Publicação: Análise Comparativa de Modelos de Representação de Texto e Métodos de Aprendizado de Máquina na Classificação de Notícias Falsas em Português
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho investigou o impacto do aumento progressivo do volume de dados no desem-
penho de modelos de classificação de notícias falsas em língua portuguesa. Foram avaliadas
três técnicas de representação textual — Bag of Words (BoW), TF-IDF e Word2Vec —
combinadas com quatro classificadores supervisionados: Support Vector Classifier (SVC),
Regressão Logística, Multinomial Naive Bayes e Random Forest. Os experimentos utili-
zaram quatro conjuntos de dados construídos de forma incremental, totalizando até 28
mil amostras. Os resultados mostraram que, embora os ganhos numéricos nas métricas
(acurácia, precisão, revocação e F1-score) tenham sido suaves — geralmente na ordem de
uma casa decimal —, o aumento da base contribuiu para maior estabilidade e robustez
dos modelos frente à variabilidade textual. A representação TF-IDF, em especial, obteve
os melhores desempenhos médios, com destaque para os classificadores SVC e Random
Forest, cujos F1-scores superaram 0,96. Os resultados confirmam a importância de con-
juntos de dados amplos e diversificados na construção de modelos de classificação mais
confiáveis e generalizáveis.
Abstract
Palavras-chave
Processamento de Linguagem Natural, Aprendizado de Máquina, Fake News, Classificação de Textos, Representação Textual
Citação
TREVILATO, Larissa Alves. Análise comparativa de modelos de representação de texto e métodos de aprendizado de máquina na classificação de notícias falsas em português. 2025, 118fl. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2025.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto