FakeTrueBR: Um corpus brasileiro de notícias falsas

  • Juan Pablo Chavarro UFSC
  • Jonata Tyska Carvalho UFSC
  • Tarlis Tortelli Portela UFSC
  • Jonathan Cardoso Silva London School of Economics and Political Science London

Resumo


Atualmente, o grande volume de notícias falsas circulando nas redes sociais é um perigo para a percepção da realidade da sociedade. Técnicas de aprendizado de máquina têm sido úteis para o combate da desinformação, mas para gerar bons resultados necessitam de conjuntos de dados de treinamento balanceados e com boa qualidade. Uma vez que os principais corpus para o treinamento de modelos detecção de notícias falsas disponíveis publicamente estão desatualizados ou desalinhados, neste trabalho foi proposto um enfoque inovador para recuperar as notícias verdadeiras a partir das falsas, e melhorar sua similaridade e alinhamento. Desta forma, foi desenvolvido um conjunto de dados que permite verificar e classificar a informação que consumimos diariamente na rede, por meio de processamento da linguagem natural. Além disso, o corpus resultante foi avaliado utilizando técnicas clássicas de processamento da linguagem natural para a representação de textos, como BoW e BoW TF-IDF, juntamente com vários métodos tradicionais de classificação. Os resultados obtidos demonstram que este conjunto de dados é efetivo para a classificação de notícias, com um f1-score de 0.945 usando um classificador de Multi-layer perceptron. Portanto, este novo corpus configura-se como um recurso valioso na luta contra a desinformação e para melhorar a qualidade da informação disponível online.

Referências

Andrade Junior, J. E., Cardoso-Silva, J., and Bezerra, L. C. (2021). Comparing contextual embeddings for semantic textual similarity in portuguese. In Intelligent Systems: 10th Brazilian Conference, BRACIS 2021, Virtual Event, November 29-December 3, 2021, Proceedings, Part II 10, pages 389-404. Springer.

Charles, A. C., Ruback, L., and Oliveira, J. (2022). Fakepedia corpus: A flexible fake news corpus in portuguese. In Computational Processing of the Portuguese Language: 15th International Conference, PROPOR 2022, Fortaleza, Brazil, March 21-23, 2022, Proceedings, pages 37-45. Springer.

Cunha, L. C. C. d. (2021). Fakewhatsapp. br: detecção de desinformação e desinformadores em grupos públicos do whatsapp em pt-br.

da Silva, F. R. M., Freire, P. M. S., de Souza, M. P., de AB Plenamente, G., and Goldschmidt, R. R. (2020). Fakenewssetgen: A process to build datasets that support comparison among fake news detection methods. In Proceedings of the Brazilian Symposium on Multimedia and the Web, pages 241-248.

de Morais, J., Abonizio, H., Tavares, G., da Fonseca, A., and Barbon, S. (2019). Deciding among fake, satirical, objective and legitimate news: A multi-label classification system. In Anais do XV Simpósio Brasileiro de Sistemas de Informação, pages 167-174, Porto Alegre, RS, Brasil. SBC.

Garcia, G. L., Afonso, L. C., and Papa, J. P. (2022). Fakerecogna: A new brazilian corpus for fake news detection. In Computational Processing of the Portuguese Language: 15th International Conference, PROPOR 2022, Fortaleza, Brazil, March 21-23, 2022, Proceedings, pages 57-67. Springer.

Geron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and Tensor-Flow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, Inc.

Jain, M. K., Gopalani, D., Meena, Y. K., and Kumar, R. (2020). Machine learning based fake news detection using linguistic features and word vector features. In 2020 IEEE 7th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON), pages 1-6. IEEE.

Mishima, K. and Yamana, H. (2022). A survey on explainable fake news detection. IEICE TRANSACTIONS on Information and Systems, 105(7):1249-1257.

Mishra, S., Shukla, P., and Agarwal, R. (2022). Analyzing machine learning enabled fake news detection techniques for diversified datasets. Wireless Communications and Mobile Computing, 2022.

Monteiro, R. A., Santos, R. L., Pardo, T. A., De Almeida, T. A., Ruiz, E. E., and Vale, O. A. (2018). Contributions to the study of fake news in portuguese: New corpus and automatic detection results. In Computational Processing of the Portuguese Language: 13th International Conference, PROPOR 2018, Canela, Brazil, September 24-26, 2018, Proceedings 13, pages 324-334. Springer.

Netlab (2022). Acompanhamento multiplataforma da desinformação durante as eleições 2022. [link]. Relatório técnico.

Newman, N., Fletcher, R., Kalogeropoulos, A., Nielsen, R. K., Alves, T., Kus, M., Steemers, J., Fletcher, C., and Vacchiano, G. (2022). Digital news report 2022. Technical report, Reuters Institute for the Study of Journalism, University of Oxford.

Reimers, N. and Gurevych, I. (2019). Sentence-bert: Sentence embeddings using siamese bert-networks. arXiv preprint arXiv:1908.10084.

Rocha, Y. M., de Moura, G. A., Desidério, G. A., de Oliveira, C. H., Lourenço, F. D., and de Figueiredo Nicolete, L. D. (2021). The impact of fake news on social media and its influence on health during the covid-19 pandemic: A systematic review. Journal of Public Health, pages 1-10.

Rubin, V. L., Chen, Y., and Conroy, N. K. (2015). Deception detection for news: three types of fakes. Proceedings of the Association for Information Science and Technology, 52(1):1-4.

Silva, R. M., Santos, R. L., Almeida, T. A., and Pardo, T. A. (2020). Towards automatically filtering fake news in portuguese. Expert Systems with Applications, 146:113199.

Vosoughi, S., Roy, D., and Aral, S. (2018). The spread of true and false news online. Science, 359(6380):1146-1151.
Publicado
11/04/2023
CHAVARRO, Juan Pablo; CARVALHO, Jonata Tyska; PORTELA, Tarlis Tortelli; SILVA, Jonathan Cardoso. FakeTrueBR: Um corpus brasileiro de notícias falsas. In: ESCOLA REGIONAL DE BANCO DE DADOS (ERBD), 18. , 2023, Palmas/PR. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 108-117. ISSN 2595-413X. DOI: https://doi.org/10.5753/erbd.2023.229495.