Modelos Lexicais Calibrados para Detecção de Ofensividade em Português Brasileiro: um Estudo no ToLD-Br

• Iago de Sousa Aragão Universidade Federal do Piauí (UFPI)
• Gabrielly Alves Gomes Universidade Federal do Piauí (UFPI)
• Patricia Medyna Lauritzen de Drumond Universidade Federal do Piauí (UFPI)

DOI: https://doi.org/10.5753/sbbd.2026.249666

Resumo

Este artigo apresenta um estudo experimental sobre detecção binária de ofensividade em português brasileiro no conjunto ToLD-Br. Avaliamos modelos lexicais leves baseados em TF-IDF de palavras e caracteres, calibração de limiar e uma estratégia de reponderação de escore por evidência diferencial obtida por perturbações interpretáveis do texto. Os resultados mostram que modelos lexicais calibrados são baselines competitivos para a tarefa: a baseline TF-IDF alcança Macro-F1 de 0,7525, enquanto a reponderação atinge Macro-F1 de 0,7531 e ROC-AUC de 0,8348. Como o ganho sobre a baseline calibrada é marginal e não foi submetido a teste formal de significância, a principal contribuição é caracterizar baselines lexicais simples, baratos, reprodutíveis e interpretáveis para esse benchmark.

Palavras-chave: detecção de ofensividade, português brasileiro, ToLD-Br, TF-IDF, modelos lexicais, processamento de linguagem natural

Referências

Davidson, T., Warmsley, D., Macy, M. and Weber, I. (2017). Automated Hate Speech Detection and the Problem of Offensive Language. In Proceedings of the International AAAI Conference on Web and Social Media.

Fortuna, P. and Nunes, S. (2018). A Survey on Automatic Detection of Hate Speech in Text. ACM Computing Surveys, 51(4), pages 1-30.

Devlin, J., Chang, M.-W., Lee, K. and Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT.

Leite, J. A., Silva, D. F., Bontcheva, K. and Scarton, C. (2020). Toxic Language Detection in Social Media for Brazilian Portuguese: New Dataset and Multilingual Analysis. In Proceedings of AACL-IJCNLP, pages 914-924.

Nobata, C., Tetreault, J., Thomas, A., Mehdad, Y. and Chang, Y. (2016). Abusive Language Detection in Online User Content. In Proceedings of the 25th International Conference on World Wide Web.

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, pages 2825-2830.

Vargas, F. A., Carvalho, I., Rodrigues de Góes, F., Pardo, T. A. S. and Benevenuto, F. (2022). HateBR: A Large Expert Annotated Corpus of Brazilian Instagram Comments for Offensive Language and Hate Speech Detection. In Proceedings of LREC, pages 7174-7183.

Wang, S. and Manning, C. D. (2012). Baselines and Bigrams: Simple, Good Sentiment and Topic Classification. In Proceedings of ACL.