Notícia
Denise Britto
- Publicado em
04-02-2026
10:00
Pesquisadores criam modelo de IA para detectar fake news
Identificar a desinformação em redes sociais exige, em geral, ensinar aos algoritmos o que é verdade e o que é mentira. Uma técnica desenvolvida por pesquisadores do núcleo Interfaces, da UFSCar, aprimorou essa lógica para o contexto digital brasileiro: o modelo aprende a detectar fake news tendo acesso apenas a exemplos de conteúdos falsos.
O avanço pode ajudar a combater as notícias falsas em cenários mais próximos da realidade, nos quais raramente se tem informação completa sobre o que é verdade e o que é mentira. Exemplos comuns disso são as redes sociais, onde mapear todos os dados verdadeiros é virtualmente impossível. O modelo foi batizado de PSRB, sigla em inglês para "reconstrução sequencial positiva via busca em largura", e nasceu de uma parceria interdisciplinar entre Computação e Ciências Sociais.
Os resultados e o relato sobre o desenvolvimento do modelo foram publicados no periódico científico Knowledge and Information Systems, assinado pelos pesquisadores Guilherme Henrique Messias, doutorando do Programa de Pós-Graduação em Ciência da Computação (PPGCC); Sylvia Iasulaitis, professora do Departamento de Ciências Sociais (DCSo) e líder do Interfaces; e Alan Demétrius Baria Valejo, professor do Departamento de Computação (DC) e vice-líder do Interfaces, todos da UFSCar.
Segundo Messias, um dos autores do estudo, a motivação para desenvolver a nova abordagem surgiu da constatação de que os métodos tradicionais de detecção de fake news costumam ser treinados com textos retirados de sites de checagem de fatos, como o "Fato ou Fake?" e "Agência Lupa". O problema, segundo os pesquisadores, é que esses textos são escritos de forma muito diferente das notícias falsas que realmente circulam nas redes.
"O texto em si, a forma com que ele está construído, não é a forma como ele é disseminado", explica Messias. "Nos questionamos: ?Será que isso não está trazendo viés para os modelos de IA??". Essa diferença estrutural, que pode comprometer os resultados, levou à busca por uma técnica mais robusta.
Como funciona o modelo
O PSRB trabalha com um paradigma conhecido na Computação como "aprendizado positivo e não rotulado". Nele, o algoritmo aprende a classificar dados tendo acesso apenas a exemplos de uma das categorias; no caso, as notícias falsas. O restante dos dados não tem rótulo definido: podem ser verdadeiros ou falsos, e cabe ao modelo descobrir.
O segredo está em tratar os dados como uma rede interconectada. Cada notícia é representada como um ponto, e as relações entre elas (palavras-chave em comum, proximidade temática ou conexões entre usuários que as compartilham) formam os elos da rede. A técnica cria novas conexões artificiais entre as notícias falsas conhecidas, fortalecendo a comunicação entre elas na rede. Isso permite que uma arquitetura de inteligência artificial chamada rede neural em grafos (GNN, na sigla em inglês) aprenda melhor as características dos conteúdos enganosos e identifique padrões que os distinguem do restante.
Testes e resultados
Os pesquisadores avaliaram o modelo em cinco bases de dados reconhecidas pela comunidade científica - Cora, CiteSeer, PubMed, Amazon Photo e DBLP -, comparando seu desempenho com outros seis algoritmos consolidados na literatura. Os experimentos simularam cenários com diferentes quantidades de informação disponível, variando de 1% a 25% de dados rotulados.
Os resultados mostraram que o PSRB teve desempenho competitivo ou superior aos métodos existentes, especialmente em redes com muitos grupos desconectados entre si, como é o caso em plataformas como o Instagram ou o X (antigo Twitter), onde comunidades de usuários interagem pouco umas com as outras.
Aplicações além das fake news
Embora a detecção de desinformação tenha motivado a pesquisa, a técnica pode ser aplicada em outros contextos. O laboratório MIDAS (Data Mining and Applications Group) da UFSCar, coordenado pelo professor Alan Valejo, já trabalha em aplicações na área de saúde, desenvolvendo técnicas para identificar interações entre fármacos e proteínas. "É uma forma de identificar novas interações entre medicamentos sem precisar realizar todo o treinamento laboratorial, que é muito custoso", explica Messias.
Outra aplicação possível é em redes de citações acadêmicas. Se dois artigos científicos se citam mutuamente, eles têm uma relação. A partir dessas conexões, o modelo pode ajudar a classificar pesquisas por área do conhecimento.
Desafios na aplicação em tempo real
"Em um cenário real, onde as coisas acontecem a cada segundo, várias notícias estão sendo publicadas, aplicar esse tipo de método é um desafio muito grande", reconhece Messias. Nos experimentos, os dados já estavam coletados e organizados, uma condição diferente do fluxo contínuo de informações nas redes sociais.
Outro trabalho do grupo Interfaces, apresentado no Simpósio Brasileiro de Sistemas Inteligentes (Bracis), já testou as diferentes formas de construir as redes de relações entre notícias. Os pesquisadores descobriram que pré-processar os textos com modelos de linguagem, como os que alimentam chatbots populares, melhora os resultados. "Se fizermos um tratamento prévio usando modelos de linguagem de IA, os resultados também são melhores".
A investigação também revelou limitações. Um dos problemas identificados é que, à medida que se aumenta o número de grafos gerados pelo algoritmo, o desempenho tende a cair, um fenômeno conhecido como over-smoothing, no qual a rede neural perde a capacidade de distinguir informações ao agregar dados demais.
O estudo indica que trabalhos futuros devem investigar a aplicação da estratégia em problemas com mais de duas categorias e em cenários de dados em fluxo contínuo, quando as informações chegam em tempo real, como ocorre nas redes sociais durante uma eleição ou uma crise de saúde pública.
Mais informações
Saiba mais sobre as atividades do grupo Interfaces/UFSCar no site interfaces.ufscar.br e no perfil do Instagram @interfacesufscar.
Texto produzido pela jornalista Laís Cerqueira Fernandes, da assessoria de imprensa do grupo Interfaces. Mais informações podem ser solicitadas pelo e-mail interfaces@ufscar.br.
O avanço pode ajudar a combater as notícias falsas em cenários mais próximos da realidade, nos quais raramente se tem informação completa sobre o que é verdade e o que é mentira. Exemplos comuns disso são as redes sociais, onde mapear todos os dados verdadeiros é virtualmente impossível. O modelo foi batizado de PSRB, sigla em inglês para "reconstrução sequencial positiva via busca em largura", e nasceu de uma parceria interdisciplinar entre Computação e Ciências Sociais.
Os resultados e o relato sobre o desenvolvimento do modelo foram publicados no periódico científico Knowledge and Information Systems, assinado pelos pesquisadores Guilherme Henrique Messias, doutorando do Programa de Pós-Graduação em Ciência da Computação (PPGCC); Sylvia Iasulaitis, professora do Departamento de Ciências Sociais (DCSo) e líder do Interfaces; e Alan Demétrius Baria Valejo, professor do Departamento de Computação (DC) e vice-líder do Interfaces, todos da UFSCar.
Segundo Messias, um dos autores do estudo, a motivação para desenvolver a nova abordagem surgiu da constatação de que os métodos tradicionais de detecção de fake news costumam ser treinados com textos retirados de sites de checagem de fatos, como o "Fato ou Fake?" e "Agência Lupa". O problema, segundo os pesquisadores, é que esses textos são escritos de forma muito diferente das notícias falsas que realmente circulam nas redes.
"O texto em si, a forma com que ele está construído, não é a forma como ele é disseminado", explica Messias. "Nos questionamos: ?Será que isso não está trazendo viés para os modelos de IA??". Essa diferença estrutural, que pode comprometer os resultados, levou à busca por uma técnica mais robusta.
Como funciona o modelo
O PSRB trabalha com um paradigma conhecido na Computação como "aprendizado positivo e não rotulado". Nele, o algoritmo aprende a classificar dados tendo acesso apenas a exemplos de uma das categorias; no caso, as notícias falsas. O restante dos dados não tem rótulo definido: podem ser verdadeiros ou falsos, e cabe ao modelo descobrir.
O segredo está em tratar os dados como uma rede interconectada. Cada notícia é representada como um ponto, e as relações entre elas (palavras-chave em comum, proximidade temática ou conexões entre usuários que as compartilham) formam os elos da rede. A técnica cria novas conexões artificiais entre as notícias falsas conhecidas, fortalecendo a comunicação entre elas na rede. Isso permite que uma arquitetura de inteligência artificial chamada rede neural em grafos (GNN, na sigla em inglês) aprenda melhor as características dos conteúdos enganosos e identifique padrões que os distinguem do restante.
Testes e resultados
Os pesquisadores avaliaram o modelo em cinco bases de dados reconhecidas pela comunidade científica - Cora, CiteSeer, PubMed, Amazon Photo e DBLP -, comparando seu desempenho com outros seis algoritmos consolidados na literatura. Os experimentos simularam cenários com diferentes quantidades de informação disponível, variando de 1% a 25% de dados rotulados.
Os resultados mostraram que o PSRB teve desempenho competitivo ou superior aos métodos existentes, especialmente em redes com muitos grupos desconectados entre si, como é o caso em plataformas como o Instagram ou o X (antigo Twitter), onde comunidades de usuários interagem pouco umas com as outras.
Aplicações além das fake news
Embora a detecção de desinformação tenha motivado a pesquisa, a técnica pode ser aplicada em outros contextos. O laboratório MIDAS (Data Mining and Applications Group) da UFSCar, coordenado pelo professor Alan Valejo, já trabalha em aplicações na área de saúde, desenvolvendo técnicas para identificar interações entre fármacos e proteínas. "É uma forma de identificar novas interações entre medicamentos sem precisar realizar todo o treinamento laboratorial, que é muito custoso", explica Messias.
Outra aplicação possível é em redes de citações acadêmicas. Se dois artigos científicos se citam mutuamente, eles têm uma relação. A partir dessas conexões, o modelo pode ajudar a classificar pesquisas por área do conhecimento.
Desafios na aplicação em tempo real
"Em um cenário real, onde as coisas acontecem a cada segundo, várias notícias estão sendo publicadas, aplicar esse tipo de método é um desafio muito grande", reconhece Messias. Nos experimentos, os dados já estavam coletados e organizados, uma condição diferente do fluxo contínuo de informações nas redes sociais.
Outro trabalho do grupo Interfaces, apresentado no Simpósio Brasileiro de Sistemas Inteligentes (Bracis), já testou as diferentes formas de construir as redes de relações entre notícias. Os pesquisadores descobriram que pré-processar os textos com modelos de linguagem, como os que alimentam chatbots populares, melhora os resultados. "Se fizermos um tratamento prévio usando modelos de linguagem de IA, os resultados também são melhores".
A investigação também revelou limitações. Um dos problemas identificados é que, à medida que se aumenta o número de grafos gerados pelo algoritmo, o desempenho tende a cair, um fenômeno conhecido como over-smoothing, no qual a rede neural perde a capacidade de distinguir informações ao agregar dados demais.
O estudo indica que trabalhos futuros devem investigar a aplicação da estratégia em problemas com mais de duas categorias e em cenários de dados em fluxo contínuo, quando as informações chegam em tempo real, como ocorre nas redes sociais durante uma eleição ou uma crise de saúde pública.
Mais informações
Saiba mais sobre as atividades do grupo Interfaces/UFSCar no site interfaces.ufscar.br e no perfil do Instagram @interfacesufscar.
Texto produzido pela jornalista Laís Cerqueira Fernandes, da assessoria de imprensa do grupo Interfaces. Mais informações podem ser solicitadas pelo e-mail interfaces@ufscar.br.