Investigadores da Universidad Europea del Atlántico (Universidade Europeia do Atlântico, UNEATLANTICO), a Dra. Mónica Gracia, diretora internacional de Admissões da Fundación Universitaria Iberoamericana (Fundação Universitária Ibero-americana, FUNIBER), e o Dr. Eduardo Silva, diretor executivo da mesma Fundação na sede da Guatemala, realizam um estudo em conjunto com outros profissionais para melhorar a detecção automática de notícias falsas através da aprendizagem automática. Este trabalho demonstra a eficácia de uma abordagem híbrida e multivista para analisar conteúdos informativos em ambientes digitais.
Nos últimos anos, a desinformação tem crescido rapidamente nas redes sociais e nas mídias digitais. Mensagens que misturam verdades com falsidades influenciam as conversas públicas, erodem a confiança e complicam a tomada de decisões, especialmente em períodos eleitorais ou crises sanitárias como o COVID-19. Por isso, contar com ferramentas automáticas que ajudem a identificar e deter a difusão de conteúdos enganosos tornou-se prioridade para o âmbito da redação, as plataformas digitais e as autoridades.
Até agora, muitas soluções se basearam em examinar apenas o texto ou usar modelos muito complexos. Embora tenham sido um avanço, geralmente têm dificuldade em se adaptar a novos contextos, lidar com textos controversos ou explicar por que tomam uma decisão. Também tendem a «aplanar» toda a informação num único bloco, perdendo nuances importantes da linguagem e do tema tratado.
O estudo propõe uma abordagem diferente e fácil de entender: analisar cada notícia a partir de três ângulos complementares e depois combinar essas «opiniões» de forma inteligente. Primeiro se observa o texto em si (palavras e expressões frequentes), depois como ele está escrito (compreensibilidade, tom emocional, uso de nomes próprios e estrutura gramatical) e, finalmente, do que realmente fala (temas dominantes e significado geral). Para cada olhar é treinado um modelo especializado; no final, um «árbitro» reúne as três e decide com mais sucesso do que qualquer um separadamente.
Para testá-lo, a equipe trabalhou com dezenas de milhares de itens já classificados como reais ou falsos e usou uma avaliação rigorosa que repete o treinamento e teste em dez rodadas diferentes para evitar o acaso. Além disso, verificou se o sistema permanece estável quando os textos sofrem pequenas alterações (por exemplo, apagar ou mudar a ordem de algumas palavras) e se pode transferir o aprendido para um conjunto diferente, formado por frases políticas curtas.
Os resultados são particularmente sólidos. No conjunto principal, o sistema acerta 99,94% das vezes e supera tanto modelos que olham uma única perspectiva quanto outros que misturam tudo em um único passo. Também melhora para uma referência muito poderosa baseada em redes neuronais profundas. Quando avaliado com o conjunto de frases curtas, mantém um nível muito alto de acertos (em torno de 97%), o que indica que generaliza bem mesmo quando muda o tipo de texto. Nos testes de resistência, a precisão permanece acima de 97% mesmo que uma parte das palavras seja apagada, trocada ou repetida, sinal de que se um dos olhos perde informação, os outros dois o compensam.
Esta proposta atinge um equilíbrio adequado entre eficácia e custo computacional: melhora as métricas-chave sem exigir infraestruturas pesadas, o que facilita a sua adoção em ambientes com recursos limitados.
Se quiser saber mais sobre este estudo, clique aqui.
Para ler mais pesquisas, consulte o repositório de UNEATLANTICO.
A Universidad Europea del Atlántico oferece bolsas de estudo para estudar o Mestrado em Ciência de Dados aplicada à Inteligência de Negócios. Este programa é orientado para o design de soluções analíticas que permitem detectar padrões, avaliar riscos informativos e apoiar decisões baseadas em evidências.