A polarização aferida em redes sociais tem refletido a predisposição da sociedade para o embate de ideias e o recente incentivo à rivalidade política no mundo. Neste contexto, diversas questões são levantadas tais como: As pessoas estão se tornando mais polarizadas? Em caso afirmativo, qual é o impacto positivo e negativo das redes sociais neste processo? Como medir/prever potencial polarizador de um post, comentário ou texto? Entre outras. Na direção das possíveis respostas para esses questionamentos, diversos desafios técnicos eventualmente precisarão ser superados, por exemplo, como treinar um algoritmo para detectar a polarização de um comentário ou texto e como implementar ferramentas para mitigar a polarização nas diferentes plataformas sociais. Neste minicurso, o objetivo é discutir o atual cenário de pesquisa em polarização, através de uma visão crítica geral da área, seus desafios e oportunidades. Para alcançar esses objetivos, os principais conceitos e definições sobre polarização serão apresentados. Também serão apresentados o fluxo de coleta de dados sobre polarização, seu processamento, análises e extração de conhecimento. Para este último, será dado enfoque especial em uma proposta de taxonomia para métricas de polarização em redes sociais. Ao final, serão discutidos os desafios e oportunidades encontrados na área de polarização em redes sociais, assim como seus impactos na sociedade e na Internet como a conhecemos.
Este minicurso tem como objetivo principal apresentar fundamentos e tecnologias na área de Processamento de Linguagem Natural (PLN – ou NLP, do acrônimo em Inglês de Natural Language Processing) para o desenvolvimento de aplicações por meio da exploração de textos de mídias sociais escritos em Língua Inglesa. Desta forma, este minicurso prepara os participantes para: (1) conhecer as principais características de textos compartilhados por usuários em mídias sociais e como coletá-los; (2) compreender diversas técnicas de NLP para construir e executar pipelines de NLP, incluindo as etapas de pré-processamento, representação, modelagem, extração de conhecimento, compreensão semântica e emocional, a partir de textos de mídias sociais; e (3) apresentar possíveis aplicações que podem se beneficiar do conhecimento extraído de tais textos.
A câmara de eco é um fenômeno relacionado à tendência de usuários de redes sociais interagirem com outros usuários em grupos homogêneos e com ideias e opiniões semelhantes. Como resultado, a câmara de eco prejudica o contraditório e incentiva o fenômeno do viés de confirmação, fomentando ambientes propícios ao discurso de ódio e à propagação de notícias falsas (fake news). O minicurso apresenta os principais algoritmos para a caracterização estrutural e técnicas que auxiliam na detecção de câmaras de eco. O minicurso se concentra em abordagens de descoberta de comunidades sobre um gráfico de topologia criado de acordo com a difusão de informações em redes sociais. Detalham-se também algoritmos de caracterização de redes complexas e os índices de desempenho dessas abordagens. Além disso, o minicurso desenvolve uma atividade prática de captura de dados em redes sociais e análise para identificação de câmaras de eco. Por fim, são discutidos os desafios e projetos de pesquisa que focam no estudo de câmaras de eco em redes sociais online.
Access to datasets is essential for various research fields, such as data science and machine learning. In many scenarios, however, data access and publication are limited by challenges in data collection, handling of missing information, and privacy guarantees. An alternative to tackle this problem is the generation of synthetic data based on the original data, preserving its characteristics while maintaining its privacy. In the literature, it is possible to find several models, for example, for tabular and static data. As time-series are a type of time-dependent data, it may pose additional challenges for such models. In this mini-course, we present the Generative Adversarial Networks (GANs), a framework based on deep learning for training generative models. We use an open dataset with information about bicycle rentals in cities in the United States and discuss the main concepts of time series, deep learning and GANs. In addition, we will present a hands-on with code executions and discussion of the results obtained.
