LSTM supera Random Forest e Naive Bayes na análise de sentimento de tuítes, com ROC-AUC de 0,92

Um novo estudo publicado no arXiv em julho de 2026 avaliou o quanto a rede neural LSTM supera cinco algoritmos clássicos de aprendizado de máquina na análise de sentimento de publicações do Twitter. A rede recorrente venceu em todas as métricas principais, com 80% de acurácia no conjunto de teste e ROC-AUC de 0,92.

O que foi comparado e como

Os autores usaram um dataset de tuítes do Kaggle e aplicaram um pré-processamento padrão de PLN: tokenização (divisão do texto em palavras), lematização (redução das palavras à forma base) e remoção de stop words. Em seguida, seis algoritmos foram treinados para classificar os tuítes em três categorias: positivos, negativos e neutros.

Os modelos testados:

• Regressão logística
• Random Forest
• Classificador Naive Bayes
• Gradient Boosting
• LSTM (Long Short-Term Memory), uma rede neural recorrente que considera a ordem das palavras

Como a LSTM se saiu?

A LSTM foi a melhor entre todas as abordagens testadas:

• Acurácia no conjunto de treino: 90,98%
• Acurácia no conjunto de teste: 80,00%
• ROC-AUC micro-average: 0,92

Um ROC-AUC de 0,92 significa que o modelo separa corretamente conteúdo positivo e negativo em cerca de 92% dos casos. É um resultado forte para dados "ruidosos" de redes sociais, cheios de gírias e ironia. A diferença entre 90,98% (treino) e 80% (teste) indica overfitting moderado, comum em redes neurais sem regularização adicional.

"Os resultados mostram que a LSTM supera os métodos convencionais de

aprendizado de máquina ao capturar os aspectos contextuais e sequenciais do texto", destacam os autores.

Os algoritmos clássicos treinam mais rápido e são mais fáceis de interpretar, mas tratam o texto como um conjunto de palavras independentes, sem considerar ordem e contexto. A LSTM, por outro lado, "lembra" das palavras anteriores ao processar cada nova. Por isso ela entende que "não é ruim" não é "ruim", e que "não gostei nada" carrega um sentimento fortemente negativo.

Por que isso importa para a análise de redes sociais

O Twitter (hoje X) gera centenas de milhões de publicações por dia. A análise automática de sentimento permite que marcas acompanhem em tempo real a reação do público a um produto, e que pesquisadores estudem a dinâmica da opinião pública sem ler manualmente milhões de mensagens.

Os sistemas comerciais atuais se apoiam em modelos transformer, como BERT e RoBERTa, que superam bastante a LSTM, mas exigem muitos recursos computacionais. A LSTM continua sendo uma escolha prática para equipes com orçamento limitado: é mais leve, mais rápida na inferência e funciona bem o suficiente sem um cluster de GPUs poderoso.

O que isso significa

O trabalho confirma um padrão estável em PLN: para textos em que ordem das palavras e contexto importam, o aprendizado profundo vence o ML clássico de forma consistente. O experimento é fácil de reproduzir: um dataset aberto do Kaggle e bibliotecas padrão (TensorFlow, PyTorch) permitem montar um pipeline parecido em poucas horas.

Perguntas frequentes

Qual a diferença entre LSTM e BERT na análise de sentimento?

A LSTM processa o texto de forma sequencial, palavra por palavra, mantendo o contexto anterior na memória. O BERT é um modelo transformer que analisa o texto inteiro de uma vez, nas duas direções, e é pré-treinado em corpora gigantescos. Na maioria dos benchmarks atuais, o BERT supera a LSTM em 5-15 pontos percentuais, mas exige bem mais recursos computacionais.

O que é ROC-AUC e por que 0,92 é um bom resultado?

O ROC-AUC mostra o quão bem um modelo separa as classes: 0,5 equivale a um palpite aleatório e 1,0 a uma classificação perfeita. Um valor de 0,92 é considerado alto na análise de sentimento em redes sociais, onde os dados são ruidosos, com gírias, erros de digitação e sarcasmo.