Classificação de Valores Humanos em Redes Sociais Usando Aprendizagem de Máquina
Resumo
O Twitter recebe milhões de mensagens diariamente de diferentes usuários e regiões do mundo. Estas mensagens contêm opiniões, avaliações e sentimentos, tornando o Twitter uma plataforma apropriada para diversos tipos de estudos. Assim, pode-se usar esta rede social para descobrir informações importantes sobre as pessoas, por exemplo, estado emocional, suas opiniões sobre produtos, preferência política, etc. Este trabalho tem como objetivo criar e avaliar modelos para classificação de valores humanos, um conceito da psicologia que define os princípios guia das pessoas. Foram testados três classificadores de aprendizagem de máquina, treinados usando mensagens do Twitter, para prever respostas de um questionário usado por psicólogos para determinar valores humanos. O melhor resultado alcançou uma acurácia de 60,08%.
Palavras-chave:
valores humanos, aprendizagem de máquina, redes sociais
Referências
Bird, S., Klein, E., and Loper, E. (2009). Natural language processing with Python: analyzing text with the natural language toolkit. ”O’Reilly Media, Inc.”.
Ceron, A., Curini, L., Iacus, S. M., and Porro, G. (2014). Every tweet counts? how sentiment analysis of social media can improve our knowledge of citizens’ political preferences with an application to italy and france. New Media & Society, 16(2):340– 358.
Coppersmith, G., Dredze, M., and Harman, C. (2014). Quantifying mental health signals in twitter. In Proceedings of the workshop on computational linguistics and clinical psychology: From linguistic signal to clinical reality, pages 51–60.
Facebook (2018). Facebook reports fourth quarter and full year 2018 results. Accessado: 25 de Março de 2019.
Golbeck, J., Robles, C., Edmondson, M., and Turner, K. (2011). Predicting personality from twitter. In 2011 IEEE third international conference on privacy, security, risk and trust and 2011 IEEE third international conference on social computing, pages 149–156. IEEE.
Gouveia, V. V. (2013). Teoria funcionalista dos valores humanos: fundamentos, aplicações e perspectivas [functional theory of human values: Fundamentals, applications, and perspectives]. São Paulo: Casa do Psicólogo.
Gouveia, V. V., Milfont, T. L., Fischer, R., and de Miranda Coelho, J. A. P. (2009). Teoria funcionalista dos valores humanos: Aplicações para organizações. Revista de Administração Mackenzie (Mackenzie Management Review), 10(3).
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The weka data mining software: an update. ACM SIGKDD explorations newsletter, 11(1):10–18.
Japkowicz, N. and Stephen, S. (2002). The class imbalance problem: A systematic study. Intelligent data analysis, 6(5):429–449.
John, O. P., Donahue, E. M., and Kentle, R. L. (1991). The big ve inventory-versions 4a and 54.
Mani, I. and Zhang, I. (2003). knn approach to unbalanced data distributions: a case study involving information extraction. In Proceedings of workshop on learning from imbalanced datasets, volume 126.
Medeiros, E. D. d. et al. (2011). Teoria funcionalista dos valores humanos: Testando sua adequação intra e interculturalmente.
Norman, W. T. (1963). Toward an adequate taxonomy of personality attributes: Replicated factor structure in peer nomination personality ratings. The Journal of Abnormal and Social Psychology, 66(6):574.
Pak, A. and Paroubek, P. (2010). Twitter as a corpus for sentiment analysis and opinion mining. In LREc, volume 10, pages 1320–1326.
Paulhus, D. L. and Williams, K. M. (2002). The dark triad of personality: Narcissism, machiavellianism, and psychopathy. Journal of research in personality, 36(6):556– 563.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Qiu, L., Lin, H., Ramsay, J., and Yang, F. (2012). You are what you tweet: Personality expression and perception on twitter. Journal of Research in Personality, 46(6):710– 718.
Sumner, C., Byers, A., Boochever, R., and Park, G. J. (2012). Predicting dark triad personality traits from twitter usage and a linguistic analysis of tweets. In 2012 11th International Conference on Machine Learning and Applications, volume 2, pages 386–393. IEEE.
Twitter (2018). Quarterly results - about. https://investor.twitterinc.com/results.cfm.
Ceron, A., Curini, L., Iacus, S. M., and Porro, G. (2014). Every tweet counts? how sentiment analysis of social media can improve our knowledge of citizens’ political preferences with an application to italy and france. New Media & Society, 16(2):340– 358.
Coppersmith, G., Dredze, M., and Harman, C. (2014). Quantifying mental health signals in twitter. In Proceedings of the workshop on computational linguistics and clinical psychology: From linguistic signal to clinical reality, pages 51–60.
Facebook (2018). Facebook reports fourth quarter and full year 2018 results. Accessado: 25 de Março de 2019.
Golbeck, J., Robles, C., Edmondson, M., and Turner, K. (2011). Predicting personality from twitter. In 2011 IEEE third international conference on privacy, security, risk and trust and 2011 IEEE third international conference on social computing, pages 149–156. IEEE.
Gouveia, V. V. (2013). Teoria funcionalista dos valores humanos: fundamentos, aplicações e perspectivas [functional theory of human values: Fundamentals, applications, and perspectives]. São Paulo: Casa do Psicólogo.
Gouveia, V. V., Milfont, T. L., Fischer, R., and de Miranda Coelho, J. A. P. (2009). Teoria funcionalista dos valores humanos: Aplicações para organizações. Revista de Administração Mackenzie (Mackenzie Management Review), 10(3).
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The weka data mining software: an update. ACM SIGKDD explorations newsletter, 11(1):10–18.
Japkowicz, N. and Stephen, S. (2002). The class imbalance problem: A systematic study. Intelligent data analysis, 6(5):429–449.
John, O. P., Donahue, E. M., and Kentle, R. L. (1991). The big ve inventory-versions 4a and 54.
Mani, I. and Zhang, I. (2003). knn approach to unbalanced data distributions: a case study involving information extraction. In Proceedings of workshop on learning from imbalanced datasets, volume 126.
Medeiros, E. D. d. et al. (2011). Teoria funcionalista dos valores humanos: Testando sua adequação intra e interculturalmente.
Norman, W. T. (1963). Toward an adequate taxonomy of personality attributes: Replicated factor structure in peer nomination personality ratings. The Journal of Abnormal and Social Psychology, 66(6):574.
Pak, A. and Paroubek, P. (2010). Twitter as a corpus for sentiment analysis and opinion mining. In LREc, volume 10, pages 1320–1326.
Paulhus, D. L. and Williams, K. M. (2002). The dark triad of personality: Narcissism, machiavellianism, and psychopathy. Journal of research in personality, 36(6):556– 563.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Qiu, L., Lin, H., Ramsay, J., and Yang, F. (2012). You are what you tweet: Personality expression and perception on twitter. Journal of Research in Personality, 46(6):710– 718.
Sumner, C., Byers, A., Boochever, R., and Park, G. J. (2012). Predicting dark triad personality traits from twitter usage and a linguistic analysis of tweets. In 2012 11th International Conference on Machine Learning and Applications, volume 2, pages 386–393. IEEE.
Twitter (2018). Quarterly results - about. https://investor.twitterinc.com/results.cfm.
Publicado
15/10/2019
Como Citar
CORREIA, Sérgio; MALHEIROS, Yuri; NASCIMENTO, Anderson do; GOUVEIA, Valdiney.
Classificação de Valores Humanos em Redes Sociais Usando Aprendizagem de Máquina. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 37-48.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2019.9270.
