Inteligência Artificial nas Ciências Sociais
Uma Abordagem a partir da Análise de Sentimentos
DOI:
https://doi.org/10.48162/rev.48.097Palavras-chave:
Inteligência artificial, Máquinas de vetores de suporte, Análise de sentimentos, Ciências SociaisResumo
A Inteligência Artificial (IA) tem se desenvolvido como uma aliada fundamental nas Ciências Sociais, transformando a prática da pesquisa. Neste artigo, aborda-se a importância da IA nas Ciências Sociais e exemplifica-se a partir da tarefa de pesquisa de discursos digitalizados. Apresenta-se a análise de sentimentos, que pode ser realizada com discursos escritos e/ou discursos visuais em redes sociais. São abordados um dos modelos matemáticos mais característicos de análise de sentimentos: as máquinas de vetor de suporte (SVM), e programa-se em Python um algoritmo para interpretar um texto breve usando uma SVM. O objetivo principal do trabalho é ser um recurso de referência fácil para cientistas interessados no uso da IA como ferramenta metodológica nas Ciências Sociais.
Referências
Bahit. E. (2012). Curso: Python para principiantes. https://archive.org/details/2012CursoPythonParaPrincipiantes
Chen, X. y He, K. (2020) Exploring Simple Siamese Representation Learning. https://arxiv.org/pdf/2011.10566.pdf
Cheng, J. Dong, L., Lapata, M. (2016) Long Short-Term Memory-Networks for Machine Reading. https://arxiv.org/pdf/1601.06733.pdf
Goodfellow, I.J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. (2014) Generative Adversarial Networks. https://arxiv.org/pdf/1406.2661.pdf
Gugerty, L. (2006). Newell and Simon’s Logic Theorist: Historical Background and Impact on Cognitive Modeling. Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 50(9), pp. 880-884. https://doi.org/10.1177/154193120605000904
Guenther, N. y Schonlau, M. (2016) Support vector machines. The Stata Journal 16, Number 4, pp. 917–937.
Gurney, K. (2007). Neural Networks for Perceptual Processing: From Simulation Tools to Theories. Philosophical Transactions: Biological Sciences, 362(1479), pp. 339–353. http://www.jstor.org/stable/20209847
Kaplan, J. (2017) Inteligencia Artificial: Lo que todo el mundo debe saber. España: Teell Editorial.
Kress, G. y van Leeuwen, T. (2021) Reading Imagens: The grammar of visual design. New York: Routledge.
Michelucci, U. (2022) An Introduction to Autoencoders. https://arxiv.org/pdf/2201.03898.pdf
Moguerza, J. M., y Muñoz, A. (2006). Support Vector Machines with Applications. Statistical Science, 21(3), pp. 322–336. http://www.jstor.org/stable/27645765
O'Shea, K. y Nash, R. (2015) An Introduction to Convolutional Neural Networks. https://arxiv.org/pdf/1511.08458.pdf
Schmidt, R.M. (2019) Recurrent Neural Networks (RNNs): A gentle Introduction and Overview. https://arxiv.org/pdf/1912.05911.pdf
Sukhbaatar, S., Szlam, A., Weston, J., Fergus, R. (2015) End-To-End Memory Networks. https://arxiv.org/pdf/1503.08895.pdf
Turner, R.E. (2023) An Introduction to Transformers. https://arxiv.org/pdf/2304.10557.pdf
Vorobioff, J., Cerrotta, S. Morel, N.E. y Amadio, A. (2022) Inteligencia Artificial y Redes Neuronales: Fundamentos, Ejercicios y Aplicaciones con Python y Matlab. Buenos Aires: Editorial de la Universidad Tecnológica Nacional.
Wightman, R., Touvron, H., Jégou, H. (2021) ResNet strikes back: An improved training procedure in timm. https://arxiv.org/pdf/2110.00476.pdf
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Antonio Aguilera
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
