Detecção automática de fake news em Tweets em períodos eleitorais

Rafaela Amorim Barbosa Silva; Eanes Torres Pereira; Sylvia Iasulaitis

doi:10.5380/atoz.v14.95677

Autores

Rafaela Amorim Barbosa Silva Universidade Federal de Campina Grande https://orcid.org/0000-0003-2568-3218
Eanes Torres Pereira Universidade Federal de Campina Grande https://orcid.org/0000-0002-9717-794X
Sylvia Iasulaitis Universidade Federal de São Carlos https://orcid.org/0000-0002-3526-1003

DOI:

https://doi.org/10.5380/atoz.v14.95677

Palavras-chave:

Fake News, Tweets, Eleições, Detecção de notícias falsas, Inteligência artificial, Redes neurais convolucionais

Resumo

Introdução: O fenômeno da desinformação consiste na propagação de informações não verídicas e falsificadas com o objetivo de obter ganhos financeiros, manipular a opinião pública, enfraquecer um campo político, alterar as relações de poder, fortalecer grupos de ódio ou alimentar preconceitos por meio de representações deliberadamente distorcidas. Com o advento das mídias sociais, percebe-se o aumento do consumo de notícias online além de alterações no comportamento informacional que levaram a um aumento no acesso e compartilhamento de fake news. Tais notícias frequentemente são concebidas para se parecerem com notícias verdadeiras e são criadas e disseminadas muito rapidamente. Método: Neste trabalho propomos uma metodologia para detecção de notícias falsas usando redes neurais profundas, com uma amostra de mais de 2 milhões de tweets de um conjunto de dados próprio, coletado com a API do Twitter durante as eleições presidenciais brasileiras no pleito de 2022. Os tweets foram rotulados automaticamente por um modelo de supervisão fraca. Resultados: Os resultados obtidos com o modelo foram F1-score de 98% em tweets de notícias não falsas e F1-score de 47% em tweets contendo notícias falsas. A área sob a curva ROC foi de 0.848, considerado um valor que mostra potencial. Conclusão: São promissores os resultados de modelos de redes neurais artificiais para agilizar o tão necessário trabalho de verificação de veracidade de notícias, especialmente em pleitos eleitorais, que exigem rápida detecção de fake news. Contudo, ainda é um desafio trabalhar com grandes volumes de dados não rotulados, como aqueles utilizados nesta pesquisa. Os principais tópicos de fake news encontrados estavam relacionados a valores morais e religiosos, pautas econômicas, idoneidade de instituições, endosso de figuras públicas, associação de adversários e partidos ao crime e negacionismo científico.

Biografia do Autor

Rafaela Amorim Barbosa Silva, Universidade Federal de Campina Grande

Mestranda do Programa de Pós-Graduação em Ciência da Computação da Universidade Federal de Campina Grande

Eanes Torres Pereira, Universidade Federal de Campina Grande

Professor doutor da Unidade Acadêmica de Sistemas e Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande

Sylvia Iasulaitis, Universidade Federal de São Carlos

Professora doutora dos programas de Pós-Graduação em Ciência da Informação e de Ciência, Tecnologia e Sociedade da Universidade Federal de São Carlos

Referências

Allcott, H., & Gentzkow, M. (2017). Social media and fake news in the 2016 election. Journal of Economic Perspectives, 31(2), 211-236. https://doi.org/10.1257/jep.31.2.211

Bovet, A., & Makse, H. A. (2019). Influence of fake news in Twitter during the 2016 US presidential election. Nature communications, 10(1), 7. https://doi.org/10.1038/s41467-018-07761-2

Bradshaw, S., Campbell-Smith, U., Henle, A., Perini, A., Shalev, S., Bailey, H., & Howard, P. N. (2021). Country case studies industrialized disinformation: 2020 global inventory of organized social media manipulation. Oxford Internet Institute.

Chollet et al. (2015). Keras. https://keras.io

Huyghe. F. B. (2016). La désinformation: Les Armes du Faux. Colin.

Iasulaitis, S., Valejo, A. D. B., Greco, B. C., Perillo, V. G., Messias, G. H., Vicari, I., & Interfaces – Center for Sociopolitical Studies of Algorithms and Artificial Intelligence. (2025). The interfaces Twitter elections dataset: Construction process and characteristics of big social data during the 2022 presidential elections in Brazil. PloS one, 20(2), e0316626. https://doi.org/10.1371/journal.pone.0316626

Iasulaitis, S., & Vieira, A. O. (2022). Quando o ataque é o programa: As estratégias de campanha de Donald Trump e de Jair Bolsonaro no Twitter. Comunicação & Sociedade, 44(2), 5-46. https://doi.org/10.15603/2176-0985/cs.v44n2p5-46

Lorenceti, A. D., & Salton, G. D. (2022). Detecção de fake news em um tweet utilizando machine learning e processamento de linguagem natural / Detecting fake news in a tweet using machine learning and natural language processing. Brazilian Journal of Development, 8(6), 43581-43599. https://doi.org/10.34117/bjdv8n6-071

Maci, S. M., Demata, M., Seargeant, P., & McGlashan, M. (2023). The various dimensions of disinformation: an introduction. In The Routledge handbook of discourse and disinformation (pp. 1-13). Routledge.

Mendonça, R. F., Freitas, V. G., Aggio, C. de O., Santos, N. F. dos. (2023). Fake news e o repertório contemporâneo de ação política. Dados: Revista de Ciências Sociais, 66(2). https://doi.org/10.1590/dados.2023.66.2.301

Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv Preprint. https://doi.org/10.48550/arXiv.1301.3781

Pennington, J., Socher, R., & Manning, C. D. (2014, October). Glove: Global vectors for word representation. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 1532-1543).

Ratner, A., Hancock, B., Dunnmon, J., Sala, F., Pandey, S., & Ré, C. (2019, July). Training complex models with multi-task weak supervision. In Proceedings of the AAAI Conference on Artificial Intelligence, 33(1), 4763-4771.

Ricard, J., & Medeiros, J. (2020). Using misinformation as a political weapon: COVID-19 and Bolsonaro in Brazil. Harvard Kennedy School Misinformation Review, 1(3).

Rizzo, A., & Becker, C. (2020, 28 de agosto). Se é ‘fake’, não é ‘news’. El País Brasil. https://brasil.elpais.com/opiniao/2020-08-28/se-e-fake-nao-e-news.html

Rollemberg, M. (2022, 08 de setembro). Olhares atentos sobre os males da desinformação. Jornal da USP. https://jornal.usp.br/cultura/olhares-atentos-sobre-os-males-da-desinformacao/

Saleh, H., Alharbi, A., & Alsamhi, S. H. (2021). OPCNN-FAKE: Optimized convolutional neural network for fake news detection. IEEE Access, 9, 129471-129489. https://www.researchgate.net/publication/354589045_OPCNN-FAKE_Optimized_Convolutional_Neural_Network_for_Fake_News_Detection

Santaella, L. (2023). Definir desinformação é preciso. In L. Santaella, Flagelos da desinformação. Educ.

Santana Júnior, C. A., Albuquerque, J. P. S., Queiroz, F. S., & Lima, S. R. (2014). A disseminação da informação no Twitter: uma análise exploratória do fluxo informacional de retweets. AtoZ: novas práticas em informação e conhecimento, 3(1) (2014), 50–59. https://doi.org/10.5380/atoz.v3i1.41334

Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake news detection on social media: A data mining perspective. ACM SIGKDD Explorations Newsletter, 19(1), 22-36. https://doi.org/10.1145/3137597.3137600

Silva, L. J. da, Santos, L. A. dos, Araujo, R., Coelho, O. B., Correa, A. G. D., & Oliveira, I., C. A. (2024). Tweet_Eleições_2022: Um dataset de tweets durante as eleições presidenciais brasileiras de 2022. XIII Brazilian Workshop on Social Network Analysis and Mining, Brasília, DF. https://doi.org/10.5753/brasnam.2024.1940

Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146-1151. https://doi.org/10.1126/science.aap9559