Análise de notícias falsas em rede social : uma abordagem utilizando transferência de aprendizagem e Transformers.

Abstract

Notícias falsas se propagam mais rápido no Twitter do que notícias comuns, elas podem desde influenciar o resultado de uma eleição a até causar mortes por tratamentos incorretos de doenças. Este trabalho tem por objetivo principal utilizar métodos baseados em transferência de aprendizagem para aprendizado de máquina e a biblioteca Transformers para classificação de tweets em verdadeiro e falso. Para isso primeiro é revisada a teoria a respeito das causas e consequências das notícias falsas, tecnologias empregadas e trabalhos relacionados. Elaborada uma base de dados rotulada de forma confiável a partir de postagens extraídas do Twitter. Treina-se os modelos Natural Language Processing (NLP) de classificação baseados em transferência de aprendizado para o idioma português e avalia-os. O modelo de Bidirectional Encoder Representations from Transformers (BERT) ajustado a partir do pré treinamento de Souza, Nogueira e Lotufo (2020) obteve o melhor resultado, conseguindo acurácia de 95,1% de acurácia e 95,4% de F1 para verificação de autenticidade de postagens e 94,4% de acurácia e 94,6% de F1 para detecção de notícias falsas. Até o momento da apresentação deste trabalho não foram encontrados resultados superiores na classificação de tweets em português, sendo a principal contribuição deste trabalho um modelo no estado da arte para o problema. Além disso, esse trabalho serve de apoio para pesquisas em português que busquem utilizar os modelos disponíveis na biblioteca transformers para NLP em categorização de textos.