A detecção de posição nas redes sociais é cada vez mais vital para entender a opinião pública, mitigar desinformação e aumentar a confiança digital. Este estudo propõe uma estrutura modular de Aprendizado de Múltiplas Tarefas (MTL) que modela conjuntamente a detecção de posição e a análise de sentimento para abordar a complexidade emocional do conteúdo gerado por usuários. A arquitetura integra um codificador compartilhado baseado em RoBERTa com camadas BiCARU para capturar tanto a semântica contextual quanto as dependências sequenciais. A classificação de posição é reformulada em três subtarefas binárias paralelas, enquanto a análise de sentimento serve como um sinal auxiliar para enriquecer as representações de posição. Mecanismos de atenção e aprendizado contrastivo são incorporados para melhorar a interpretabilidade e robustez. Avaliado no conjunto de dados Weibo do NLPCC2016, o modelo proposto alcança uma média de F1-score de 0,7886, confirmando seu desempenho competitivo em tarefas de classificação emocionalmente nuançadas. Esta abordagem destaca o valor dos sinais emocionais na inferência de posição e oferece uma solução escalável e interpretável para mineração de opinião segura em ambientes online dinâmicos.
Im et al. (Terça-feira,) estudaram essa questão.