Um estudo sobre ferramentas e técnicas para análise de emoções em texto

Abstract

As emoções influenciam diretamente nossas decisões, reações e relações sociais. Com o crescente volume de informações disponíveis na Web, torna-se cada vez mais relevante extrair automaticamente emoções expressas em texto. Diferente da análise de sentimentos, que se limita à identificar a polaridade (positiva, negativa ou neutra), a análise de emoções permite uma compreensão mais detalhada dos estados emocionais manifestados em texto, como postagens em mídias sociais. Essa tarefa, fundamental no campo do NLP (Natural Language Processing), tem aplicações diversas, como o suporte ao cliente, campanhas de marketing e até mesmo na política, cada vez mais influenciada pelos meios digitais, particularmente pelas emoções que seus conteúdos carregam e induzem. Este trabalho primeiramente faz uma revisão dos fundamentos e propostas da literatura técnico-científica e da prática em aprendizado de máquina para análise de emoções em texto. São identificadas classes padronizadas de emoções, corpora para treinamento e avaliação de modelos, assim como as abordagens com melhor desempenho em trabalhos relacionados. Depois, através de experimentos, compara características e desempenho das abordagens e ferramentas selecionadas com modelos de linguagem de larga escala (LLMs) atuais. Estes têm apresentado resultados promissores em outras tarefas e assim têm grande potencial de contribuir também na análise de emoções. Os resultados mostram que, em corpora com número reduzido de classes emocionais, os LLMs já conseguem superar as abordagens e modelos existentes, mesmo sem fine-tuning. Contudo, em cenários mais complexos, com maior variedade de emoções, os modelos atuais ainda enfrentam desafios, apresentando desempenho inferior ao de abordagens supervisionadas treinadas especificamente para a análise de emoções em texto.

Emotions directly influence our decisions, reactions, and social relationships. With the growing volume of textual information available on the Web, automatically extracting emotions expressed in text has become increasingly relevant. Unlike sentiment analysis, which is limited to identifying polarity (positive, negative, or neutral), emotion analysis allows for a more detailed understanding of the emotional states expressed in texts, such as social media posts. This task, fundamental in the field of Natural Language Processing NLP (Natural Language Processing), has diverse applications, including customer support, marketing campaigns, and even the political sphere, which is increasingly influenced by digital media, particularly by the emotions its content carries and induces. This work first reviews the fundamentals and proposals from the scientific and technical literature and machine learning practices for text-based emotion analysis. It identifies standardized emotion classes, corpora for training and evaluating models, and the best-performing approaches in related work. Then, through experiments, it compares the characteristics and performance of selected approaches and tools with current large-scale language models (LLMs). These have shown promising results in various NLP tasks and hold strong potential for contributing to emotion analysis as well. Experimental results show that, for datasets with a reduced number of emotion classes, LLMs can outperform existing approaches even without fine-tuning techniques. However, in more complex scenarios with a wider variety of emotions, current models still face challenges, exhibiting lower performance compared to supervised approaches specifically trained for text-based emotion analysis.