O teu olhar dirige-se para o canto superior direito do teu MacBook Air. São quatro horas da tarde. Falta apenas mais uma hora de trabalho e depois estás livre para ir para casa e ver o último episódio de Game of Thrones. Seria expectável que a maioria das pessoas se sentisse bem com isso. Mas isso não é verdade para uma parcela da população americana no Twitter. Para esses trabalhadores, as quatro horas da tarde são a parte mais infeliz do seu dia de trabalho.

Essa conclusão foi tirada por uma equipa de cinco investigadores das universidades de Northeastern e Harvard, que estudaram 300 milhões de tweets entre setembro de 2006 e agosto 2009. O que parece ser uma quantidade enorme de trabalho para cinco pessoas – analisar centenas de milhões de textos de 140 caracteres e determinar o estado de espírito da pessoa que os escreveu – foi possível graças à ajuda da Inteligência Artificial. 

O tom de cada tweet foi categorizado por um algoritmo que comparava o seu conteúdo com o uma lista de palavras ANEW (Affective Norms for English Word) e gerava uma pontuação que determinava se este era positivo ou negativo. A partir daí, os investigadores conseguiram estabelecer os sentimentos das pessoas por detrás dos tweets e como evoluíam da manhã até à noite. 

A tecnologia por detrás disso é chamada de análise de sentimentos e a sua aplicação vai além da identificação da mudança de humor das pessoas ao longo do dia. 

Máquinas emocionalmente inteligentes

A análise de sentimentos, ou prospeção de dados, é um campo dentro da Inteligência Artificial que usa algoritmos para determinar se o tom de uma mensagem escrita é positivo, negativo ou neutro. São analisadas frases, MicroBlogs (mensagens curtas de 140 caracteres ou menos, como tweets de posts no Facebook) ou até mesmo documentos inteiros e estabelece-se o sentimento, atitude ou opinião da pessoa que os escreveu em relação a um tópico, produto ou marca específico. 

Esta é a versão básica da análise de sentimentos. Outros algoritmos mais complexos tentam determinar a força dessa opinião. Eles atribuem um peso às palavras positivas ou negativas e chegam a uma pontuação que varia de -1 a +1 e usam o resultado para representar o sentimento da frase. 

Mas como é que as máquinas lêem as nossas emoções?

Existem três abordagens principais para a análise de sentimentos: baseada em regras, automática e híbrida. 

As abordagens baseadas em regras funcionam primeiro definindo um conjunto de regras numa linguagem script que identifica o tom da mensagem escrita à mão. Essas regras usam uma variedade de entradas que variam de técnicas clássicas de processamento de linguagem natural a outros recursos, como dicionários ou listas de palavras específicas. Em termos práticos, os investigadores, por exemplo, criariam uma lista de palavras positivas e negativas. Depois o algoritmo analisaria as mensagens escritas e compararia o seu conteúdo com o das listas. Se uma mensagem tiver mais palavras positivas do que negativas, o seu tom será considerado positivo e vice-versa. Caso contrário, são consideradas neutras. 

As abordagens automáticas, por outro lado, não dependem de regras criadas manualmente, mas de técnicas de aprendizagem de máquina que são muito mais complexas. Simplificando, as abordagens automáticas dependem do treino de um computador, mostrando exemplos suficientes ou instâncias de treino, e ele começará a reconhecer padrões por conta própria e aprenderá a transformar a entrada na saída desejada. Nesse caso, é possível usar um conjunto de tweets e o seu sentimento correspondente como entrada e medir o desempenho do algoritmo, observando a percentagem de tweets seguintes que ele classificaria corretamente, em cada categoria possível. 

Abordagens híbridas combinam o melhor dos dois mundos para alcançar resultados mais precisos.

A análise de sentimentos foi inicialmente desenvolvida para pesquisa de mercado. Bing Liu, professor de Ciência da Computação na Universidade de Illinois e autor de vários textos sobre o assunto, explica que surgiu em meados da década de 2000, quando as avaliações on-line ganharam popularidade e as empresas quiseram analisá-las para entender o que os seus clientes estavam a dizer. Antes da análise de sentimentos, as únicas maneiras pelas quais as empresas tinham de descobrir como as pessoas estavam a reagir a um determinado produto ou serviço era reunir grupos focais ou enviar questionários, das quais não tinham garantia de obter um número estatisticamente significativo de respostas.

Então os algoritmos vieram e tornaram tudo mais fácil. Eles podem analisar grandes quantidades de dados em períodos de tempo mais curtos e não exigem que as empresas cheguem aos clientes para obter as suas opiniões; eles simplesmente pegam nas que são partilhadas voluntariamente online.

Umamina de ouro de informação

Como consumidores, produzimos uma quantidade imensurável de dados escritos on-line. Enviamos e-mails, trocamos ideias em caixas de mensagens, postamos nos murais dos nossos amigos e comentamos as suas fotos no Instagram. Nós gastamos cada vez mais tempo nas redes sociais. Em 2017, o tempo de utilização diário das redes sociais em todo o mundo aumentou para 135 minutos por dia, partindo dos 90 minutos apenas cinco anos antes. Usamos o Facebook, Instagram e outros meios não apenas para partilhar os nossos gostos e desgostos, mas também para expressar as nossas opiniões sobre marcas ou produtos específicos. 

Os dados colhidos em avaliações on-line, publicações nas redes sociais e outras fontes têm muito valor para as empresas, porque os resultados de uma análise de sentimentos podem ser usados para melhorar várias áreas. 
Em termos de marketing, por exemplo, permite que as empresas acompanhem se as reações a diferentes eventos ou campanhas nas redes sociais foram positivas, negativas ou neutras e repensem a sua estratégia para melhor atender ao seu público. É também uma ferramenta útil para explorar os sentimentos das pessoas em relação à concorrência, para tentar obter uma vantagem competitiva no mercado. 
A análise de sentimentos também provou recentemente ser útil em recursos humanos e operações de pessoas. Empresas como a Frrole desenvolveram uma IA DeepSense que recolhe dados sociais disponíveis publicamente de candidatos a emprego e, com base nos resultados, permite que os recrutadores tenham uma noção dos seus traços comportamentais e personalidade, para avaliar se eles serão adequados para a equipa. 

Outras empresas maiores começaram a usar essas tecnologias para entender como os seus funcionários atuais se sentem. A IBM, por exemplo, tem uma plataforma de rede social interna chamada Connections, através da qual todos os 380,000 funcionários da IBM podem entrar em contacto uns com os outros, postar opiniões e comentar sobre o conteúdo compartilhado de outras pessoas. A IBM combina essa plataforma com uma ferramenta de análise de sentimentos desenvolvida internamente chamada Social Pulse, que analisa o que as pessoas estão a dizer e identifica tendências e possíveis sinais de alerta na satisfação dos funcionários. 

Lendo as mentes dos clientes

A análise de sentimentos é igualmente útil e importante para monitorizar e melhorar a experiência do cliente

Os sentimentos dos clientes em relação a uma marca podem ser influenciados por vários fatores. Lançamentos ou alterações de produtos, aumentos de preços, campanhas virais e outras ações de marketing e qualidade de atendimento ao cliente.

As empresas podem recorrer à análise de sentimentos para passar por revisões de produtos ou serviços, por exemplo, e atribuir uma pontuação a cada uma delas, permitindo que os assistentes de atendimento cheguem aos clientes com as opiniões mais negativas primeiro e tentem neutralizar a situação desagradável assim que possível. Quanto às avaliações com pontuações mais positivas, elas permitem que as empresas entendam quais ações desencadeiam emoções positivas nos clientes como referência para o futuro. 

O mesmo princípio pode ser aplicado aos pedidos de ajuda dos clientes. Os algoritmos de análise de sentimentos podem prioritizar os pedidos com base no tom de voz do email. Desta forma, os assistentes podem voltar a sua atenção para os clientes mais frustrados ou insatisfeitos sem precisar de passar primeiro por cada um dos pedidos para avaliar manualmente a sua prioridade. 

Para os gestores, esta é uma ferramenta útil para medir a satisfação geral dos clientes com a equipa de apoio. Os resultados baseiam-se, não no feedback solicitado após uma interação específica com um assistente, mas em opiniões menos intrusivas e mais honestas que os clientes escrevam on-line, porque lhes apetece. Ele pode complementar as avaliações internas de desempenho como uma camada adicional de feedback do cliente, a partir da qual os gerentes podem ter uma noção mais clara das interações que funcionaram melhor e usar essas perceções para melhorar os processos. 

Mas a tecnologia ainda não é totalmente precisa. É baseada na língua, que não é preto no branco como uma lista de palavras positivas e negativas. Ambas podem ser usadas para indicar o tom oposto que normalmente se associa às mesmas. Por exemplo, para comentar sobre uma entrega atrasada, posso dizer: “A Amazon não entregou o meu pedido a tempo. Brilhante!” A palavra “brilhante” geralmente tem uma conotação positiva, mas, neste caso, está a ser usada para comentar sobre um serviço insatisfatório. 

Embora algumas empresas de IA já estejam a treinar algoritmos para reconhecer o sarcasmo, existem muitas mais variáveis, como o contexto ou até mesmo as complexidades de certas línguas, que tornam mais difícil para as máquinas entenderem corretamente o tom implícito da conversa. 

No entanto, as máquinas estão cada vez melhores a perceber a emoção humana. Ainda há muito espaço para melhorias na análise de sentimentos, mas os estudos estão a investir em outras ferramentas de leitura de sentimentos, como scans faciais. Quem sabe, daqui a alguns anos, teremos um relatório sobre as horas menos produtivas do dia de trabalho, com base em quantas vezes os nossos computadores procuraram um bocejo na nossa cara.