DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 332

Aluno: José Aurélio Epaminondas de Carvalho

Título: "Detecção de Cyberbullying Multiclasse: Uma Abordagem Deep Learning"

Orientadora: Roberta Andrade de Araújo Fagundes

Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza (UFPE)

Examinador Interno: Diego Marconi Pinheiro Ferreira Silva

Data-hora: 15 de agosto de 2025 às 14h

Local: Formato presencial - Miniauditório - PPGEC

---

Resumo:

         "O cyberbullying, uma evolução do bullying para o ambiente digital, consiste em comportamentos agressivos e repetitivos com o objetivo de infligir danos psicológicos, emocionais e, por vezes, físicos a indivíduos ou grupos, afetando predominantemente jovens e adolescentes com humilhações, ameaças e difamações, levando a traumas ao longo da vida. Diante do vasto volume de dados em redes sociais, ferramentas automáticas são essenciais para detectar e remover conteúdo nocivo, sendo o Aprendizado de Máquina eficaz nessa tarefa. Entretanto, algoritmos de ML ainda enfrentam desafios significativos com a variabilidade da linguagem humana (e.g., gírias, abreviações). Esta pesquisa explora abordagens para mitigar esse problema, incluindo: Teste de métodos de word embeddings (Word2Vec, FastText e SBERT); Utilização de algoritmos de aprendizado profundo (LSTM e GRU), identificados por um mapeamento sistemático da literatura, com modificações arquiteturais como camadas de atenção e bidirecionais; Criação de um modelo BERT com fine-tuning. A pesquisa emprega uma base de dados multiclasse (gênero, idade, outros tipos de cyberbullying, etnia, religião e não-cyberbullying). As abordagens foram avaliadas em dois experimentos: o primeiro verificou a eficiência dos modelos na análise da base de dados completa, e o segundo focou na detecção de diferentes tipos de cyberbullying, excluindo a classe "não-cyberbullying". Os melhores resultados foram consistentemente alcançados pelo modelo BERT com fine-tuning em ambos os experimentos. No primeiro, obteve 84% de acurácia e um F1-Score médio de 83,3%. No segundo, alcançou 94% de acurácia e um F1-Score médio de 93,8%"