Humanidades

A inteligência artificial pode mapear nossos humores?
Um pesquisador de Stanford usa aprendizado de máquina para identificar mudanças de humor por meio da mídia social.
Por Edmund L. Andrews - 28/01/2021


Um novo modelo de aprendizado de máquina infere o quão feliz ou triste uma pessoa está se sentindo com base em suas postagens no Facebook. (Pixabay)

Os pesquisadores mostraram há muito tempo que os modelos de inteligência artificial podem identificar os traços psicológicos básicos de uma pessoa a partir de suas pegadas digitais nas redes sociais.

Isso pode ser apenas o começo. Um novo estudo , com coautoria de Johannes Eichstaedt e Aaron Weidman (Universidade de Michigan) de Stanford , fornece fortes evidências de que os modelos de aprendizado de máquina também podem mapear as oscilações de humor e a volatilidade de uma pessoa de semana para semana.

Usando ferramentas de processamento de linguagem natural para analisar as postagens do Facebook, o novo modelo de aprendizado de máquina infere o quão feliz ou triste uma pessoa está se sentindo em um determinado momento, bem como o quão excitada ou indiferente. Com o tempo, esse algoritmo pode até produzir um vídeo a partir dos altos e baixos emocionais de uma pessoa.

As descobertas podem despertar novas preocupações sobre privacidade ou o uso de mídias sociais para fazer marketing para as pessoas. Em teoria, os profissionais de marketing ou propogandistas políticos poderiam algum dia adaptar suas mensagens com base na mensagem que provoca a reação emocional mais forte.

Mas Eichstaedt,  professor assistente de psicologia de Humanidades e Ciências de Stanford e membro do corpo docente do Instituto de Inteligência Artificial Centrada no Homem de Stanford  , diz que a abordagem pode ajudar a diagnosticar pessoas com transtornos de humor e ver se respondem bem a um medicamento, terapia ou uma mudança no estilo de vida.

“Se esse tipo de abordagem for usada ética e legalmente, com proteção estrita da privacidade, poderemos um dia ter maneiras de entender computacionalmente a mente”, diz Eichstaedt. “Pode ajudar no diagnóstico e avaliação farmacêutica. Também pode nos ajudar a rastrear o impacto psicológico de eventos sociais traumáticos, como a pandemia COVID. ”

No momento, as possibilidades boas e ruins ainda estão bem no futuro. Por um lado, os resultados são preliminares, baseados em um pequeno número de superusuários do Facebook, em sua maioria americanos, que postam com muito mais frequência do que a maioria das pessoas. Como resultado, alertam os pesquisadores, os resultados podem não ser representativos de todos os americanos. Eles podem ser ainda menos representativos de pessoas de outras culturas.

Dito isso, observou o pesquisador, o programa de aprendizado de máquina ofereceu evidências tentadoras de que estava no caminho certo. Na verdade, muitos dos padrões de humor encontrados foram consistentes com estudos anteriores de outros pesquisadores baseados em pessoas que relataram seus próprios sentimentos.

Máquinas de treinamento para rastrear sentimentos

Eichstaedt e Weidman começaram fazendo com que assistentes de pesquisa humanos anotassem postagens públicas no Facebook de quase 3.000 voluntários de um estudo anterior. Os assistentes de pesquisa avaliaram cada postagem em sua “valência” - o quanto expressava emoções positivas ou negativas - e em “excitação” - ou a intensidade desses sentimentos.

Depois que essas classificações foram concluídas, as postagens foram usadas para treinar um modelo de aprendizado de máquina que prediz quais tipos de linguagem transmitem quais tipos de sentimentos. Eichstaedt e Weidman testaram seu modelo em um conjunto totalmente diferente de postagens de 640 usuários pesados ​​do Facebook. As pessoas desse segundo grupo postaram em média 17 vezes por semana durante 28 semanas. Isso produziu um conjunto de dados (agora público) rastreando a dinâmica emocional em 18.000 pessoas-semanas - o maior conjunto de dados sobre a dinâmica emocional semanal já compilado, que está disponível para mineração pela comunidade de pesquisa.

Avaliando o modelo

Para ter uma ideia se o modelo de aprendizado de máquina estava interpretando as pessoas corretamente, Eichstaedt e Weidman observaram como os padrões que ele revelou combinavam com as previsões baseadas em estudos psicológicos presenciais clássicos.

Os resultados se alinharam com previsões baseadas em uma lista do que os pesquisadores da psicologia chamam de "Cinco Grandes" traços de personalidade - abertura, afabilidade, extroversão, consciência e neurose. Todos os usuários do Facebook no estudo se ofereceram para participar de um estudo “Minha Personalidade”, que mediu as cinco características principais por meio de um questionário. Consistente com as previsões anteriores, as pessoas que o modelo de aprendizado de máquina classificou mais alto em extroversão, simpatia e conscienciosidade tendiam a se sentir mais otimistas e mais excitadas.

Por acaso, os resultados do aprendizado de máquina também se encaixaram perfeitamente com estudos anteriores sobre a relação entre o quanto as pessoas se sentem bem e o quanto elas ficam excitadas a qualquer momento. Assim como os estudos anteriores haviam teorizado, os resultados do aprendizado de máquina mostraram uma relação “em forma de V” desigual: a excitação aumenta à medida que as pessoas se sentem mais para cima e para baixo, mas a relação era mais forte para as emoções otimistas; é difícil sentir algo muito positivo sem também se sentir otimista.

Discrepâncias de gênero

Os pesquisadores também descobriram que homens e mulheres mostraram padrões emocionais um tanto diferentes.

As mulheres tendiam a ser um pouco mais otimistas do que os homens e a ter um “ponto de descanso” emocional mais amplo, ou nível típico de sentimentos agradáveis ​​e / ou estimulantes. Dito de outra forma, diz Eichstaedt, os homens tendem a ser mais rabugentos e menos receptivos ao ambiente emocional do que as mulheres. Isso é consistente, diz Eichstaedt, com a ideia de que as mulheres têm maior "flexibilidade emocional". 

Eichstaedt adverte que é muito cedo para saber se o aprendizado de máquina poderia fornecer o equivalente a uma imagem de ressonância magnética precisa para o humor. Mas, dados todos os dados disponíveis nas redes sociais, diz ele, pode muito bem abrir novas oportunidades para a compreensão da dinâmica emocional humana em escala muito maior.

 

.
.

Leia mais a seguir