Título do projeto:  Geração e Avaliação de Dados Sintéticos para Aplicações em Saúde Mental

Nível: Trabalho de Conclusão de Curso

Breve descrição: Corpora anotados na área de saúde mental são escassos e frequentemente não podem ser redistribuídos publicamente devido a restrições éticas e legais associadas à sensibilidade dos dados, o que limita a reprodutibilidade de experimentos e o avanço colaborativo da área. Este trabalho propõe e avalia um pipeline de geração de dados sintéticos para o corpus Amive, composto por postagens anônimas de redes sociais anotadas com sintomas de depressão, com o objetivo de viabilizar a distribuição pública de um corpus funcional sem expor os textos originais dos usuários que os produziram. O pipeline combina tradução automática via modelo de linguagem (português para inglês e retradução ao português), geração de paráfrases com o modelo PEGASUS por meio de diverse beam search, e seleção da melhor paráfrase candidata com base na similaridade semântica calculada pelo BERTScore, utilizando o BERTimbau como modelo de representação. A avaliação do corpus sintético gerado, com foco no sintoma de Tristeza/Humor depressivo, é conduzida em duas frentes complementares: uma avaliação extrínseca, na qual classificadores binários de diferentes naturezas (Regressão Logística, SVM, Naive Bayes e Random Forest) são treinados e testados em quatro cenários combinando dados originais e sintéticos; e uma avaliação intrínseca, baseada em métricas de diversidade lexical e na distribuição de categorias gramaticais do corpus gerado, complementada por uma análise qualitativa de exemplos representativos. Os resultados indicam que o corpus sintético preserva, em grande medida, a utilidade do corpus original para a tarefa de classificação, com destaque para a revocação, métrica considerada mais crítica em aplicações de triagem em saúde mental, na qual deixar de identificar um caso positivo tende a ser mais custoso do que um alarme falso. Observa-se, no entanto, queda mais consistente na precisão dos classificadores treinados exclusivamente com dados sintéticos quando avaliados sobre dados reais, além de indícios de que parte da diversidade lexical introduzida decorre de uma tendência do pipeline a podar conteúdo em sentenças sintaticamente complexas, e não apenas de reformulação genuína. A análise qualitativa revela, ainda, padrões recorrentes de perda de nuances discursivas, como despersonalização de relatos autobiográficos e literalização de construções metafóricas. Conclui-se que o pipeline proposto constitui um mecanismo viável, embora não isento de limitações, para a geração de corpora sintéticos em português no domínio da saúde mental, oferecendo uma alternativa concreta à indisponibilidade de dados anotados nesse domínio.

Orientador: Profa. Dra. Helena de Medeiros Caseli