Pesquisadores AKCIT criam corpus de FakeNews de 51mil textos

Desenvolvido por pesquisadores brasileiros, o FakenewsBR reúne conteúdos de diferentes fontes em uma estrutura unificada e busca facilitar o desenvolvimento de pesquisas sobre desinformação e inteligência artificial em língua portuguesa.

A disseminação de notícias falsas se tornou um dos grandes desafios da sociedade digital. Em um cenário no qual informações circulam rapidamente por redes sociais, aplicativos de mensagens e plataformas de comunicação, distinguir conteúdos confiáveis de informações enganosas exige cada vez mais conhecimento e pesquisa.

Mas, para desenvolver sistemas capazes de estudar e identificar a desinformação, existe um desafio que muitas vezes passa despercebido, a disponibilidade de dados organizados e preparados para pesquisas.

Foi diante desse problema que um grupo de pesquisadores ligados ao Centro de Competência EMBRAPII em Tecnologias Imersivas (AKCIT) e ao Centro de Excelência em Inteligência Artificial (CEIA), no ecossistema de pesquisa da Universidade Federal de Goiás (UFG), desenvolveu o FakenewsBR, um corpus integrado que reúne 51.205 registros textuais em língua portuguesa, provenientes de seis conjuntos de dados anteriormente publicados.

A iniciativa busca fortalecer pesquisas sobre desinformação no contexto brasileiro e oferecer recursos para o desenvolvimento e a avaliação de novas abordagens em inteligência artificial.

Processo de criação do FakenewsBR

Embora o combate às fake news seja frequentemente associado à criação de ferramentas capazes de identificar conteúdos falsos, o desenvolvimento dessas tecnologias começa muito antes, na coleta, preparação e organização das informações utilizadas pelos pesquisadores.

Atualmente, existem diferentes bases de dados sobre desinformação, construídas por instituições e grupos de pesquisa. Entretanto, esses conjuntos podem apresentar estruturas distintas, classificações diferentes e informações distribuídas de maneiras incompatíveis.

Na prática, isso significa que pesquisadores interessados em utilizar essas bases precisam dedicar parte considerável do trabalho à preparação e à integração dos dados, antes mesmo de iniciar seus experimentos.

O FakenewsBR foi desenvolvido para enfrentar esse desafio.

O projeto reúne diferentes conjuntos de dados sobre notícias e conteúdos digitais, organizando as informações em uma estrutura padronizada. O resultado é uma coleção que permite consultar e analisar registros provenientes de diferentes fontes de maneira mais consistente.

Em termos técnicos, essa coleção recebe o nome de corpus, um conjunto estruturado de textos utilizado em pesquisas computacionais, especialmente nas áreas de inteligência artificial e processamento de linguagem natural.

No caso do FakenewsBR, os registros incluem notícias, publicações de redes sociais, mensagens e outros conteúdos relacionados à circulação de informações no ambiente digital brasileiro.

O conjunto abrange registros datados de 2005 a 2022 e preserva informações que permitem identificar suas bases de origem, uma característica importante para compreender as diferenças entre os conteúdos analisados.

Mais de 51 mil registros organizados para novas pesquisas. A principal contribuição do projeto não está simplesmente na quantidade de informações reunidas, mas na maneira como esses dados foram integrados, tratados e disponibilizados.

Para construir o corpus, os pesquisadores desenvolveram um processo computacional que combina diferentes etapas de preparação dos dados, incluindo padronização de campos, limpeza de textos e identificação de conteúdos muito semelhantes.

Esse último procedimento é particularmente importante porque uma mesma informação pode aparecer em diferentes bases, ainda que apresentada com pequenas alterações. A análise de similaridade auxilia na identificação dessas ocorrências e permite sinalizar registros que precisam de uma avaliação mais cuidadosa.

O FakenewsBR também mantém classificações de veracidade provenientes dos conjuntos de dados originais, além de incorporar informações complementares de serviços de checagem de fatos quando disponíveis.

Dessa forma, a iniciativa oferece não apenas uma coleção de textos, mas também um conjunto de informações estruturadas que pode apoiar experimentos e análises desenvolvidos por outros pesquisadores.

Pesquisa brasileira apresentada em evento científico

O desenvolvimento do FakenewsBR resultou no artigo científico “FakenewsBR: A Unified Portuguese Misinformation Corpus for Reproducible Data Integration Research”, apresentado no contexto do Simpósio Brasileiro de Bancos de Dados (SBBD 2026), por meio do Dataset Showcase Workshop.

A pesquisa contou com o trabalho dos pesquisadores Kauan Divino Pouso Mariano, Fabrycio Leite Nakano Almada, Maykon Adriell Dutra e Victor Emanuel da Silva Monteiro, com orientação de Juliana Resplande e contribuições acadêmicas dos professores Anderson Soares e Arlindo Galvão.

A iniciativa foi desenvolvida no contexto das atividades de pesquisa relacionadas à inteligência artificial e ao estudo da desinformação, com apoio do AKCIT e do CEIA.

A apresentação científica representa uma oportunidade de compartilhar os resultados com a comunidade acadêmica, permitindo que outros pesquisadores conheçam a metodologia utilizada e explorem as possibilidades de aplicação do corpus.

Mais do que apresentar um recurso tecnológico, o projeto também evidencia a participação de pesquisadores brasileiros na construção de conhecimento voltado a desafios relevantes da sociedade contemporânea.

Como o FakenewsBR pode contribuir para o avanço da inteligência artificial?

A inteligência artificial depende de dados para aprender padrões, realizar classificações e ser avaliada em diferentes situações. Por isso, a qualidade e a organização das informações utilizadas são aspectos fundamentais para o desenvolvimento dessas tecnologias.

No campo da desinformação, conjuntos de dados como o FakenewsBR podem auxiliar na criação e na avaliação de modelos capazes de analisar textos e identificar características associadas a conteúdos classificados como falsos ou verdadeiros.

O corpus também abre possibilidades para investigações sobre as diferenças entre notícias e mensagens de redes sociais, padrões linguísticos presentes na desinformação e limitações de sistemas automatizados de classificação.

Outro aspecto relevante é o foco na língua portuguesa e no contexto brasileiro. A disponibilização de recursos específicos para esse cenário permite ampliar estudos considerando características da linguagem e dos ambientes digitais locais.

Além da integração das informações, um dos princípios centrais do FakenewsBR é a reprodutibilidade científica. Na prática, isso significa disponibilizar não apenas o resultado da pesquisa, mas também os procedimentos e as ferramentas utilizados na construção do corpus, permitindo que outras equipes compreendam e reproduzam suas etapas de processamento.

Os dados e o código do projeto foram disponibilizados publicamente, favorecendo a colaboração acadêmica e a continuidade de investigações nessa área

Saiba mais sobre o projeto

Artigo científico: "FakenewsBR: A Unified Portuguese Misinformation Corpus for Reproducible Data Integration Research" (https://sol.sbc.org.br/index.php/dsw/article/view/44058)

Código e ferramentas: "Repositório FakenewsBR no GitHub" (https://github.com/AKCIT-FN/fakenews-data)

Base de dados: "FakenewsBR no Hugging Face" (https://huggingface.co/datasets/kauandivino/FakenewsBR)