O advento das mídias sociais forneceu aos indivíduos um ambiente para a expressão de opiniões e preferências em uma ampla gama de assuntos. Os dados obtidos das mídias sociais podem ser uma fonte valiosa de informações para a análise das intenções e interesses do público, facilitando assim o processo de tomada de decisão e desenvolvimento de estratégias. Um exemplo de análise do comportamento humano é o exame de eventos de votação popular. Para abordar o desafio de prever uma sequência de eventos no contexto da votação, propomos uma nova metodologia que emprega uma solução orientada por dados, incorporando dados do Twitter/X e modelos de regressão. Neste estudo de caso, empregamos técnicas comumente utilizadas na previsão de resultados eleitorais, incluindo análise volumétrica e de sentimentos, para prever a eliminação de concorrentes no Big Brother Brasil. Nossos experimentos resultaram em um erro absoluto médio de aproximadamente 11 pontos, com uma precisão de 81,25% para prever eliminações e 68,75% para prever a ordem da classificação durante cada eliminação.
The advent of social media has provided individuals with a platform for the expression of opinions and preferences on an extensive range of subjects. The data obtained from social media can be a valuable source of information for the analysis of audience intentions and interests, thereby facilitating the process of informed decision-making and strategy development. One example of human behavior analysis is the examination of popular voting events. In order to address the challenge of forecasting a sequence of events in the context of voting, we propose a novel methodology that employs a data-driven solution, incorporating Twitter/X data and regression models. In this case study, we employed techniques commonly utilized in electoral outcome forecasting, including volumetric and sentiment analysis, to predict the eviction of contestants in Big Brother Brazil. Our experiments resulted in an average absolute error of approximately 11, with an accuracy of 81.25% for predicting evictions and 68.75% for forecasting the classification order.
