Durante a elaboração desta dissertação, o mundo enfrentou a pandemia do COVID- 19. No Brasil, entre janeiro de 2020 e fevereiro de 2023, 697mil brasileiros morreram devido a COVID-19 e 36,9 milhões de casos foram registrados. Além disso, os impactos econômicos e sobre os sistemas produtivos levaram a uma crise de proporções globais, com aumentos de preços, redução dos níveis de emprego e escassez de matérias primas entre outros. Essa pandemia também deixou claro que a demanda por serviços de saúde pode se tornar imprevisível, o que fortalece a relevância de se construir modelos e métodos capazes de antecipar tendências. Dentre as diversas fontes de dados complementares, as redes sociais têm sido utilizadas por bilhões de pessoas como uma ferramenta de comunicação, gerando conteúdo sobre tópicos variados e permitindo o compartilhamento de informações. Com um bom levantamento de dados, as plataformas de redes sociais estão se tornando ferramentas essenciais. Compreender essas informações, opiniões, momento, local e sua disseminação pode fornecer recursos inestimáveis para também alimentar os sistemas de alerta precoce. Para explorar o potencial dos dados das redes sociais, este estudo realiza uma análise retrospectiva da pandemia de COVID-19 no Brasil e investiga mais de 10 milhões de tweets. Com a ajuda de técnicas de processamento de linguagem natural, aprendizado de máquina e modelagem de tópico, identifica o conteúdo textual de cada tweet refletindo assim o contexto dos posts sobre o momento da pandemia. Após analisar os posts, foram criados modelos de regressão temporal demonstrando ser possível criar alertas para o aumento de casos, combinado com informações oficiais de contagens de casos anteriores. São calibrados três modelos que foram capazes de estimar os casos semanais com 1 semana de antecedência com razoável precisão, sendo um modelo para a São Paulo, outro para Amazonas e um modelo para o Brasil. Essa abordagem tem as vantagens de rapidez, quantidade, informação temporal e espacial, além de boa previsibilidade para auxiliar no desdobramento de crises, podendo alimentar os atuais sistemas de acompanhamento ajudando as agências governamentais a melhorarem os alertas precoces em tempo hábil

During the development of this dissertation, the world faced the COVID-19 pandemic. In Brazil, from January 2020 to February 2023, 697 thousand Brazilians died due to COVID- 19 and 36.9 million cases were registered. In addition, the economic impacts and impacts on production systems led to a crisis of global proportions, with price increases, reduced levels of employment and shortages of raw materials, among others. This pandemic also made it clear that the demand for health services can become unpredictable, which strengthens the relevance of building models and methods capable of anticipating trends. Among the various sources of complementary data, social networks have been used by billions of people as a communication tool, generating content on various topics and allowing the sharing of information. With good data collection, social networks platforms are becoming essential tools. Understanding this information, opinions, time, place, and its dissemination can provide invaluable resources to also increase early warning systems. To explore the potential of social networks data, this study performs a retrospective analysis of the COVID-19 pandemic in Brazil and investigates more than 10 million tweets. Using natural language processing techniques, machine learning and topic modeling, it identifies the textual content of each tweet, thus reflecting the context of the posts about the moment of the pandemic. After analyzing the posts, temporal regression models were created, demonstrating that it is possible to create alerts for the increase in cases, combined with official information from previous case counts. Three models are calibrated that were able to estimate weekly cases 1 week in advance with reasonable accuracy, one model for São Paulo, another for Amazonas and a model for Brazil. This approach has the advantages of speed, quantity, temporal and spatial information and good predictability to support crisis unfold and can increase current warning systems by supporting government agencies to improve early warnings