Misogyny Lens PT-BR

Digite um texto em português e veja, palavra por palavra, o que leva o modelo a marcar "traços de misoginia". O BERTimbau com fine-tuning roda inteiro no seu navegador, quantizado para 110 MB: nenhum texto sai do seu computador. Type a Portuguese text and see, word by word, what leads the model to flag "misogyny traits". The fine-tuned BERTimbau runs entirely in your browser, quantized to 110 MB: no text leaves your computer.

⚠ Demo de pesquisa. O modelo erra, reflete vieses dos dados de treino (comentários de redes sociais) e não deve ser usado para moderar ou julgar pessoas. ⚠ Research demo. The model makes mistakes, reflects biases of its training data (social media comments) and must not be used to moderate or judge people.

TextoText

0/1000

VereditoVerdict

…

sem traçosno traits50%com traçostraits

probabilidadeprobability: –
inferênciainference: –

Explicação palavra por palavra (oclusão)Word-by-word explanation (occlusion)

sem ela, a probabilidade caiwithout it, probability drops sem ela, a probabilidade sobewithout it, probability rises

O modelo roda de novo sem cada palavra, no mesmo lote. É uma estimativa de importância, não uma soma exata.The model runs again without each word, in the same batch. It estimates importance; it is not an exact sum.

Palavras que mais pesaramMost influential words

Variação da probabilidade de traços ao remover cada palavra.Change in the probability of traits when each word is removed.

Model card

Modelo (teste com 333 frases)Model (333-sentence test set)	Onde rodaRuns on	TamanhoSize	AcuráciaAccuracy	F1
SVM (TF-IDF + léxicolexicon)	API (Docker)	0,1 MB	79,0%	0,696
BERTimbau fp32	API (Docker)	436 MB	87,4%	0,819
Ensemble SVM + BERTimbau	API (Docker)	436 MB	88,0%	0,831
BERTimbau uint8 (esta páginathis page)	seu navegadoryour browser	110 MB	85,6%	0,791

Rodar a avaliação completa no seu navegador →Run the full evaluation in your browser →

Como foi treinadoHow it was trained

BERTimbau com fine-tuning numa GPU do Google Colab, 3 épocas, a melhor escolhida na validação. O teste foi usado uma única vez. As frases de teste também estavam no corpus de treino, então elas e suas duplicatas (371 linhas) foram removidas antes do treino.BERTimbau fine-tuned on a Google Colab GPU, 3 epochs, the best picked on validation. The test set was used once. Test sentences also appeared in the training corpus, so they and their duplicates (371 rows) were removed before training.

QuantizaçãoQuantization

A quantização int8 padrão derrubou a acurácia para 79,3%. Pesos int8 com sinal saturam em CPUs x86 sem VNNI. Com uint8 por canal, o modelo cai de 436 MB para 110 MB e perde só 1,8 ponto.Default int8 quantization dropped accuracy to 79.3%. Signed int8 weights saturate on x86 CPUs without VNNI. With per-channel uint8, the model shrinks from 436 MB to 110 MB and loses only 1.8 points.

LimitaçõesLimitations

Teste pequeno (333 frases), então os intervalos de confiança são largos. O modelo deixa passar cerca de 3 em cada 10 casos positivos. Treinado com comentários de redes sociais, que carregam vieses de quem anotou.Small test set (333 sentences), so confidence intervals are wide. The model misses about 3 in 10 positive cases. Trained on social media comments, which carry their annotators' biases.