Linha de pesquisa: Ciência de Dados

Resumo: A área de pesquisa de combate à desinformação nas mídias sociais tem exigido mé- todos cada vez mais robustos de detecção de rumores e notícias falsas. É nesse contexto que este estudo avalia o uso de Redes Neurais de Grafos (GNN’s) para detecção de rumores, comparando-as com modelos tradicionais da literatura com foco na performance de detecção precoce. O método proposto inclui o desenvolvimento de um módulo padronizado para comparativo e teste rápido de algoritmos que garante divisões cronológicas dos dados para evitar vazamentos de informação e refletir melhor a propagação de rumores em cenários reais. Esse módulo possibilita o retreinamento e inferência incremental, para computar as atualizações nos atributos temporais da base de treino e também armazenar as principais métricas de classificação, fornecendo metadados sobre a eficácia na detecção precoce.Utilizando o conjunto de dados PHEME, um grafo heterogêneo foi gerado para modelar as interações entre tweets e usuários. Dois macroexperimentos foram executados para testar as duas GNNs, juntamente com os modelos LightGBM, Random Forest e LSTM.Os resultados mostraram que as GNNs alcançam um melhor equilíbrio entre precisão e revocação do que os modelos que processam dados tabulares, demonstrando seu potencial para detecção de desinformação em tempo real, ao capturar de forma eficaz as relações complexas entre tweets e usuários. Esta pesquisa contribui para a área de detecção de rumores por meio do aprendizado em grafos, fornecendo técnicas mais adequadas para a concepção de novos algoritmos, através da padronização de procedimentos com foco na detecção precoce.

Link para a defesa:  https://teams.microsoft.com/l/meetup-join/19%3ameeting_YWZiZjE5Y2ItZTgyZ...