An annotated corpus and computational models for offensive language classification in tweets about the 2022 presidential elections

• Leo Marques Sabino de Freitas IFSP
• Eloize Rossi Marques Seno IFSP
• Sylvia Iasulaitis UFSCar

DOI: https://doi.org/10.5753/eniac.2026.27567

Resumo

As redes sociais têm se revelado um ambiente fértil para a propagação de linguagem ofensiva, sobretudo em períodos eleitorais. Analisar tais interações é essencial para compreender padrões de comportamento e propor medidas de enfrentamento eficazes. Neste contexto, este artigo descreve a construção de um corpus de tweets relacionados às eleições brasileiras de 2022, com anotações de ofensas e discurso de ódio, e avalia diferentes abordagens – incluindo modelos tradicionais e profundos de AM, bem como um LLM – na classificação de discurso ofensivo. Os resultados mostram que abordagens tradicionais obtêm desempenhos comparáveis aos de modelos mais avançados na classificação de tipos de ofensas.

Referências

Assi, F. M., Candido, G. B., Silva, L. N. d. S., Silva, D. F., and Caseli, H. d. M. (2022). Ufscar’s team at absapt 2022: Using syntax, semantics and context for solving the tasks. In Proceedings of the Iberian Languages Evaluation Forum (IberLEF 2022), volume 3202 of CEUR Workshop Proceedings.

Bertaglia, T. F. C. and Nunes, M. d. G. V. (2016). Exploring word embeddings for unsupervised textual user-generated content normalization. In Proceedings of the 2nd Workshop on Noisy User-generated Text (WNUT), pages 112–120.

Devlin, J., Chang, M.-W., Lee, K., and Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In North American Chapter of the Association for Computational Linguistics.

Filho Balage, P. P., Pardo, T. A. S., and Aluísio, S. M. (2013). An evaluation of the Brazilian Portuguese LIWC dictionary for sentiment analysis. In Proceedings of the 9th Brazilian Symposium in Information and Human Language Technology.

Hammes, L. O. A. and Freitas, L. A. d. (2021). Utilizando bertimbau para a classificação de emoções em português. In Anais do Simpósio Brasileiro de Tecnologia da Informação e da Linguagem Humana (STIL).

Iasulaitis, S., Valejo, A. D. B., Greco, B. C., Perillo, V. G., Messias, G. H., Vicari, I., with the Interfaces—Center for Sociopolitical Studies of Algorithms, and Intelligence, A. (2025). The interfaces twitter elections dataset: Construction process and characteristics of big social data during the 2022 presidential elections in brazil. PLOS ONE, 20(2):1–29.

Leite, J. A., Silva, D., Bontcheva, K., and Scarton, C. (2020). Toxic language detection in social media for Brazilian Portuguese: New dataset and multilingual analysis. In Wong, K.-F., Knight, K., and Wu, H., editors, Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 10th International Joint Conference on Natural Language Processing, pages 914–924, Suzhou, China. Association for Computational Linguistics.

Neto, F. R., Anchiêta, R., Moura, R., and Santana, A. (2024). Abordagem semi-supervisionada para anotação de linguagem tóxica. In Anais do XIII Brazilian Workshop on Social Network Analysis and Mining, pages 116–129, Porto Alegre, RS, Brasil. SBC.

Nockleby, J. (2000). Hate speech. In Encyclopedia of the American Constitution, page 1277–1279, New York, USA. Macmillan.

Pasqualotti, P. R. and Vieira, R. (2008). WordnetAffectBR: uma base lexical de palavras de emoções para a língua portuguesa. RENOTE, 6(1).

Silva, M. J., Carvalho, P., and Sarmento, L. (2012). Building a sentiment lexicon for social judgement mining. In Caseli, H., Villavicencio, A., Teixeira, A., and Perdigão, F., editors, Computational Processing of the Portuguese Language, pages 218–228, Berlin, Heidelberg. Springer Berlin Heidelberg.

Souza, F., Nogueira, R., and Lotufo, R. (2020). BERTimbau: pretrained BERT models for Brazilian Portuguese. In 9th Brazilian Conference on Intelligent Systems, BRACIS, Rio Grande do Sul, Brazil, October 20-23 (to appear).

Trajano, D., Bordini, R. H., and Vieira, R. (2023). OLID-BR: offensive language identification dataset for brazilian portuguese. Lang. Resour. Eval., 58(4):1263–1289.

Vargas, F., Carvalho, I., Rodrigues de Góes, F., Pardo, T., and Benevenuto, F. (2022). HateBR: A large expert annotated corpus of Brazilian Instagram comments for offensive language and hate speech detection. In Calzolari, N., Béchet, F., Blache, P., Choukri, K., Cieri, C., Declerck, T., Goggi, S., Isahara, H., Maegaard, B., Mariani, J., Mazo, H., Odijk, J., and Piperidis, S., editors, Proceedings of the Thirteenth Language Resources and Evaluation Conference, pages 7174–7183, Marseille, France. European Language Resources Association.

Vargas, F., Rodrigues de Góes, F., Carvalho, I., Benevenuto, F., and Pardo, T. (2021). Contextual-lexicon approach for abusive language detection. In Mitkov, R. and Angelova, G., editors, Proceedings of the International Conference on Recent Advances in Natural Language Processing (RANLP 2021), pages 1438–1447, Held Online. INCOMA Ltd.