Detecção Automatizada de Desinformadores em Grupos Públicos do WhatsApp Utilizando Redes Neurais para Grafos

• Saulo Cavalcante Universidade Federal do Ceará (UFC)
• Mikael Sales Universidade Federal do Ceará (UFC)
• Dagoberto Silva Universidade Federal do Ceará (UFC)
• Fernanda Ferreira Universidade Federal do Ceará (UFC)
• Wellington Franco Universidade Federal do Ceará (UFC)
• Rennan Dantas Universidade Federal do Ceará (UFC)
• José M. Monteiro Universidade Federal do Ceará (UFC)

DOI: https://doi.org/10.5753/sbbd.2026.249265

Resumo

Nos últimos anos, a disseminação de desinformação por meio das plataformas digitais tem comprometido a saúde pública, a estabilidade social e até mesmo os processos democráticos. No contexto brasileiro, o aplicativo de mensagens WhatsApp é reconhecidamente uma das principais fontes de disseminação de desinformação. Este trabalho propõe uma abordagem para a detecção automatizada de desinformadores no WhatsApp, tratando o problema como uma tarefa de classificação de usuários com base em suas interações na rede. Para isso, os usuários e suas conexões são modelados como um grafo. Em seguida, uma arquitetura de rede neural explora o grafo previamente construído para capturar padrões estruturais associados à propagação de desinformação. Neste trabalho, os modelos GCN, GCNII, GraphSAGE, GAT e APPNP são avaliados por meio da validação cruzada estratificada, utilizando as métricas de acurácia, precisão, revocação, F1-score e AUC-ROC. Os resultados mostram que as GNNs capturam padrões topológicos relevantes para a identificação de desinformadores, o que indica seu potencial para o combate à desinformação em ambientes digitais.

Palavras-chave: Desinformação, WhatsApp, Redes neurais em grafos, Classificação de usuários, Análise de redes sociais

Referências

Bondy, J. A., Murty, U. S. R., et al. (1976). Graph theory with applications, volume 290. Macmillan London.

Cabral, L., Martins, A. D. F., Monteiro, J. M., Machado, J. C., and Franco, W. (2023). Fakespreaderswhatsapp. br: Misinformation spreaders detection in brazilian portuguese whatsapp messages. In ICEIS (1), pages 219–228.

Cabral, L., Monteiro, J. M., da Silva, J. W. F., Mattos, C. L. C., and Mourao, P. J. C. (2021). Fakewhastapp. br: Nlp and machine learning techniques for misinformation detection in brazilian portuguese whatsapp messages. In ICEIS (1), pages 63–74.

Chu, Z., Gianvecchio, S., Wang, H., and Jajodia, S. (2010). Who is tweeting on twitter: human, bot, or cyborg? In Proceedings of the 26th annual computer security applications conference, pages 21–30.

DeVerna, M. R., Aiyappa, R., Pacheco, D., Bryden, J., and Menczer, F. (2024). Identifying and characterizing superspreaders of low-credibility content on twitter. Plos one, 19(5):e0302201.

Easley, D., Kleinberg, J., et al. (2010). Networks, crowds, and markets: Reasoning about a highly connected world, volume 1. Cambridge university press Cambridge.

Ferreira, D. A., da Silva, A. P., and de Albuquerque Montenegro, C. (2021a). O impacto das fake news na vacinação e nos surtos de doenças erradicadas. Revista Interdisciplinar em Saúde, Cajazeiras, 8(8):2–16.

Ferreira, J. R. S., Lima, P. R. S., and Souza, E. D. d. (2021b). Desinformação, infodemia e caos social: impactos negativos das fake news no cenário da covid-19. Em Questão.

Fiocruz (2020). Pesquisa revela dados sobre fake news relacionadas à covid-19. Acesso em: 20 ago. 2025.

Khan, E. M., Ram, A., Rath, B., Vraga, E., and Srivastava, J. (2023). Behavioral forensics in social networks: Identifying misinformation, disinformation and refutation spreaders using machine learning. arXiv preprint arXiv:2305.00957.

Metzler, H. and Garcia, D. (2024). Social drivers and algorithmic mechanisms on digital media. Perspectives on Psychological Science, 19(5):735–748.

Nobre, G. P., Ferreira, C. H., and Almeida, J. M. (2022). A hierarchical network-oriented analysis of user participation in misinformation spread on whatsapp. Information Processing & Management, 59(1):102757.

Pereira, G., Bueno Bojczuk Camargo, I., and Parks, L. (2022). Whatsapp disruptions in brazil: A content analysis of user and news media responses, 2015–2018. Global Media and Communication, 18(1):113–148.

Rath, B., Salecha, A., and Srivastava, J. (2022). Fake news spreader detection using trust-based strategies in social networks with bot filtration. Social network analysis and mining, 12(1):66.

Raudeliuniene, J., Albats, E., and Kordab, M. (2021). Impact of information technologies and social networks on knowledge management processes in middle eastern audit and consulting companies. Journal of Knowledge Management, 25(4):871–898.

Shu, K., Sliva, A., Wang, S., Tang, J., and Liu, H. (2017). Fake news detection on social media: A data mining perspective. ACM SIGKDD explorations newsletter, 19(1):22–36.

Su, Q., Wan, M., Liu, X., Huang, C.-R., et al. (2020). Motivations, methods and metrics of misinformation detection: an nlp perspective. Natural Language Processing Research, 1(1-2):1–13.

Vosoughi, S., Roy, D., and Aral, S. (2018). The spread of true and false news online. science, 359(6380):1146–1151.

West, D. B. et al. (2001). Introduction to graph theory, volume 2. Prentice hall Upper Saddle River.

Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., and Philip, S. Y. (2020). A comprehensive survey on graph neural networks. IEEE transactions on neural networks and learning systems, 32(1):4–24.