Análise de Sentimento Textual para Correspondência de Perfis Vocacionais

• Autor(a) principal: Silva, Ana Paula
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.26/49374
• topic: Análise de Sentimento Textual; Inteligência Artificial; Machine Learning

Ao terminar o 3ºciclo, os alunos estão ansiosos para saber qual o percurso educativo que será o melhor para o seu perfil de modo a corresponder ao seu objetivo de vida e, sendo eu professora, esta etapa motivou-me para a minha investigação. Identificou-se uma lacuna que foi a quantidade reduzida de soluções tecnológicas que permitam dar o contributo para a resolução deste problema, especialmente com o uso de algoritmos de Machine Learning e Deep Learning. Sendo assim, pretendeu-se analisar o uso de alguns destes algoritmos na problemática acima referida, no contexto de análise de sentimentos textual, verificando assim a possibilidade de, através de texto, conseguir resultados significativos para tomada de decisões nesta área. O objetivo desta dissertação é a procura e validação de soluções de Inteligência Artificial (IA) para dar resposta à falta de soluções tecnológicas que permitam a correspondência de perfis vocacionais. A metodologia utilizada e os respetivos instrumentos foram os seguintes: revisão da literatura, construção de um questionário no Google Forms, Diagrama de fluxo, Pré-processamento dos dados, análise de sentimento com a linguagem python, construção de léxicos, classificação com vários algoritmos, construção de modelos de IA, análise estatística, validação dos modelos, análise dos resultados obtidos e construção de uma aplicação web. Os participantes do questionário online foram 267 alunos do 9º ano de escolaridade de três Agrupamentos de Escolas (Agrupamento de Escolas de Coruche, Agrupamento de Escolas Eduardo Gageiro e Agrupamento de Escolas de Marinha Grande Poente) e a recolha dos dados foi efetuada durante o ano letivo 2022/2023. Podemos observar que com base nos resultados apresentados, o classificador Random Forest obteve a maior exatidão (0,54), indicando um desempenho geralmente melhor em comparação com os outros classificadores. Apesar dos meus resultados não terem sido tão elevados quanto alguns dos resultados relatados na revisão de literatura, a comparação é desafiadora devido às diferenças nos dados, algoritmos, objetivos, pré processamento e outros fatores. A baixa precisão e exatidão podem ser atribuídas à quantidade e qualidade limitadas dos dados no meu dataframe. Em relação às minhas questões de pesquisa e hipótese, destaco que, apesar dos resultados da literatura terem sido promissores, o meu estudo concentrou-se num grupo demográfico específico e numa área de pesquisa única. Reconheço as limitações do meu estudo, incluindo a falta de adesão de escolas, a qualidade das respostas dos alunos e desafios no pré-processamento de dados. Estas limitações são identificadas como oportunidades de melhoria no futuro. Apesar da minha hipótese inicial não ter sido totalmente confirmada, este trabalho abre portas para pesquisas futuras com o objetivo de aprimorar modelos e expandir a sua aplicação a nível nacional. Em resumo, esta pesquisa oferece uma visão esclarecedora e promissora da interseção entre a Inteligência Artificial e a orientação vocacional, apesar dos desafios encontrados.