PROJETO DE INCIAÇÃO CIENTÍFICA - DETECÇÃO DE NOTÍCICAS FALSAS [FIAP 2024]
Prof. Marcel Stefan Wagner
Primeiramente, foi necessário identificar do que se trata o problema das fake news. As notícias falsas são, basicamente, uma questão de desinformação que pode gerar polarização social — um problema que afeta diretamente a política e, consequentemente, pode causar impactos sociais, seja de forma direta ou indireta.
Além disso, é possível que haja prejuízos à saúde pública, uma vez que notícias falsas podem, por exemplo, influenciar a população a não tomar determinado medicamento ou vacina, ou até mesmo desacreditar instituições de saúde. Tais conteúdos também podem causar um grande impacto na saúde mental e no bem-estar das pessoas, além de gerar perda de confiança nos meios de comunicação.
Nosso projeto buscou apresentar uma solução que seja intuitiva e de fácil acesso ao público em geral: um serviço em formato de chat. Sua função principal é verificar a veracidade das notícias por meio da tecnologia, podendo, assim, contribuir positivamente para a redução da propagação de informações falsas.
Utilizamos o modelo BERT - uma arquitetura neural utilizada em tarefas de linguagem natural (NLP) - para classificar notícias políticas como verdadeiras ou falsas. Coletamos uma grande quantidade de notícias por meio de web scraping, construindo assim nosso conjunto de dados. O BERT foi essencial por sua capacidade de entender o contexto completo das frases, analisando o significado das palavras de forma bidirecional (antes e depois). Isso foi especialmente importante para lidar com problemas e ambiguidade dos textos.
Após gerar representações semânticas dos textos com o BERT, realizamos um ajuste fino (fine-tuning) para treinar nosso classificador binário. O modelo conseguiu capturar padrões de desinformação, tornando o sistema mais eficaz e confiável. Em resumo, o BERT foi a base que permitiu ao nosso algoritmo compreender o texto em profundidade e oferecer classificações mais precisas.
Utilizamos técnicas de Machine Learning, Deep Learning e Inteligência Artificial no treinamento dos dados, alimentando o modelo com informações textuais para o processamento de linguagem natural, detecção de fake news e aprendizado contínuo. Nosso objetivo era que o aprendizado da aplicação seja constante, aprimorando-se conforme novos dados fossem adicionados.
Nosso projeto passou por diversas etapas, incluindo a fase inicial, que consistia na apresentação da proposta, seguida por testes para verificar a viabilidade do projeto. Também enfrentamos etapas de classificação, nas quais conseguimos nos posicionar entre as 30 equipes selecionadas para o evento final, o Next 2024, promovido pela FIAP.
Ficamos muito satisfeitos por termos chegado até o evento com o nosso projeto de iniciação científica. Além de superarmos todas as etapas classificatórias, também competimos com equipes de outras modalidades, como a Global Solution, que representa outra forma de seleção para o evento Next.
Embora não tenhamos ficado entre os três primeiros colocados — que receberam premiações — ficamos extremamente satisfeitos com o nosso desempenho, especialmente pela recepção positiva do público à nossa ideia. O evento foi aberto a todos os interessados, o que proporcionou uma interação rica e diversificada.
Além disso, o evento contou com a presença de shows musicais e de personalidades como Pedro Loos, do canal Ciência Todo Dia, o que ressaltou ainda mais a importância das iniciativas apresentadas naquele dia.
Comentários
Postar um comentário