Detecção Automática de Fake News: Um Relato Agrupado de Dois Mapeamentos Sistemáticos Terciários
Resumo
O crescimento da desinformação em mídias sociais e outras plataformas durante pandemias como a COVID-19 pode causar danos significativos à estabilidade física e mental. Para detectar essas informações falsas, pesquisas têm aplicado técnicas de machine learning e deep learning, aliadas à coleta automática de dados. Este estudo tem como objetivo revisar, avaliar e sintetizar, de forma sistemática, artigos que empregam diferentes técnicas para a detecção automática de fake news no contexto da COVID-19. São identificados conjuntos de dados públicos e revisadas etapas de processamento, extração de características e classificação, além de desafios e limitações relatados na literatura.Referências
Fernandes, E., Moro, S., and Cortez, P. (2023). Data science, machine learning and big data in digital journalism. Expert Systems with Applications.
Ignaczak, L. et al. (2021). Text mining in cybersecurity: A systematic literature review. ACM Computing Surveys.
Kitchenham, B. and Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. Technical Report EBSE-2007-01, EBSE Technical Report, Keele University and University of Durham.
Mridha, M. F. et al. (2021). A comprehensive survey on fake news detection: Approaches, challenges and opportunities. Journal of Information and Telecommunication, 5(2):1–27.
Thompson, R. C., Joseph, S., and Adeliyi, T. T. (2022). A systematic literature review and meta-analysis of studies on online fake news detection. Information, 13(11).
Thota, A., Tilak, P., Ahluwalia, S., and Lohia, N. (2018). Fake news detection: A deep learning approach. SMU Data Science Review, 1(3). Article 10.
Torregrosa, J., Bello-Orgaz, G., Martínez-Cámara, E., Ser, J. D., and Camacho, D. (2022). A survey on extremism analysis using natural language processing: definitions, literature review, trends and challenges. Journal of Ambient Intelligence and Humanized Computing.
Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., and Wesslén, A. (2012). Experimentation in software engineering. Springer Science & Business Media.
Ignaczak, L. et al. (2021). Text mining in cybersecurity: A systematic literature review. ACM Computing Surveys.
Kitchenham, B. and Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. Technical Report EBSE-2007-01, EBSE Technical Report, Keele University and University of Durham.
Mridha, M. F. et al. (2021). A comprehensive survey on fake news detection: Approaches, challenges and opportunities. Journal of Information and Telecommunication, 5(2):1–27.
Thompson, R. C., Joseph, S., and Adeliyi, T. T. (2022). A systematic literature review and meta-analysis of studies on online fake news detection. Information, 13(11).
Thota, A., Tilak, P., Ahluwalia, S., and Lohia, N. (2018). Fake news detection: A deep learning approach. SMU Data Science Review, 1(3). Article 10.
Torregrosa, J., Bello-Orgaz, G., Martínez-Cámara, E., Ser, J. D., and Camacho, D. (2022). A survey on extremism analysis using natural language processing: definitions, literature review, trends and challenges. Journal of Ambient Intelligence and Humanized Computing.
Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., and Wesslén, A. (2012). Experimentation in software engineering. Springer Science & Business Media.
Publicado
12/11/2025
Como Citar
FREITAS, Daniel Oliveira de; CEOLIN JUNIOR, Cassio; SÁ, Guilherme Neri Bustamante; BASSO, Fábio Paulo.
Detecção Automática de Fake News: Um Relato Agrupado de Dois Mapeamentos Sistemáticos Terciários. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 69-72.
DOI: https://doi.org/10.5753/eramiars.2025.16652.
