O uso de uma estrutura baseada em Reconhecimento de Inferência Textual (RIT) para classificar manchetes de notícias relacionadas a vacinas é tema de novo artigo publicado no periódico Computational Communication Research.

O Processamento de Linguagem Natural (PLN) é uma área da Inteligência Artificial dedicada a permitir que os computadores entendam, interpretem e gerem linguagem humana. A introdução dos Transformers, redes neurais que empregam mecanismos de autoatenção, revolucionou o PLN. Modelos como BERT e GPT estão na vanguarda dos Modelos de Linguagem de Grande Escala e têm sido utilizados na classificação de textos. Apesar de seu desempenho de referência, aplicações no mundo real apresentam desafios, incluindo a exigência de dados rotulados substanciais e equilíbrio de classes. Abordagens de aprendizagem de poucas tentativas, como a estrutura Reconhecimento de Inferência Textual (RIT) surgiram para abordar essas questões.

Neste sentido, os autores do estudo exploraram uma estrutura baseada em Reconhecimento de Inferência Textual (RIT) para classificar manchetes de notícias relacionadas a vacinas com apenas 751 pontos de dados rotulados distribuídos de forma desigual em 10 classes. Foram avaliados oito modelos e procedimentos.

Os resultados destacam que o Aprendizado por Transferência Profunda, combinando conhecimento de linguagem e tarefas — como os Transformers e o RIT —, permite o desenvolvimento de modelos de classificação de texto com desempenho superior, enfrentando de forma eficaz a escassez de dados e o desequilíbrio entre classes. De acordo com os autores, essa abordagem fornece um protocolo valioso para a criação de novos modelos de classificação de texto e entrega um modelo automatizado avançado para a classificação de conteúdos relacionados a vacinas.

Leia o artigo aqui.

Imagem: James Gathany