Como identificar fake news? Pesquisadores desenvolvem modelo para análise automatizada

Por Giulia Sbaraini Fontes*

Título do artigo comentado: “Fake News” is not simply false information: A concept explication and taxonomy of online content.

Autores/as do artigo comentado: Maria D. Molina; S. Shyam Sundar; Thai Le; e Dongwon Lee.

A que questão de pesquisa o texto responde?

O artigo de Molina et al. (2019) busca identificar características e indicadores que permitam a classificação automatizada de conteúdos considerados “fake news”.

Por qual motivo esse texto é relevante?

Estudiosos da área de Comunicação e Política reconhecem que boatos e informações falsas circulavam entre os cidadãos muito antes da popularização da internet. As redes sociais digitais, entretanto, levaram o fenômeno a um patamar distinto, na medida em que tais informações falsas circulam em maior número e de forma muito mais rápida.

Nesse sentido, pesquisas internacionais (GUO; VARGO, 2018; GRINBERG et al., 2019) e brasileiras (MONT’ALVERNE; MITOZO, 2019) abordaram o fenômeno considerando seu impacto durante períodos eleitorais, por exemplo. No campo jornalístico, empresas de comunicação desenvolveram plataformas de checagem de fatos (GRAVES, 2016; FONTES; FERRACIOLI; KNIESS, 2019; FERRACIOLI, 2020), destinadas a verificar a autenticidade de informações que ganham proeminência no ambiente online.

Mesmo com os esforços em desmentir informações enganosas, porém, persistem diversas classificações do que seriam fake news (TANDOC JR.; LIM; LING, 2018). O fato é que, na prática, a identificação de conteúdos falsos é um desafio para jornalistas e plataformas digitais, já que é impossível que checadores humanos verifiquem todas as mensagens potencialmente enganosas que circulam nas redes sociais digitais. Além disso, o fenômeno muitas vezes não é binário, isto é, nem sempre conteúdos podem ser considerados inteiramente falsos ou completamente verdadeiros, o que dificulta a identificação das fake news.

Há, ademais, um potencial grau de subjetividade envolvendo a classificação de um conteúdo como falso: trabalhos como o de Van der Linden et al. (2020) apontam que usuários tendem a apontar como falsos conteúdos e empresas que não estão de acordo com seus posicionamentos políticos, independentemente de serem verdadeiros ou não. 

Nesse contexto, o trabalho de Molina et al. (2019) é relevante por oferecer indicadores objetivos que podem ser utilizados para identificar a disseminação de informações falsas em redes sociais digitais. O esforço dos autores é importante na medida em que eles propõem um modelo que pode ser operacionalizado de forma automatizada, ou seja, que não demanda a atuação de checadores humanos. Outro ponto importante da pesquisa é o fato de que os autores não propõem uma classificação binária: para eles, o conceito de fake news deve ser visto como uma escala. Em outras palavras, a proposta de Molina e colegas (2019) é de que conteúdos sejam tipificados como próximos, ou não, de serem falsos, o que permite ao modelo abarcar uma quantidade maior de casos da realidade.

Resumo da pesquisa:

Para propor o modelo de classificação automatizada de conteúdos potencialmente falsos, os autores fazem, inicialmente, uma revisão teórica do que vem sendo considerado, na literatura, como fake news. A partir desse trabalho de revisão, Molina et al. (2019) identificam aspectos de informações verdadeiras, falsas e de outros tipos de conteúdo, como sátiras (que podem ser confundidos com fake news por mecanismos automatizados de classificação).

Os autores descrevem as características de tais conteúdos em quatro dimensões:

1. Mensagem e uso do idioma, e.g. que tipo de palavras são usadas no texto? Qual é a estrutura do conteúdo? Há utilização de construções que buscam chamar a atenção do usuário (clickbaits)?
2. Fontes e intenções, e.g. quem é ouvido no texto? Há indícios de que o conteúdo foi intencionalmente produzido para enganar os usuários?
3. Estrutura, e.g. qual é a URL do site que publicou aquele conteúdo? Há informações sobre o autor?
4. Aspectos da rede, e.g. há indícios de que o conteúdo foi produzido e compartilhado por robôs?

Ao final, os autores explicam como seria o uso desses indicadores para a classificação de fake news por um mecanismo automático, usando como exemplo o esquema da árvore de decisão.

Conclusões principais do texto:

Os autores concluem que, mesmo que a classificação proposta por eles não seja exaustiva, o modelo pode servir como um guia para a construção de sistemas automatizados de identificação de fake news. Molina et al. (2019) reconhecem, porém, que é necessário testar a proposta, para que seja possível aperfeiçoar os indicadores apresentados.

REFERÊNCIA PRINCIPAL

MOLINA, M. D.; SUNDAR, S. S.; LE, T.; LEE, D. “Fake News” is not simply false information: A concept explication and taxonomy of online content. American Behavioral Scientist, p. 1-33, 2019.

REFERÊNCIAS COMPLEMENTARES

FERRACIOLI, P. Jornalismo de checagem e transparência no Brasil: a utilização de modalidades de transparência pela Agência Lupa. In: VII Seminário de Pesquisa em Jornalismo Investigativo, 2020, São Paulo. Anais do VII Seminário de Pesquisa em Jornalismo Investigativo, 2020.

FONTES, G. S.; FERRACIOLI, P.; KNIESS, A. B. Fake news e fact-checking nas eleições presidenciais de 2018: um estudo qualitativo sobre o projeto Comprova. In: VIII Congresso da Associação Brasileira de Pesquisadores em Comunicação e Política, 2019, Brasília. Anais do VIII Congresso da Associação Brasileira de Pesquisadores em Comunicação e Política, 2019.

GRAVES, L. Deciding what’s true – the rise of political fact-checking in American Journalism. Nova Iorque: Columbia University Press, 2016.

GRINBERG, N.; JOSEPH, K.; FRIEDLAND, L.; SWIRE-THOMPSON, B.; LAZER, D. Fake news on Twitter during 2016 U.S. presidential election. Science, v. 363, n. 6425, p. 374-378, 2019.

GUO, L.; VARGO, C. “Fake News” and Emerging Online Media Ecosystem: An Integrated Intermedia Agenda-Setting Analysis of the 2016 U.S. Presidential Election. Communication Research, v. 47, n. 2, p. 178-200, 2018.

MONT’ALVERNE, C.; MITOZO, I. B. Muito além da mamadeira erótica: As notícias compartilhadas nas redes de apoio a presidenciáveis em grupos de Whatsapp nas eleições de 2018. In: Anais daVIII Compolítica, 2019, Brasília.

TANDOC JR., E. C.; LIM, Z. W.; LING, R. Defining “fake news” – a typology of scholarly definitions. Digital Journalism, v. 6, n. 2, p. 137-153, 2018.

VAN DER LINDEN, S.; PANAGOPOULOS, C.; ROOZENBEEK, J. You are fake news: political bias in perceptions of fake news. Media, Culture & Society,v. 42, n.3, p. 460-470, 2020.

* Giulia Sbaraini Fontes é doutoranda em Ciência Política pela UFPR. A pesquisadora é mestre em Ciência Política e bacharel em Comunicação Social, com habilitação em Jornalismo, pela mesma instituição. Giulia também é integrante do Grupo de Pesquisa PONTE e repórter de Economia no UOL.

**Texto discutido em reunião do PONTE. Para conhecer outras referências selecionadas pelo Grupo, acesse a aba LEITURAS.

As opiniões expressas pela(o)s autora(e)s pertencem a ela(e)s e não refletem necessariamente a opinião do Grupo de Pesquisa e nem de seus integrantes.