O crescente uso das redes sociais ao longo de quase três décadas transformou de maneira significativa a interação humana e como compartilhamos informações. Com esse aumento na utilização das redes sociais, inevitavelmente, ocorre uma produção massiva de dados, predominantemente textuais, apresentando tanto desafios quanto oportunidades. A informação textual desempenha um papel central na comunicação nas mídias sociais, sendo crucial para plataformas como Twitter, Facebook e Instagram. Adicionalmente, esses dados textuais alimentam técnicas, como mineração textual e análise de sentimentos, permitindo uma compreensão mais profunda das preferências e tendências dos usuários. Com o surgimento da COVID-19, causada pelo novo coronavírus, desencadeou uma pandemia global que impactou milhões de pessoas. Diante desse cenário desafiador, muitos indivíduos recorreram às redes sociais para expressar suas opiniões, compartilhar ideias e obter informações sobre a doença. Nesse contexto, este estudo analisou o sentimento presente nas mensagens relacionadas à COVID-19 no Brasil, utilizando técnicas de mineração textual e análise de sentimento. A abordagem adotada envolveu a associação de técnicas léxicas com aprendizado de máquina para a classificação dos sentimentos expressos nas sentenças. Dos resultados obtidos se destacam a eficácia de algoritmos de aprendizado de máquina, notadamente BERT, SVM e LSTM, que demonstraram um desempenho superior na classificação de sentimentos em comparação com outros algoritmos. Além disso, as análises revelaram padrões temporais nos sentimentos relacionados à COVID-19 no Brasil, fornecendo uma visão aprofundada do impacto das crises de saúde pública nas dinâmicas das redes sociais.

The increasing use of social media over almost three decades has significantly transformed human interaction and the way we share information. With this rise in social media usage, inevitably, there is a massive production of data, predominantly textual, presenting both challenges and opportunities. Textual information plays a central role in communication on social media, being crucial for platforms like Twitter, Facebook, and Instagram. Additionally, this textual data fuels techniques such as text mining and sentiment analysis, allowing a deeper understanding of user preferences and trends. With the emergence of COVID-19, caused by the novel coronavirus, a global pandemic unfolded, impacting millions of people. Faced with this challenging scenario, many individuals turned to social media to express their opinions, share ideas, and obtain information about the disease. In this context, this study sought to analyze the sentiment present in messages related to COVID-19 in Brazil, employing text mining and sentiment analysis techniques. The adopted approach involved combining lexical techniques with machine learning for the classification of sentiments expressed in sentences. The results highlight the effectiveness of machine learning algorithms, notably BERT, SVM, and LSTM, which demonstrated superior performance in sentiment classification compared to other algorithms. Furthermore, the analyses revealed temporal patterns in sentiments related to COVID-19 in Brazil, providing an in-depth insight into the impact of public health crises on the dynamics of social media.