FakeTrueBR: Um corpus brasileiro de notícias falsas

Abstract

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.