O aumento uso das redes sociais e a disponibilização de quantidades massivas de textos online fez surgir o interesse em se analisar e compreender o conteúdo disponível nos mais diversos meios. Uma das frentes de pesquisa que se encarregar de tal tarefa é a Mineração de Argumentos, cujo objetivo é identificar, extrair e compreender a estrutura argumentativa de textos online (Sousa et al. 2021). Como toda grande tarefa, a mineração de argumentos é dividida em conjuntos menores de trabalhos que podem ser realizados individualmente. Um deles — talvez o mais popular — é a análise de sentimento, que consiste em identificar se um dado documento ou pedaço de texto carrega uma conotação positiva, negativa ou neutra.

Partindo das definições acima, o objetivo do presente trabalho é executar a análise de sentimentos contidos em Tweets coletados entre 01/08/2018 e 20/10/2018.

├── LICENSE
├── README.md 
├── data
│   ├── interim          <- Intermediate data that has been transformed.
│   ├── processed        <- The final, canonical data sets for modeling.
│   └── raw              <- The original, immutable data dump.
│
├── models               <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks            <- Jupyter notebooks.
│
├── requirements.txt     <- The requirements file for reproducing the analysis environment, e.g.
│                           generated with `pip freeze > requirements.txt`
│
├── setup.py             <- makes project pip installable (pip install -e .) so src can be imported
├── src                  <- Source code for use in this project.
│   │
│   ├─ build_dataset.py  <- Script to download or generate data
│   ├─ train.py          <- Script to train model
│   ├─ streamlit_app.py  <- Script to use trained models to make predictions
│   └─ visualize.py      <- Script to create exploratory and results oriented visualizations
│ 

Sousa, João Pedro da Silva, Rodrigo Costa Uchoa do Nascimento, Renata Mendes de Araujo, e Orlando Bisacchi Coelho. 2021. “Não se perca no debate! Mineração de Argumentação em Redes Sociais”. P. 139–50 em Anais do Brazilian Workshop on Social Network Analysis and Mining (BraSNAM). SBC.

Project based on the cookiecutter data science project template. #cookiecutterdatascience