Um dos perigos da comunicação baseada em texto é a falta de pistas que sinalizam claramente a ironia empregada – sem dúvida todos nós tivemos nossos percalços por trás dessa questão. Pesquisadores de Portugal construíram uma rede neural que tenta determinar se você ou seu interlocutor virtual estão sendo sarcásticos.
O recurso evita erros embaraçosos em conversas diárias on-line, determinando tom e significado de uma mensagem. No universo digital, muitas vezes, não é possível fazer análises de sentimentos precisos ou mesmo saber quando alguém está brincando quando dize que ama ou odeia alguma coisa. Saber a diferença entre uma afirmativa “ótimo!” e um sarcasmo é importante para o processamento de linguagem natural.
Essa, contudo, não é tarefa fácil. Afinal, a mesma frase e pontuação pode significar coisas muito diferentes provenientes de diferentes pessoas. Imagine, por exemplo, a frase “Faça a América grande de novo” twittada por um entusiasta do candidato à presidência Donald Trump e por outra pessoa que se opõe a ele. Mesmas palavras, significados completamente diferentes.
“Pistas lexicais sozinhas não são suficientes para discernir a intenção irônica”, diz Silvio Amir, autor de artigo sobre o tema da Universidade de Lisboa. “Apreciar o contexto dos enunciados é fundamental para isso, mesmo para os seres humanos.”
Para aprender o contexto, o documento escrito por Amir descreve um método pelo qual a rede neural encontra “mergulhos” do usuário – ou seja, pistas contextuais, como conteúdo de tweets anteriores, interesses, contas relacionadas, e assim por diante. Ele usa esses vários fatores para traçar a relação do usuário com outros, e (idealmente) descobre quais grupos eles formam.
Assim, se o sentimento do tweet de uma pessoa parece discordar com a maior parte do que é expressado por usuários semelhantes, há uma boa chance de o sarcasmo ser empregado.
Combinado com fatores textuais que dão um toque de ironia, essa abordagem provou ser mais assertiva do que outros modelos. Seu percentual de assertividade foi de 87% em comparação com 85% em outros sistemas. A configuração da rede neural necessária e o monitoramento podem ser facilmente estendidos para implementações em diferentes redes sociais.
