PROPOSTA DE UM INSTRUMENTO WEB DE DIAGNÓSTICO E CATEGORIZAÇÃO DE BULLYING NO AMBIENTE ESCOLAR

Embora não seja um fenômeno recente, o bullying se tornou uma temática de relevância atualmente. Esse termo diz respeito a práticas de violência e intimidação sistemáticas, que acontecem principalmente no âmbito educacional, podendo tomar a forma de violência física ou psicológica; atos de intimidação, humilhação, discriminação, entre outros. No Brasil, sobre o tema, temos a lei n. 13.185 de 2015, que instituiu um programa para combater o bullying, tendo como objetivos estimular a prevenção e o combate desta ação através de ações de discussão, orientação, solução e prevenção. A referida lei traz como obrigação, em níveis estaduais e municipais, a produção de relatórios bimestrais de ocorrências de bullying, entretanto, de acordo com observação em duas escolas do município de Campos dos Goytacazes, notou-se que estes relatórios não estão acessíveis. Este trabalho objetivou a proposição de um modelo de categorização de casos de bullying através da mineração de texto, de forma a destacar as categorias de maior ocorrência, gerando conhecimento que possa respaldar a gestão escolar a prevenir e combater os casos de bullying. A mineração de texto é uma ferramenta para extração de conhecimento a partir de dados não estruturados, como bancos de dados, textos ou outras mídias. Utilizou-se ferramentas como inteligência artificial e machine learning para extração de uma base de dados para o teste piloto, que foi composta por tweets relacionados a ocorrência de bullying, pois, de acordo com a literatura, a quantidade de informações e opiniões disponíveis na internet fornece um campo fértil para pesquisas com machine learning. A classificação em categorias de bullying se baseou no referencial da análise de sentimentos, que permite a identificação de temas principais de um documento e classificação de acordo com um conjunto predefinido de tópicos. Para esse processo, foi realizada anotação manual dos tweets em categorias de bullying praticadas, gerando uma base de teste para o algoritmo de classificação utilizado, o Naive Bayes. Os resultados demonstraram que o modelo Naive Bayes de melhor acurácia para a classificação foi o Gaussian Naive Bayes, com 21,7% de acurácia. Os esforços da pesquisa representam um avanço significativo no campo da detecção de bullying por meio da mineração de texto. A análise crítica dos resultados e as considerações sobre os fatores que influenciaram a performance dos modelos oferece insights valiosos para pesquisadores e profissionais interessados em abordar esse problema complexo de maneira mais eficaz e abrangente, apontando para a possibilidade de exploração de técnicas de balanceamento de classes, com inclusão de mais dados representativos de cada classe, bem como utilização de bases de dados mais abrangentes, fornecidas por escolas. A pesquisa lança luz sobre a importância de uma abordagem multidisciplinar e baseada em evidências na prevenção e combate ao bullying, destacando a necessidade contínua de pesquisa e desenvolvimento de técnicas e ferramentas mais avançadas para lidar com essa questão tão relevante em nossas comunidades escolares e sociedades.

Palavras-chave: Bullying; Extração de Conhecimento; Mineração de Texto; Análise de Sentimentos Machine Learning.