. C. S., Benevunuto, F., Moro, M. M., e Almeida, V. (2018). Detecção de posicionamento em tweets sobre política no contexto brasileiro. In Brazilian Workshop on Social Network Analysis and Mining (BraSNAM-CSBC).

Coutinho, E. F., Santos, I., e Bezerra, C. I. M. (2017). A software ecosystem for a virtual learning environment: Solar seco. In 2017 IEEE/ACM Joint 5th International Workshop on Software Engineering for Systems-of-Systems and 11th Workshop on Dis-tributed Software Development, Software Ecosystems and Systems-of-Systems (JSOS).

Dosciatti, M. M., Ferreira, L. P. C., e Paraiso, E. C. (2013). Identificando emoções emtextos em português do brasil usando máquina de vetores de suporte em solução multiclasse. In X Encontro Nacional de Inteligência Artificial e Computacional (ENIAC).

Esuli, A. e Sebastiani, F. (2006). Determining term subjectivity and term orientation for opinion mining. In 11th Conference of the European Chapter of the Associationfor Computational Linguistics.

Kansaon, D. P., Brandao, M. A., e de Paula Pinto, S. A. (2018). Análise de sentimentos em tweets em português brasileiro. In Brazilian Workshop on Social Network Analysis and Mining (BraSNAM-CSBC), volume 7.

Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1).

O’Leary, R. e Ramsden, A. (2002). Virtual learning environments. In Learning and Teaching Support Network Generic Centre/ALT Guides, LTSN, volume 12.

Oliveira, E., Sales, G., Pereira, P., e Moreira, R. (2013). Identificação automática de estilos de aprendizagem: Uma revisão sistemática da literatura. In Anais do 26o. Workshop sobre Educação em Computação (WEI2018).

Polak, Y. N. S., Diniz, J. A., e Santana, J. R. (2011). Dialogando sobre metodologia científica. Editora Universidade Federal do Ceará.

Sammut, C. and Webb, G. I. (2017). Encyclopedia of Machine Learning. Springer.

Silva, L. (2017). Tweets from mg/br. https://www.kaggle.com/leandrodoze/tweets-from-mgbr. Online; acessado em setembro de 2018.

Tatman, R. (2017). Sentiment lexicons for 81 languages. https://www.kaggle.com/rtatman/sentiment-lexicons-for-81-languagessentiment-lexicons.zip. Online; acessado em setembro de 2018.

Ting, K. M. (2017). Precision and Recall - Encyclopedia of Machine Learning. Springer.

Witten, I. H., Frank, E., e Hall, M. A. (2016). Data Mining: Practical machine learningtools and techniques. Morgan Kaufmann.