Título da Dissertação: Machine Learning e a Diversidade Racial Brasileira: Um estudo sobre aplicações de classificação racial automatizada em um contexto racial complexo
Objetivo: Este estudo tem como objetivo investigar a capacidade de modelos generalistas de aprendizado de máquina em reproduzir as intrincadas percepções raciais no Brasil, uma nação caracterizada por sua diversidade e composição racial mista. Métodos: Comparamos o desempenho de modelos generalistas com o de nosso modelo especializado proposto, o BRA-RACE, desenvolvido para capturar com precisão as percepções raciais brasileiras. Utilizamos um dataset de candidatos eleitorais brasileiros, construído especialmente para este propósito, dada a carência de conjuntos de dados volumosos para classificação racial no Brasil. A métrica de avaliação utilizada foi o escore F1. Resultados: O modelo BRA-RACE superou os modelos generalistas, alcançando um notável escore F1 de 0,745. A significância estatística foi estabelecida por meio do teste de McNemar, evidenciando uma diferença substancial entre o BRA-RACE e os modelos generalistas. Ao contrário dos modelos generalistas, o BRA-RACE obteve resultados que se alinham de perto com a percepção humana das afiliações raciais. Isso foi confirmado por meio de uma pesquisa de opinião em pequena escala, que comparou avaliações raciais individuais com as previsões do BRA-RACE e dos modelos generalistas. Conclusão: O estudo enfatiza a eficácia de modelos especializados em replicar fenômenos complexos e culturalmente nuançados, como as percepções raciais brasileiras. A precisão do modelo proposto BRA-RACE em espelhar a percepção humana, ao mesmo tempo em que difere significativamente dos modelos generalistas, destaca sua utilidade em capturar dinâmicas socioculturais intricadas.
Banca examinadora:
Ana Cristina Bichara Garcia, UNIRIO
Gleison dos Santos Souza, UNIRIO
Carla Amor Divino Moreira Delgado, UFRJ
Carlos Eduardo Ribeiro de Mello, UNIRIO
Local da Defesa: Auditório PPGI
Data/Horário da Defesa: 29/08/2023 – 10h
