IDENTIFICAÇÃO DOS ASSUNTOS MAIS DISCUTIDOS NO X (TWITTER) SOBRE INTELIGÊNCIA ARTIFICIAL ATRAVÉS DA MODELAGEM DE TÓPICOS

Resumo

Introdução: O avanço das redes sociais e a proliferação de textos breves na internet criaram uma crescente
demanda por modelos de tópicos capazes de analisar esse tipo de conteúdo e lidar com o desafio dos dados
dispersos. Nesse contexto, Yan et al. (2013) apresentaram o Biterm Topic Model (BTM), um modelo projetado
especificamente para a modelagem de textos curtos. O BTM destaca a co-ocorrência de palavras comuns,
aprimorando a compreensão dos tópicos e solucionando a questão das palavras esparsas em documentos,
tornando a análise de textos breves mais eficiente e precisa. Objetivo: O objetivo do trabalho é criar um modelo
para analisar e identificar os principais tópicos discutidos no X durante um período de crescente interesse em
inteligência artificial. A abordagem utilizada foi a modelagem de tópicos com foco em textos curtos, em um
dataset construído com os dados extraídos da rede social. Método: Esta pesquisa adota uma abordagem
aplicada, conforme a definição de Kerlinger (2009), focando na resolução de problemas específicos utilizando
ferramentas e métodos práticos. O estudo objetiva identificar os temas mais discutidos no Twitter sobre inteligência
artificial, empregando a modelagem de tópicos como principal método de análise. Resultados: O estudo coletou
um total de 100.647 tweets em português ao longo do segundo semestre de 2023, com uma média de 559 tweets
por dia. Os dados foram extraídos utilizando a ferramenta APIFY e filtrados para incluir apenas tweets que
continham palavras-chave específicas relacionadas à inteligência artificial, como "ChatGPT", "Inteligência Artificial",
"OpenAI", "Machine Learning", "Rede neural" e outras. Conclusão: A análise realizada neste estudo, utilizando o
Biterm Topic Model (BTM), demonstrou-se eficaz na identificação e agrupamento dos principais temas discutidos
sobre inteligência artificial no Twitter durante o segundo semestre de 2023. A partir dos resultados, é possível concluir
que o BTM, ao focar na co-ocorrência de palavras em textos curtos, consegue superar os desafios apresentados
pela dispersão de dados, proporcionando uma visão mais clara e precisa dos tópicos predominantes. As
implicações desses achados para o estado da arte são significativas.