DETECÇÃO DE FAKE NEWS: UM COMPARATIVO ENTRE OS MODELOS DE APRENDIZADO SUPERVISIONADO PASSIVE AGRESSIVE E MULTINOMIAL NAIVE BAYES

Abstract

Com a popularização da internet e consequentemente com a facilidade de acesso às informações disponíveis no âmbito online, sobretudo em virtude do uso das redes sociais digitais, o consumo e a disseminação de informações falsas vêm trazendo à tona uma constante preocupação em todo o mundo em relação ao seu potencial de circulação e as consequências negativas que as chamadas fake news podem acarretar. Preocupado com a gravidade que o tema apresenta à nossa sociedade e em um esforço para auxiliar no combate à crescente desinformação, este trabalho propôs a detecção automática de fake news utilizando inteligência artificial e algoritmos de aprendizado supervisionado para classificação de notícias falsas no idioma português brasileiro. Assim, foram considerados dois algoritmos de classificação: o Multinomial Naive Bayes, baseado na regra de Bayes, e o Passive Agressive. Para analisar o desempenho destes classificadores também foram utilizadas duas técnicas de validação de dados: a Hold-Out e Cross-Validation. Ambos os algoritmos alcançaram resultados satisfatórios ao classificar as notícias, entretanto, os resultados para o algoritmo de classificação Passive Agressive se mostraram superiores obtendo uma acurácia de 91,81% ao utilizar a técnica Hold-Out e 92,29% ao empregar a técnica Cross-Validation.