Linha de pesquisa: Ciência de Dados

Resumo: A disseminação de notícias falsas nas redes sociais representa um dos maiores desafios contemporâneos para a integridade da informação. Este trabalho investiga a detecção de fake news a partir da modelagem da dinâmica de propagação em cascatas de retweets, utilizando apenas informações temporais e estruturais, sem recorrer ao conteúdo textual. Propõe-se o uso da Transformada Discreta de Wavelet (DWT) aplicada às séries temporais de retweets como uma forma de capturar padrões de burstiness e complexidade multiescalar associados à viralização de conteúdos enganosos. Foram extraídas features estruturais dos grafos de difusão, estatísticas temporais agregadas e coeficientes ou métricas derivadas da DWT, formando múltiplos conjuntos de atributos. Diversos modelos de classificação supervisionada foram treinados sobre esses conjuntos, incluindo abordagens tradicionais (MLP, SVM, Random Forest), redes neurais recorrentes (LSTM) e redes neurais em grafos (GCN). O pipeline experimental incluiu validação cruzada estratificada repetida, controle rigoroso de aleatoriedade, balanceamento por peso, ajuste de hiperparâmetros e análises de interpretabilidade com SHAP e importância de permutação. Testes estatísticos (Friedman-Nemenyi) foram aplicados para avaliar o impacto das diferentes representações. Os resultados demonstram que a inclusão de atributos derivados da DWT melhora significativamente a performance preditiva em diversos cenários, especialmente nos modelos clássicos, sugerindo que padrões de propagação multiescalar são indicadores relevantes para a identificação automática de desinformação.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_NjdiYzc2NzQtYmVjMS00ZGFiLThjNmItNTIwOTNjYzQxOTVi%40thread.v2/0?context=%7b%22Tid%22%3a%22cd5e6d23-cb99-4189-88ab-1a9021a0c451%22%2c%22Oid%22%3a%221198da9a-2936-4215-b618-b8f8ac356804%22%7d