Indicadores Semânticos na Engenharia de Prompts: Uma Abordagem Explicável para Detecção de Fake News

• Camilla B. Quincozes UFU
• Diego Molinos UFU
• Rafael D. Araújo UFU
• Silvio E. Quincozes UFU / UNIPAMPA

DOI: https://doi.org/10.5753/sbseg.2025.11513

Resumo

A detecção de fake news tem se beneficiado do uso de Modelos de Linguagem de Grande Escala (LLMs). No entanto, as decisões tomadas por esses modelos carecem de explicabilidade. Este trabalho busca suprir essa lacuna ao construir indicadores (red flags) a partir de notícias por meio da engenharia de prompts, os quais que possibilitam uma tomada de decisão explicável. Como resultado, foi criado o um dataset com 16 red flags acerca de notícias verdadeiras e falsas. Experimentos com o classificador Random Forest e a ferramenta SHAP revelaram um F1-Score de 95,38% na detecção explicável de fake news.

Referências

Anjos, L. S. d. (2023). Análise experimental do desempenho de grandes modelos de linguagem na detecção de notícias falsas. In Anais do Trabalho de Conclusão de Curso - Universidade Federal de Uberlândia, pages 1–10. Universidade Federal de Uberlândia.

Aslam, N., Ullah Khan, I., Alotaibi, F. S., Aldaej, L. A., and Aldubaikil, A. K. (2021). Fake detect: A deep learning ensemble model for fake news detection. Complexity.

Baarir, N. F. and Djeffal, A. (2021). Fake news detection using machine learning. 2020 Workshop on Human-Centric Smart Environments for Health and Well-being (IHSH).

BBC News (2024). Pesquisa aponta que 25% das pessoas não sabem identificar fake news. [link]. Acesso em: 14 maio 2025.

Hu, B., Sheng, Q., Cao, J., Shi, Y., Li, Y., Wang, D., and Qi, P. (2024). Bad actor, good advisor: Exploring the role of large language models in fake news detection. In Proceedings of the AAAI Conference on Artificial Intelligence, volume 38, pages 22105–22113.

KaabOmeir, F., Khademizadeh, S., Seifadini, R., Balani, S. O., and Khazaneha, M. (2024). Overview of Misinformation and Disinformation Research from 1971 to 2022. Journal of Scientometric Research, 13(2):430–447.

Kanashina, O., Huertas García, R., and Jiménez-Zarco, A. I. (2023). Fake news and youngsters’ decision journey: An evaluation of the influence of misinformation on social media. Intangible Capital, 19(4):534–554.

Khanam, Z., Alwasel, B. N., Sirafi, H., and Rashid, M. (2021). Fake news detection using machine learning approaches. In IOP Conference Series: Materials Science and Engineering, volume 1099, page 012040. IOP Publishing.

Khivasara, Y., Khare, Y., and Bhadane, T. (2020). Fake news detection system using web-extension. 2020 IEEE Pune Section International Conference.

Kong, S. H., Tan, L. M., Gan, K. H., and Samsudin, N. H. (2020). Fake news detection using deep learning. In 2020 IEEE 10th symposium on computer applications & industrial electronics (ISCAIE), pages 102–107. IEEE.

Meta & Broadminded (2025). Relatório de percepção sobre fake news no brasil. [link]. Acesso em: 14 maio 2025.

OCDE (2024). The OECD Truth Quest Survey: Methodology and findings. OECD Digital Economy Papers, 369.

Papageorgiou, E., Chronis, C., Varlamis, I., and Himeur, Y. (2024). A survey on the use of large language models (llms) in fake news. Future Internet, 16(8):298.

Raza, S. and Ding, C. (2022). Fake news detection based on news content and social contexts: a transformer-based approach. Int. Jrnl. of Data Science and Analytics.

Wazlawick, R. S. (2009). Metodologia de pesquisa para ciência da computação, volume 2. Elsevier Rio de Janeiro.

Özbay, F. and Alatas, B. (2019). A novel approach for detection of fake news on social media using metaheuristic optimization algorithms. Elektronika ir Elektrotechnika.