A APLICAÇÃO DA^GAPRENDIZAGEM DE MÁQUINA NA ^G ^G DETECÇÃO DE FA

Prévia do material em texto

A APLICAÇÃO DA APRENDIZAGEM DE MÁQUINA NA 
DETECÇÃO DE FAKE NEWS 
Thallya 
 
 
 
 INTRODUÇÃO 
 
 
 O advento da era digital e das redes sociais trouxe consigo uma explosão de 
informações, tornando mais fácil do que nunca o compartilhamento de notícias e informações. 
No entanto, esse livre fluxo de informações também abriu as portas para um fenômeno 
preocupante: a disseminação descontrolada de notícias falsas, amplamente conhecidas como 
"fake news". Nesse sentido, esta pesquisa tem como objetivo geral explorar a aplicação da 
aprendizagem de máquina na detecção de fake news, analisando os desafios inerentes a essa 
tarefa e delineando perspectivas futuras. Como objetivos específicos, visa-se identificar as 
atribuições das fake news disseminadas na internet, examinar os procedimentos de 
processamento de linguagem natural e investigar as categorizações das notícias falsas. 
 Os algoritmos de aprendizado de máquina emergiram como ferramentas promissoras 
para abordar o problema das fake news, levantando questões essenciais sobre sua eficácia e 
aplicabilidade. Neste contexto, este estudo investiga como os algoritmos de aprendizado de 
máquina podem ser aplicados de maneira eficaz para detectar fake news, considerando a 
complexidade das informações disponíveis on-line e a velocidade com que são compartilhadas. 
 A identificação de notícias falsas envolve a análise de uma variedade de características 
linguísticas e padrões de comportamento humano. Assim, este artigo também busca responder 
à pergunta: quais características linguísticas e padrões de comportamento humano são mais 
relevantes para identificar notícias falsas? A análise de sentimentos, a verificação de fontes e 
outros atributos desempenham papéis cruciais nesse processo, e sua compreensão é essencial 
para o desenvolvimento de modelos eficazes de detecção de fake news. 
 Além disso, a pesquisa avalia o impacto da detecção automatizada de fake news na 
disseminação de informações precisas. A implementação bem-sucedida de sistemas de 
detecção de fake news em plataformas de mídia social pode desempenhar um papel vital na 
contenção da propagação de informações enganosas, contribuindo para a criação de ambientes 
online mais confiáveis e seguros. 
 A justificativa para este estudo é incontestável, dado o impacto abrangente da 
disseminação de fake news na sociedade contemporânea. A desinformação e a manipulação da 
opinião pública, a erosão da confiança nas fontes de informação, os riscos à segurança e à 
estabilidade política, a amplificação pelas redes sociais e os impactos na saúde pública são 
fatores que demandam uma abordagem multidisciplinar e baseada em evidências. 
 Portanto, esta pesquisa é vital para o desenvolvimento de ferramentas e métodos que 
combatam eficazmente a disseminação de fake news. Além de criar algoritmos de detecção, é 
essencial compreender as raízes psicológicas e sociais da propagação de notícias falsas, bem 
como formular políticas e estratégias eficazes para enfrentar esse fenômeno. Ela desempenha 
nesta área um papel crucial na proteção da democracia, da confiança pública e na disseminação 
de informações precisas, contribuindo para um ambiente de informação mais saudável e 
responsável. 
 
1. REFERENCIAL TEÓRICO 
 
O tópico abordado a seguir, estabelece as bases para compreensão das fake News. 
Explorando a importância da mineração de texto, o papel significativo das Máquinas de 
Vetores de Suporte e a influência profunda das notícias enganosas na sociedade. Essas 
informações fornecem uma fundação para a pesquisa em questão, permitindo uma análise do 
tema. 
 
1.1 Fake news e suas características 
 
As fakes news, ou notícias falsas, são uma problemática recorrente no cenário 
contemporâneo da informação. Trata – se de informações deliberadamente enganosas 
apresentadas como notícias legítimas, com intuito de iludir e manipular o leitor. O impacto 
dessas notícias enganosas transcede a mera disseminação de informações incorretas, uma vez 
que são criadas com o propósito de confundir e enganar. 
Um exemplo notável da influência das fake news ocorreu durante as eleições 
presidenciais dos Estados Unidos em 2016, quando a internet se tornou um campo fértil para 
proliferação dessas informações falsas. A partir desse evento, o fenômeno das fake news 
ganhou destaque, tornando – se um desafio global que afeta desde comunidades locais até 
esferas de repercussão internacional. 
A identificação das fake news envolve a análise de várias características distintivas. Os 
sites que as hospedam costumam utilizar domínios com terminações “.com” ou “.org”, 
dificultando a verificação da autenticidade em comparação com os domínios “.br”. Além disso, 
esses sites frequentemente adotam nomes semelhantes aos de veículos de notícias respeitáveis, 
dificultando a distinção entre fonte confiáveis e enganosas. O conteúdo das fake news 
geralmente carece de autoria clara, é repleto de opiniões tendenciosas e exibe layouts 
desorganizados e cheios de propagandas. Raramente apresentam uma página de “quem somos” 
e quando fazem, a identificação dos autores costuma ser ambígua. 
A disseminação das fakes news foi exacerbada pelas redes sociais e pela automação. A 
automação se manifesta por meio de robôs ou bots, controlados por software, que 
desempenham um papel ativo nas redes sociais, participando de discussões e compartilhamento 
de notícias falsas. Esse cenário cria um ambiente propício para disseminação em massa de fake 
news, ampliando o alcance dessas informações enganosas. 
Curiosamente, as fake news compartilham semelhanças notáveis com o spam, que se 
refere ao envio de mensagens eletrônicas não solicitadas com objetos como publicidade 
indesejads. Ambos os tipos de conteúdo frequentemente incluem erros gramaticais, tentivas de 
manipulação da opinião do leitor, vocabulário limitado e poluição visual. Essas semelhanças 
permitiriam a aplicação de abordagens comuns para a filtragem de spam e a detecção de fake 
news. 
 
1.2 Mineração de texto 
 
A mineração de texto, também conhecida como Knowledge Discovery in Texts (KDT), 
é uma área crucial para a detecção de fake news. Ela engloba o processo de extração de 
informações valiosas a partir de documentos de texto não estruturados. Esta disciplina é uma 
subárea da Descoberta de Conhecimento em Banco de Dados (KDD), que visa extrair 
informações significativas a partir de conjunto de dados. O processo de mineração de texto é 
composto por diversas etapas interligadas: 
 
Seleção de Amostras 
Na fase inicial, é essencial identificar o problema a ser resolvido e selecionar amostras 
de dados relevantes. Para a detecção de fake news, as amostras podem ser coletadas a partir de 
uma variedade de fontes, como sites de notícias e mídias sociais. 
Pré - Processamento dos Dados 
A etapa de pré-processamento envolve a formatação e preparação dos dados para 
análise. Isso geralmente envolve transformar os dados em vetores de características, onde cada 
característica representa a presença ou frequência de palavras em um documento. 
Aplicação dos Algoritmos de Mineração de Dados 
Nesta fase, são selecionados algoritmos de aprendizado de máquina para realizar a 
mineração de dados. Esses algoritmos são treinados com os dados de treinamento e 
posteriormente aplicados para fazer previsões em novos dados. 
Avaliação dos Resultados 
Na última etapa, ocorre a avaliação do desempenho dos algoritmos. Esse processo 
envolve o cálculo de métricas de desempenho, tais como acurácia (avaliando a precisão do 
modelo), precisão (mensurando a proporção de itens identificados como positivos que são 
verdadeiramente positivos), recall (quantificando quantos dos positivos reais foram 
corretamente identificados) e especificidade(determinando quantos dos negativos reais foram 
adequadamente identificados). Além disso, técnicas de validação cruzada, como o k-fold cross-
validation, são empregadas para avaliar o desempenho do modelo em diferentes conjuntos de 
dados. 
 
1.3 Aprendizado de Máquina 
 
O aprendizado de máquina desempenha um papel fundamental na detecção de fake 
news. É uma subárea da inteligência artificial que se concentra no desenvolvimento de técnicas 
computacionais capazes de adquirir conhecimento de forma automática. Os sistemas de 
aprendizado de máquina aprimoram seu desempenho em tarefas específicas com base na 
experiência adquirida. 
Existem duas categorias principais de tarefas no aprendizado de máquina: aprendizado 
supervisionado e aprendizado não supervisionado. O aprendizado supervisionado envolve a 
previsão de valores a partir de dados previamente rotulados, enquanto o aprendizado não 
supervisionado lida com a exploração e descrição de conjuntos de dados sem atribuições de 
classe. 
No contexto do aprendizado de máquina, o algoritmo chamado Máquinas de Vetores 
de Suporte (SVM) é uma ferramenta valiosa para detectar fake news. SVMs são especialmente 
úteis quando precisamos classificar dados em duas categorias. Elas trabalham encontrando uma 
“linha divisória” que maximize a distância entre as categorias, tornando-se uma abordagem 
eficaz quando os dados podem ser separados de forma linear. Mas, quando os dados não podem 
ser separados dessa maneira, as SVMs usam truques matemáticos, chamados de funções de 
kernel, para tornar a separação possível. 
Na detecção de fake news, frequentemente lidamos com dados que não podem ser 
separados linearmente. Nesse caso, as SVMs não-lineares, que usam essas funções de kernel 
para criar espaços de características mais complexos, são a melhor opção. A escolha do tipo de 
função de kernel e a configuração de parâmetros, como a constante de regularização C, são 
vitais para o sucesso das SVMs na detecção de fake news. 
Identificar fake news é um desafio na era da informação digital. A mineração de texto 
e o aprendizado de máquina, com foco nas SVMs, desempenham um papel essencial na solução 
desse problema. Dominar essas técnicas é fundamental para combater a disseminação de 
informações enganosas e promover a integridade da informação em nosso mundo cada vez 
mais conectado. 
 
1.4 A influência das fake news na sociedade 
 
A influência das fake news na sociedade é um fenômeno complexo e multifacetado. 
Em primeiro lugar, as fake news têm o poder de moldar a opinião pública de maneiras 
significativas. Elas podem influenciar o resultado de eventos importantes, como eleições, ao 
disseminar informações falsas ou enganosas sobre candidatos ou questões. Isso é 
particularmente preocupante, pois pode minar a integridade do processo democrático e corroer 
a confiança do público nas instituições democráticas. Além disso, as fake news podem incitar 
violência e criar divisões na sociedade ao alimentar preconceitos e promover a desinformação. 
 
Em segundo lugar, as fake news podem ter um impacto significativo na saúde 
pública. Durante a pandemia da COVID-19, por exemplo, a disseminação de informações 
falsas ou enganosas sobre o vírus levou a comportamentos prejudiciais à saúde, como a recusa 
em usar máscaras ou a resistência à vacinação. Além disso, a desinformação sobre a COVID-
19 contribuiu para a desconfiança em relação às autoridades de saúde e dificultou os esforços 
para controlar a propagação do vírus. 
Em terceiro lugar, as fake news podem minar a confiança nas instituições. Quando 
as pessoas são constantemente expostas a informações falsas, elas podem começar a duvidar 
da veracidade de todas as notícias que consomem. Isso pode levar a um ceticismo generalizado 
em relação à mídia e ao governo, o que pode corroer ainda mais a confiança do público nas 
instituições. 
No entanto, apesar desses desafios, há esperança. O aprendizado de máquina 
emergiu como uma ferramenta promissora para combater o problema das fake news. 
Algoritmos de aprendizado de máquina podem ser treinados para detectar notícias falsas com 
base em várias características, como o estilo de escrita e a estrutura da notícia. Esses algoritmos 
podem então ser usados para filtrar notícias falsas antes que elas sejam disseminadas, ajudando 
a limitar seu alcance e impacto. 
Em conclusão, as fake news têm uma influência significativa na sociedade. É 
crucial que continuemos a pesquisar e desenvolver métodos eficazes para detectar e combater 
notícias falsas. Ao fazer isso, podemos ajudar a proteger a integridade de nossa sociedade e 
promover um ambiente de informação mais preciso e confiável. A luta contra as fake news é 
uma responsabilidade compartilhada que requer o esforço conjunto de indivíduos, 
comunidades, empresas de tecnologia e governos. 
METODOLOGIA 
Este presente trabalho, é uma pesquisa de revisão bibliográfica que se caracteriza 
pelo estudo de pesquisas prévias, como artigos acadêmicos, trabalhos e relatórios, com o 
objetivo de explorar a aplicação da aprendizagem de máquina na detecção de fake News e a 
compreensão dos desafios relacionados a essa questão. O trabalho foi conduzido por meio de 
busca externa em literaturas relevantes. 
Para coletar tais literaturas, utilizamos uma pesquisa sistemática em diversas fontes 
de dados, incluindo bases acadêmicas, repositórios institucionais e bibliotecas digitais. As 
principais fontes de dados usadas incluem PubMed, IEEE Xplore, Google Scholar e JSTOR. 
As palavras-chave utilizadas na pesquisa incluem "fake news", "detecção de fake 
news", "aprendizado de máquina", "processamento de linguagem natural", "algoritmos de 
classificação", entre outras. Os critérios de inclusão para os estudos consideraram trabalhos 
publicados entre os anos de 2000 e 2023, escritos em inglês e português. 
A análise dos estudos selecionados foi realizada por meio de uma leitura 
exploratória e, posteriormente, uma leitura seletiva, seguindo uma abordagem qualitativa. Essa 
análise visou extrair informações relevantes sobre a detecção de fake news, incluindo as 
técnicas, os algoritmos e as estratégias empregadas nos estudos. 
Essa metodologia permitirá uma análise abrangente do estado da arte da detecção 
de fake news, incorporando resultados e perspectivas de pesquisa relevantes que são 
fundamentais para a compreensão e mitigação desse fenômeno nas mídias digitais. 
 
REFERÊNCIAS 
 
APRENDER CIÊNCIA DE DADOS. Máquina de vetores de suporte (SVM) - Aprender 
Ciência de Dados. Disponível em: https://www.aprendeercienciadedados.com/svm. 
 
SCIELO. A avaliação da aprendizagem como um ato amoroso: o que o professor pratica? 
Disponível em: https://www.scielo.br/avaliacao-da-aprendizagem 
 
FERREIRA, João Rodrigo Santos; LIMA, Paulo Ricardo Silva; SOUZA, Edivanio Duarte de. 
Desinformação, infodemia e caos social: impactos negativos das fake news no cenário da 
COVID-19. Em Questão, v. 27, n. 1, jan./mar. 2021. Disponível em: 
https://doi.org/10.19132/1808-5245271.30-53. 
 
GARCIA, Gabriel Lino. Detecção de Fake News utilizando Aprendizado de Máquina. 2023. 
79 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Estadual Paulista, 
Bauru, 2023. Disponível 
em: https://repositorio.unesp.br/bitstream/handle/11449/242304/garcia_gl_me_bauru.pdf?seq
uence=3. 
 
OLIVEIRA, Leandro Massetti Ribeiro. Inteligência Artificial Aplicada a Detecção de Fake 
News. 2019. Trabalho de Conclusão de Curso (Graduação em Ciências Naturais/Química) - 
Universidade Federal do Maranhão, São Luís, 2019. Disponível 
em: https://monografias.ufma.br/jspui/handle/123456789/4251 
 
ANDRADE, Renan Rocha de. Utilização de técnicas de aprendizado de máquina 
supervisionado para detecção de Fake News. Universidade do Sul de Santa Catarina 
(UNISUL), Tubarão, SC, Brasil. Disponível 
em: https://repositorio.animaeducacao.com.br/bitstream/ANIMA/8445/1/ArtigoTCC2.pdf. 
 
SILVA, Ithalo Henrique da. Análise de sentimentos em textos curtos para detecção de Fake 
News. 2021. 54 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - 
Faculdade Doctum de Teófilo Otoni, Teófilo Otoni, 2021. Disponível 
em: http://dspace.doctum.edu.br:8080/bitstream/123456789/270/2/TCC Final entrega - Ithalo 
Henrique.pdf 
 
SANTOS, Jéssica Cristina dos; SILVA, Leandro Nunes da. Fake News e a influência na 
sociedade: um estudo de caso das eleições presidenciais de 2018. 2019. 57 f. Trabalho de 
Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal do 
Maranhão, Imperatriz, 2019. Disponível 
em: https://monografias.ufma.br/jspui/handle/123456789/4251 
 
SILVA, Rafael da; OLIVEIRA, Renan de. Projeto de um Sistema Web à Classificação de 
Notícias Falsas Utilizando Técnicas de Aprendizado de Máquina. 2021. 57 f. Trabalho de 
Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de Santa 
Catarina, Florianópolis, 2021. Disponível em: 
https://d1wqtxts1xzle7.cloudfront.net/69162145/10211-
libre.pdf?1631037231=&response content disposition=inline%3B+filename%3DProjeto_d
e_um_Sistema_Web_a_Classificaca.pdf&Expir 
es=1694613696&Signature=dqCuHXq5dItOAFtOby1- 
iROdTtK~o3el2~e7fyvcd9mBXTVs1N7SN3Wth6SMt7yWPmZ49-
uE~byk1E2zwLDu pJBMV9yiXmINx~jHil8NAQXUfwNO1al7JyiCMydJpBocd9lM2DGta
REPBuig0z- ~CzrydjVsYJLtCsboPxUqlSd3zMXmroCT9YDHmPW~GqZxfIU2mqr-
MC7ayI qvD3LzasxsvEdKrch5-pagdFOhpUPpHyJ7SChPa78GZoYHR-
9~k6j9w Ps5Je0epf1k801vdJj5Bnc2Zr~cTQsP5XbInA1TK9aiZAoo8xoqW9TK3Dks2u8Ps
Hl47wgxBwykqE A__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA. 
 
SILVA, Thaís da; OLIVEIRA, Thiago de. Fake News: Uma análise sobre a influência das 
notícias falsas nas eleições presidenciais de 2018. 2019. 57 f. Trabalho de Conclusão de Curso 
(Graduação em Ciências Naturais/Química) - Universidade Federal de Santa Catarina, 
Florianópolis, 2019. Disponível 
em: https://sol.sbc.org.br/index.php/latinoware/article/view/10343 
https://monografias.ufma.br/jspui/handle/123456789/4251
https://sol.sbc.org.br/index.php/latinoware/article/view/10343