Inteligência artificial mapeia opinião pública sobre investimentos em ouro e Bitcoin na Indonésia

Autores do artigo original: Rachmad Aditya Alfaris, Mochamad Alfan Rosid, Ika Ratna Indra Astutik, Azmuri Wahyu Azinar

Pesquisadores da Universidade Muhammadiyah Sidoarjo, na Indonésia, aplicaram um modelo de inteligência artificial baseado em processamento de linguagem natural para analisar o sentimento do público em relação a investimentos em ouro e Bitcoin. A ferramenta, treinada com comentários de redes sociais, alcançou uma precisão superior a 72% na classificação das opiniões dos usuários. O estudo apresenta uma alternativa automatizada para monitorar a percepção pública sobre ativos financeiros tradicionais e digitais em canais de educação financeira.

Por Rachmad Aditya Alfaris, Mochamad Alfan Rosid, Ika Ratna Indra Astutik e Azmuri Wahyu Azinar, Universitas Muhammadiyah Sidoarjo — Sidoarjo, Jawa Timur, Indonésia

Publicado em 01-10-2026 • Atualizado em 09/10/2026, 01:59:44

O estudo analisou um banco de dados composto por 4.909 comentários únicos extraídos das plataformas YouTube e TikTok, especificamente do canal de educação financeira indonésio \"Ngomongin Uang\". As mensagens, publicadas entre os anos de 2020 e 2025, abordavam debates sobre investimento em ouro e Bitcoin. Para o processamento dos textos, os autores utilizaram a variante `indobert-base-p2` do modelo IndoBERT, uma rede neural de aprendizado profundo especializada na estrutura da língua indonésia.

Os dados analisados revelaram que as discussões sobre criptomoedas dominaram as interações no canal. O tópico Bitcoin representou 75,2% do total (3.690 comentários), enquanto o ouro respondeu por 24,8% (1.219 comentários). Em relação ao teor das mensagens, as opiniões positivas foram maioria, correspondendo a 45% do conjunto de dados, seguidas por comentários neutros (40,6%) e negativos (14,4%).

Otimização tecnológica

Para lidar com a informalidade da linguagem das redes sociais e com o desequilíbrio no volume de comentários — uma vez que havia significativamente menos mensagens negativas e sobre ouro —, os pesquisadores testaram diferentes estratégias de ajuste fino (fine-tuning) no modelo.

A configuração mais bem-sucedida, denominada A4, combinou a inserção prévia do tópico no início do texto (prepend), o ajuste de pesos de classe (class weight) e o otimizador AdamW ao longo de 5 ciclos de treinamento (epochs).

Os testes experimentais demonstraram que essa configuração alcançou uma acurácia global de 72,51% e uma pontuação Macro F1 de teste de 0,6983. De acordo com o estudo, a aplicação de pesos de classe foi fundamental para mitigar o desequilíbrio dos dados, permitindo ao modelo identificar melhor as opiniões de teor negativo, cuja pontuação F1 específica subiu de 0,5694 para 0,6087, obtendo uma taxa de recuperação (recall) de 0,6087 para essa classe.

Os experimentos indicaram ainda que aumentar o tempo de treinamento da inteligência artificial não resultou em melhorias de desempenho. Modelos treinados por 20 e 50 ciclos apresentaram superajuste (overfitting), fenômeno no qual o sistema memoriza os dados de treino mas perde capacidade de generalização para novos dados, além de demandar um tempo de processamento computacional até 17 vezes maior. A configuração ideal (A4) exigiu apenas 2,4 minutos de processamento.

Limitações e próximos passos

Os pesquisadores apontaram que o modelo se mostrou estável e demonstrou um desempenho equilibrado tanto para o tópico de Bitcoin quanto para o de ouro. Contudo, o estudo destaca algumas limitações, como o fato de os dados estarem restritos a um único canal de mídia social e a potencial subjetividade envolvida na rotulação manual inicial dos comentários.

Para investigações futuras, os autores sugerem expandir a coleta de dados para múltiplas plataformas digitais, avaliar o desempenho do IndoBERT em comparação com outros modelos de linguagem baseados em transformadores e aprimorar a etapa de normalização de gírias e abreviações técnicas do mercado financeiro e de criptoativos.

Ler o artigo científico original

Revisado e aprovado por lss.duda antes da publicação.