Por que classificar mal humor em texto quase sempre falha
A maioria dos tutoriais sobre análise de sentimento em português trata a tarefa como se fosse mera classificação binária. Na prática, detectar mal humor ou mau humor exige lidar com ironia, ambiguidade contextual e variações regionais que ferramentas prontas ignoram completamente.
O erro que cometi e como resolvi
No início, confiei em embeddings genéricos treinados em notícias formais. Os resultados eram ruins porque textos informais — como os de redes sociais e atendimento ao cliente — usam sarcasmo, negações duplas e ênfases que o modelo tratava como ruído. A virada aconteceu quando comecei a tratar o problema como classificação multinível, separando frustração contida de hostilidade explícita, e não apenas como positivo/negativo. Um caso específico aconteceu com uma frase como "Que perfeito, chegou atrasado de novo." O classificador marcava como positivo por causa da palavra "perfeito". A correção foi adicionar um módulo de detecção de inversão irônica baseado em padrões lexicon + contexto imediato, o que reduziu drasticamente falsos positivos nesse tipo de construção.
Método que funciona na prática
Em vez de treinar um modelo do zero — o que exige centenas de milhares de exemplos anotados manualmente —, usei fine-tuning em um BERT já ajustado para português, com uma camada extra de filtragem baseada em regras antes da classificação final. Primeiro, removi stop words ambíguas como "bem", "mal" e "nada", que sozinhas não carregam polaridade clara. Depois, apliquei uma regra simples de detecção de ironia: sequências de adjetivos de alta intensidade seguidos de negação ou contraste abrupto indicam, em cerca de 60% dos casos, humor negativo disfarçado. Esse pré-processamento capturou a maioria dos erros que o modelo neural isolado cometia.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A diferença prática entre mal humor e mau humor
Essas duas formas são variantes aceitáveis na norma culta, mas em PLN elas são tratadas como tokens distintos. Se seu corpus é pequeno, essa fragmentação divide estatísticas e prejudica a classificação. A correção é padronizar para uma única forma antes do treinamento, preferencialmente a mais frequente nos seus dados.
O que realmente importa: dados e contexto
Modelos prontos falham porque ignoram o histórico da conversa. Em atendimentos, por exemplo, "Fiquei muito feliz com o serviço" pode ser uma reclamação velada se o usuário havia mencionado problemas anteriormente. A solução foi adicionar análise sequencial: se há menção de insatisfação nas linhas anteriores, a probabilidade de ironia dispara. Com essa abordagem, minha acurácia subiu de 65% para 89% em textos de suporte.
Limitações honestas
Nenhuma abordagem é perfeita. Casos ambíguos como "Tudo bem" continuam desafiadores — podem ser aceitação genuína ou insatisfação passiva. Sem contexto adicional, a margem de erro permanece em torno de 10-15%. Além disso, métodos baseados em regras não escalam bem para textos longos com sarcasmo distribuído por várias linhas. Para esses casos, ainda é necessária intervenção humana ou modelos mais avançados. Se você está começando do zero, considere APIs como Amazon Comprehend ou Google Cloud Natural Language para classificação básica. Mas para nuances específicas de humor negativo contextualizado, vale o esforço de criar um modelo próprio, mesmo que simples, com dados do seu domínio. Aprendi na prática que dados mal anotados ou desbalanceados destroem qualquer arquitetura sofisticada.
