Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 512
Aluno: Kellyton dos Santos Brito
Orientador: Prof. Paulo Jorge Leitão Adeodato
Título: Aprendizagem de Máquina para Predição de Eleições na América Latina Baseada no Engajamento nas Redes Sociais e Pesquisas Tradicionais
Data: 18/03/2021
Hora/Local: 13h – VIRTUAL – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Patricia Cabral de Azevedo Restelli Tedesco (UFPE / Centro de Informática)
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
Prof. Prof.dr.ir. Marijn Janssen (Delft University of Technology / Faculty of Technology, Policy and Management)
Prof. Rafael Ferreira Leite de Mello (UFRPE / Departamento de Computação)
Prof. Jarley Palmeira Nóbrega (MCTI / Centro de Tecnologias Estratégicas do Nordeste)
RESUMO:
As redes sociais contemporâneas representam um novo paradigma de comunicação e têm impactado a política e as campanhas eleitorais. A mobilização dos movimentos sociais da Primavera Árabe foi atribuída às redes sociais, assim como o sucesso de campanhas eleitorais como as de Obama e Trump nos Estados Unidos (em 2008, 2012 e 2016), o Brexit em 2016, e a campanha de Bolsonaro para a presidência do Brasil em 2018.
Neste novo cenário, as vantagens de coletar os dados das redes sociais sobre os métodos de pesquisa eleitoral tradicionais incluem a grande quantidade de dados disponíveis, a alta velocidade e baixo custo de coleta. Consequentemente, pesquisas estão sendo realizadas para descobrir como usar as redes sociais para prever os resultados eleitorais. A abordagem mais comum é baseada na contagem do volume de menções no Twitter combinada com análise de sentimento dos posts. No entanto, apesar do suposto sucesso, esta abordagem tem sido frequentemente criticada e contestada. Por outro lado, novas abordagens baseadas em outras plataformas e nos avanços do aprendizado de máquina podem ser alternativas promissoras.
Nesse contexto, esta tese objetiva avançar o estado da arte na previsão de eleições com base em dados das redes sociais. Ela propõe um novo conjunto de métricas de desempenho nas redes que podem ser usadas como dados de entrada para as técnicas de aprendizado de máquina, mudando o foco para o número de pessoas prestando atenção aos candidatos. As métricas definidas podem ser usadas não apenas com as redes sociais mais populares atualmente (Facebook, Instagram e Twitter), mas com plataformas futuras que ainda não ganharam popularidade. Esta tese também define o SoMEN (Social Media framework for Election Nowcasting), um framework composto por um processo e modelo para previsão de resultados eleitorais com base no desempenho nas redes sociais e usando abordagens de aprendizado de máquina. Ele propõe etapas bem definidas, que vão desde o entendimento da eleição até a avaliação das previsões, e um modelo para prever os resultados finais da eleição com base em um conjunto (ensemble) de redes neurais artificiais treinadas com as métricas das redes como variáveis e as pesquisas tradicionais como dados rotulados. Também definimos a SoMEN-DC, uma estratégia de execução para SoMEN que permite a previsão contínua durante a campanha (DC).
As métricas e o framework proposto foram aplicados nas principais eleições presidenciais mais recentes na América Latina: Argentina (2019), Brasil (2018), Colômbia (2018) e México (2018). Mais de 65.000 posts foram coletados dos perfis dos principais candidatos no Facebook, Twitter e Instagram, bem como dados de 195 pesquisas eleitorais. Os resultados demonstraram que as métricas definidas apresentaram alta correlação com o percentual de votos obtido pelos candidatos em todos os países estudados. Além disso, foi obtido um alto nível de precisão na previsão do percentual final de votos dos candidatos, com resultados competitivos ou melhores do que as pesquisas tradicionais. Por fim, apesar da dificuldade em medir a qualidade das previsões durante a campanha, os resultados são promissores e também competitivos com as pesquisas. As estratégias propostas nesta tese levaram em consideração os principais desafios desta área de pesquisa e indicaram uma nova maneira de enfrentá-los. Além disso, elas podem ser usadas diretamente para prever eleições futuras em cenários semelhantes.
Palavras-chave: Redes Sociais, Eleições, Aprendizado de Máquina, Redes Neurais, Facebook, Twitter, Instagram.
Comentários desativados