Escolar Documentos
Profissional Documentos
Cultura Documentos
Página 1
ABSTRATO 1. INTRODUÇÃO
Um desafio importante no processo de rastreamento e detecção Redes sociais online mudaram os hábitos de consumo de notícias
a disseminação de desinformação é entender a lacuna na de muitos, pois apresentam as notícias em uma estrutura que difere dramaticamente
as visões políticas entre as pessoas que se engajam com os chamados icamente a partir de tecnologias de mídia anteriores [ 26 ]. Conteúdo online pode
”Notícias falsas”. Um possível fator responsável por esta lacuna é a opinião ser espalhado com pouca ou nenhuma filtragem, e fontes com insignificante ou
polarização, que pode levar o público em geral a classificar reputação desconhecida pode atingir tantos leitores quanto eu já estabelecido-
tenda que discordam ou que querem desacreditar como falsa. Neste trabalho, nós saídas de dia [ 1]. Os lucros derivam principalmente de cliques que afetam o
estudar a relação entre polarização política e conteúdo leitor ao site da mídia, o que aumenta a “tabloidização”
relatado por usuários do Twi er como relacionado a “notícias falsas”. Nós investigamos das manchetes [ 7]. e informações às quais os usuários são expostos
como a polarização pode criar narrativas distintas sobre o que desinfor- é selecionado através de algoritmos de recomendação [25 ], que podem
mação realmente é. Realizamos nosso estudo com base em dois conjuntos de dados criar ”bolhas de filtro”, separando os usuários das informações (e notícias)
coletado de Twi er. O primeiro conjunto de dados contém tweets sobre os EUA que discorda de seus pontos de vista [ 29] .
política em geral, a partir da qual calculamos a inclinação política Nesse contexto, dois fenômenos têm sido cada vez mais recebidos
de cada usuário para o Partido Republicano e Democrático. No ção devido ao seu impacto potencial em importantes projetos sociais
segundo conjunto de dados, coletamos tweets e URLs que ocorreram com cesses [1 , 3]: a rápida propagação de um número crescente de insubstanti-
Palavras-chave e hashtags relacionadas a "notícias falsas", como #FakeNews informações falsas ou falsas online [12 ], recentemente nomeadas como "notícias falsas",
e #AlternativeFact, bem como reações a tais tweets e e o aumento da polarização de opinião [ 1, 15]. Estudos anteriores
URLs. Em seguida, analisamos a relação entre polarização e sugerem uma interação dupla entre os dois. e polarizado ”eco
o que é percebido como desinformação e se os usuários estão des- as comunidades da câmara são mais suscetíveis à disseminação de
ignorar informações que discordam como falsas. Nossos resultados mostram desinformação [ 12] . Por outro lado, a desinformação desempenha um papel fundamental
um aumento na polarização de usuários e URLs (em termos de seus na criação de grupos polarizados [ 43]. Outra forma de esses fenômenos
pontos de vista políticos associados) para informações marcadas com pode interagir é quando os usuários classificam incorretamente as notícias como fontes de
palavras-chave e hashtags de notícias, quando comparadas a informações que não desinformação simplesmente devido a desacordo, não porque relata
rotulado como "notícias falsas". Discutimos o impacto de nossas descobertas sobre fatos reais, falsos ou imprecisos [23 ]. Este comportamento cria alternativas
os desafios de rastrear "notícias falsas" no banco em curso contra narrativas do que é realmente falso, o que depende da política de alguém
desinformação. ideologia, e que, em última análise, estabelece a linha entre tendenciosa e
informações falsas mais borradas.
CONCEITOS CCS Neste artigo, realizamos uma análise inicial sobre os relacionamentos
• Computação centrada no ser humano → Análise de redes sociais; Em- e as interações entre o debate polarizado e a disseminação de
informações sobre conjuntos de dados coletados do Twi er1. Nós examinamos o
estudos piratas em computação colaborativa e social;
seguintes questões de pesquisa:
https://translate.googleusercontent.com/translate_f 1/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
Página 2
Página 3
https://translate.googleusercontent.com/translate_f 2/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
“Tudo que eu discordo é #FakeNews”:
Correlacionando polarização política e disseminação de desinformação DS + J'17, agosto de 2017, Halifax, Canadá
Figura 2: Metodologia para coletar os URLs identificados como notícias falsas, tweets gerais que tweetaram este URL e tweets gerais sobre
política e, em seguida, construir um conjunto de dados que englobe as reações polarizadas dos usuários a um URL. Também exemplificamos como o
o cálculo da polarização da URL é realizado no lado direito, conforme discutido posteriormente na Seção 3.3
Página 4
(3) As etapas 1 e 2 de coleta de dados foram realizadas a partir de 07 de maio Em nosso estudo de caso específico, existem apenas duas comunidades, portanto
2017 a 25 de maio de 2017, enquanto a coleta da etapa 3 foi podemos definir a polarização de um usuário u com uma polaridade atribuída
feito de agosto de 2016 a maio de 2017. valor de ização u ∈ [0,5, 1,0] ∪ [−1,0, −0,5] como uma variável aleatória
Usando essas fontes de dados, podemos analisar URLs que P u : [-1, 1] ↦ → [0, 1] de modo que:
ocorreu com tags #fakenews (obtidas na etapa 1), o associado
reações a este URL na forma de tweets (obtidos na etapa 2), e {2 (- u + 0,5) se u ∈ D
https://translate.googleusercontent.com/translate_f 3/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
a polarização de alguns dos usuários que tweetaram (obtida em Pu= 2 ( u - 0,5) se u ∈ R (1)
etapa 3). Isso é representado no lado direito da Figura 2. Onde R e D são os grupos polarizados de republicanos e democratas.
Quando capturamos qualquer URL contido em um tweet, estamos capturando Observe que estamos simplesmente mudando o domínio do valor como-
muitos tipos diferentes de interações não triviais. Por exemplo, tem assinado pelo algoritmo de polarização para um mais intuitivo ([-1, 1]).
foi mostrado que retuítes podem expressar discordância [16 ]. ese Podemos ainda definir a polarização absoluta do usuário como um fator aleatório
sutilezas têm pouco impacto em nossa análise, pois estamos interessados variável A u : [0, 1] ↦ → [0, 1] de modo que:
não no tipo de reação que um usuário tem, mas se os usuários de
grupos polarizados de forma diferente reagem aos mesmos URLs. Au=|Pu| (2)
3.2 Estimando a polarização política do usuário 3.3 Estimando a polarização política do URL
A principal unidade de informação que queremos correlacionar com notícias falsas- Outro aspecto dos dados que precisa ser modelado é o
tweets relacionados é o grau de polarização dos usuários Twi er para cada ização de um URL, ou em outras palavras, como ele reverbera através
lado principal na política dos EUA - republicanos e democratas. Notar que usuários em comunidades polarizadas opostas. Nós de nimos o grau
como afirmado anteriormente, sobrecarregamos a palavra polarização para denotar de polarização de um URL com base na polarização de usuários que
o quanto um indivíduo se inclina para um conjunto de pontos de vista ou uma ideologia. reagiu a isso. Para simplificar, consideramos como URLs qualquer
Há uma infinidade de métodos projetados para classificar os políticos links externos ao Twi er ou links para outros tweets, e as reações são
inclinação de usuários de mídia social, que normalmente se agrupam tweets normais, citações, respostas e retuítes que interagem com o
em comunidades bem separadas [9 , 41]. Embora nossa metodologia URL
não depende do algoritmo de agrupamento de grafos específico, encontrando Definimos a polarização de um URLk, dados dois grupos polarizados
comunidades em tópicos polarizados é facilitado pelo fato de que geralmente é dos usuários R e D, como uma variável aleatória P k : [0, 1] n ↦ → [0, 1] que é
sementes simples de encontrar - usuários que anteriormente eram conhecidos por pertencerem a umda polarização dos usuários P u que reagiram a ela:
a média
comunidade específica. No caso dos conjuntos de dados Twi er que levamos em
consideração, o per l o cial de políticos e partidos políticos n
1
são sementes naturais que podem ser alimentadas a um agrupamento semissupervisionado Pk= Pu (3)
n
algoritmo que expande as sementes para as comunidades formadas ao redor u ∈U (k)
Página 5
Tabela 1: Caracterização geral das fontes de dados. A intersecção entre o conjunto de dados de Política e os Relacionados a FN é importante
tão importante quanto o usamos para caracterizar a polarização dos usuários e, conseqüentemente, dos URLs nos conjuntos de dados relacionados ao FN .
https://translate.googleusercontent.com/translate_f 4/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
Abdômen.
0,84 Valores
0,83
0,82
Relacionado a FN Política Relacionado a FN Política Relacionado a FN Política
Fonte Fonte Fonte
Figura 3: Polarização absoluta média do usuário para os usuários no conjunto de dados Relacionado a FN e Política . As barras de erro são os
Intervalos de confiança de 95% calculados usando bootstrap. O aumento na polarização no conjunto de dados FN-Related sugere que
o tema da desinformação aumenta a polarização em um tópico já polarizado (política).
Página 6
0,60 0,60
T1 Q2 3º T Q4 T1 Q2 3º T Q4 T1 Q2 3º T Q4 T1 Q2 3º T Q4
Número de reações Número de reações Associação com desinformação Associação com desinformação
(Quartis) (Quartis) Palavras-chave (quartis) Palavras-chave (quartis)
Figura 4: Polarização média por número de reações a Figura 5: Polarização média por proporção de tweets com
um URL (quartis). Barras de erro representam 95% de confiança em o URL que contém as palavras-chave relacionadas à desinformação
terval. (quartis).
https://translate.googleusercontent.com/translate_f 5/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
(a) Usuários com tendência democrata. (b) usuários com tendência republicana.
Figura 6: Nuvens de domínio de tuítes relacionados a # FakeNews. Observe a presença de sites com a mesma ideologia dos usuários em
os grupos polarizados. Isso indica que os usuários estão reagindo a fontes com as quais concordam em narrativas relacionadas a notícias falsas.
Entre os URLs selecionados aleatoriamente, por exemplo, o principal reagiu Por fim, também podemos encontrar instâncias de usuários realmente marcando
URL externo no estrato altamente polarizado A k ∈ [0,67, 1] é um fatos ou histórias como falsos. Um exemplo de tal caso é um altamente polarizado
notícia sobre Michael Flynn sendo considerado inocente pelo FBI Notícia de tendência democrática A k ∈ [0,67, 1] apontando a repreensão
de seu relacionamento com o russo [ 36] : de uma história supostamente de "notícias falsas" sobre o assassinato da equipe do DNC:
New York Post: FBI liberta Michael Flynn na investigação Raw Story: Família explode mídia de direita por
ligando-o à Rússia espalhando notícias falsas sobre a chefia assassinada do DNC
É importante notar que o envolvimento de Flynn com Donald enquanto o escândalo da Rússia se aprofunda
A campanha de Trump torna esta informação mais favorável Não encontramos exemplos de URLs externos de uma fonte conhecida por
para usuários com tendência republicana. Con rmando o resultado obtido com ter a confiança de um grupo ideológico polarizado pelo oposto
a análise das nuvens de palavras na Seção 4.2, no entanto, o resultado político em nossa amostragem estratificada. No entanto, existem casos
é polarizado para indivíduos que apóiam o Partido Republicano. de tweets onde isso acontece. Por exemplo, o seguinte tweet
Isso sugere que os usuários estão descartando principalmente uma narrativa de outro por Donald J. Trump [39 ] 6 é polarizado em direção à tendência democrática
fontes da mídia que sugeriram a ligação de Flynn com a Rússia. e Comercial:
termos associados a "notícias falsas", portanto, não estão sendo empregados e conluio Rússia-Trump
@realdonaldtrump:
para denotar que um conteúdo em si é falso, mas denotar outras peças de história é uma farsa total, quando este contribuinte financiado
informações como falsas. fim da charada?
Outro uso do termo que podemos encontrar analisando o mais re- Neste caso, os usuários com tendência democrática podem ter sugerido que o que
URLs agidos referem-se a notícias que podem ser vistas como ridículas. Um de
Donald Trump está dizendo que é falso. Estudos anteriores também mostraram
os URLs mais reagidos no estrato menos polarizado A k ∈ [0, 0,32], que retuítes de personalidades conhecidas muitas vezes denotam antag-
é sobre um prisioneiro que foi esvaziado para escapar da prisão vestido de mulher
onismo [ 16] .
em Honduras [ 4] :
Embora esta análise não seja significativa para compreender o
Telégrafo: Prisioneira vestida de mulher fracassada evasão desses diferentes usos de termos relacionados a "notícias falsas",
lance de fuga fornece uma visão sobre a infinidade de cenários que co-ocorrem com
é o uso, embora não necessariamente prejudicial para a de- palavras-chave e hashtags relacionadas à desinformação.
bate, pode representar um desafio para as técnicas automatizadas para detectar 6 Nós aqui apenas discutimos a polarização em torno de um tweet de uma pessoa pública, não
desinformação, se eles empregam quais usuários em uma rede como infringir os termos de uso do Contrato e Política de Desenvolvedor do Twi er.
Twi er tag tão falso quanto um recurso.
Página 7
a associação entre polarização e notícias falsas, analisando [5] Ceren Budak, Divyakant Agrawal e Amr El Abbadi. 2011. Limitando a propagação
de desinformação nas redes sociais. Em Proceedings of the 20th international
o impacto de vários fatores em URLs e usuários relacionados a "notícias falsas" conferência na World Wide Web. ACM, 665-674.
nós conhecíamos a polarização de. Também analisamos as diferentes fontes [6] Pedro H. Calais, Adriano Veloso, Wagner Meira, Jr e Virgilio Almeida. 2011
Do preconceito à opinião: uma abordagem de aprendizagem por transferência para o sentimento em tempo real
que são mencionados como "falsos" pelos usuários e descritos qualitativamente Análise. Em Proc. da 17ª Conferência ACM SIGKDD sobre descoberta de conhecimento
cenários diferentes onde a terminologia é aplicada. e mineração de dados. San Diego, CA.
Descobrimos que o debate sobre notícias falsas no Twi er é altamente [7] Abhijnan Chakraborty, Bhargavi Paranjape, Sourya Kakarla e Niloy Ganguly.
2016. Stop Clickbait: Detecção e prevenção de clickbaits na mídia de notícias online.
polarizado em termos do grau de preconceito dos usuários que reagem sobre In Advances in Social Networks Analysis and Mining (ASONAM), 2016 IEEE / ACM
URLs relacionados a “notícias falsas” e em termos dos diferentes conjuntos de URL Conferência Internacional em. IEEE, 9–16.
[8] Giovanni Luca Ciampaglia, Prashant Shiralkar, Luis M. Rocha, Johan Bollen,
domínios com os quais democratas e republicanos se engajam. Nós também
Filippo Menczer e Alessandro Flammini. 2015. Checagem de fatos computacionais
descobriram que, em nosso conjunto de dados, a polarização média era maior de Redes de Conhecimento. PLOS ONE 10, 6 (06 2015), 1–13. h ps: //doi.org/10.
quando muitos indivíduos marcavam um URL como falso. essas descobertas 1371 / journal.pone.0128193
[9] Michael Conover, Jacob Ratkiewicz, Ma hew Francisco, Bruno Gonçalves,
sugerem que há um aumento na polarização no contexto de
Alessandro Flammini e Filippo Menczer. 2011. Polarização política em Twi er.
conteúdo relacionado ou percebido como notícia falsa. está traçando Em Proc. 5ª Conferência Internacional AAAI sobre Weblogs e Mídia Social (ICWSM).
de uma relação entre polarização e conteúdo relacionado ao falso [10] Niall J. Conroy, Victoria L. Rubin e Yimin Chen. 2015. Engano Automático
Detecção: Métodos para Encontrar Notícias Falsas. Em Proceedings of the 78th ASIS & T
as notícias abordam nossa primeira questão de pesquisa.
Reunião Anual: Ciência da Informação com Impacto: Pesquisa na e para a Comunidade
e análise das nuvens de palavras do democrata e republicano nity (ASIST '15). American Society for Information Science, Silver Springs, MD,
usuários de aprendizagem, bem como o exame qualitativo dos contextos EUA, Artigo 82, 4 páginas. hp: //dl.acm.org/citation.cfm? id = 2857070.2857152
[11] Mauro Conti, Daniele Lain, Riccardo Lazzere i, Giulio Loviso o e Walter
onde palavras-chave relacionadas a informações incorretas e hashtags são empregadas um rociocchi. 2017. É sempre o dia da mentira! Na Di culdade de So-
sugerem que há um uso signi cativo da chave relacionada a "notícias falsas" Classificação de desinformação de rede cial por meio de recursos de propagação. CoRR
abs / 1701.04221 (2017). hp: //arxiv.org/abs/1701.04221
palavras para expressar desacordo. Essas descobertas abordam nosso segundo [12] Michela Del Vicario, Alessandro Bessi, Fabiana Zollo, Fabio Petroni, Antonio
questão de pesquisa. No entanto, a medida em que isso acontece Scala, Guido Caldarelli, H. Eugene Stanley e Walter a rociocchi. 2016. e
https://translate.googleusercontent.com/translate_f 6/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
precisa ser avaliada quantitativamente, pois nossas análises não permitem o disseminação de desinformação online. Proceedings of the National Academy of
Sciences 113, 3 (2016), 554–559.
medição do impacto de tal uso. [13] Emilio Ferrara, Onur Varol, Clayton Davis, Filippo Menczer e Alessandro
O impacto da polarização no combate aos presentes de notícias falsas Flammini. 2014. e ascensão dos bots sociais. pré-impressão arXiv arXiv: 1407.5225 (2014).
[14] Michelle C Forelle, Philip N Howard, Andrés Monroy-Hernández e Saiph
novos desafios e oportunidades. Por um lado, se um signi cativo
Selvagem. 2015. Os bots políticos e a manipulação da opinião pública na Venezuela.
quantidade de mensagens relacionadas ao conteúdo de notícias falsas (2015).
desacordo, temos que métodos de aprendizado de máquina que usam [15] Kiran Garimella, Gianmarco De Francisci Morales, Aristides Gionis e Michael
Mathioudakis. 2017. Equilibrando pontos de vista opostos para reduzir a controvérsia, em
o que os usuários indicam como falso como um recurso pode se tornar tendencioso para
Anais da Décima ACM International Conf. na pesquisa na web e dados
um lado do espectro de polarização. Por outro lado, podemos Mineração. WSDM.
usar técnicas de detecção de comunidade para adicionar polarização como um recurso [16] Pedro Calais Guerra, Roberto CSNP Souza, Renato M Assunç˜ao e Wagner
Meira Jr. 2017. Antagonismo também flui por retuítes: e impacto de out-of-
que distingue falsos e tendenciosos, ou até mesmo usuários que não são Otes contextuais em análise de polarização de opinião. pré-impressão arXiv arXiv: 1703.03895
não extremamente polarizado, o que teria um perfil mais confiável (2017).
julgamento do que é desinformação. [17] Philip N Howard e Bence Kollanyi. 2016. Bots, # StrongerIn e # Brexit:
propaganda computacional durante o Referendo Reino Unido-UE. Baixar navegador
Como trabalho futuro, queremos explorar métodos para identificar diferentes é papel (2016).
narrativas em torno de histórias que emergem em comunidades polarizadas distintas [18] DJ Isenberg. 1986. Polarização de grupo: Uma revisão crítica e meta-análise.
nidades. Isso poderia alinhar potenciais "notícias falsas" ou extremamente polarizadas Journal of Personality and Social Psychology 50, 6 (1986), 1141-1151. h ps:
//doi.org/10.1037/0022-3514.50.6.1141
artigos com outros que os refutam ou rejeitam, fornecendo um mecanismo [19] Isabel M. Kloumann e Jon M. Kleinberg. 2014. Associação da comunidade
anismo para regular a propagação e desinformação da polarização Identificação de Pequenos Conjuntos de Sementes. Em Proceedings of the 20th ACM SIGKDD
Conferência Internacional sobre Descoberta de Conhecimento e Mineração de Dados (KDD '14).
causa na sociedade [12 , 43]. Outra direção interessante seria ACM, New York, NY, USA, 1366–1375.
seja para explorar ainda mais a associação de notícias falsas e polarização, [20] Sejeong Kwon, Meeyoung Cha, Kyomin Jung, Wei Chen e Yajun Wang. 2013
Características proeminentes de propagação de rumores nas redes sociais online. Em mineração de dados
encontrar declarações que são comprovadas como falsas por verificadores de fatos e mod-
(ICDM), 2013 IEEE 13ª Conferência Internacional sobre. IEEE, 1103-1108.
elimina as interações complexas (como citações e respostas) entre [21] David Lazer. 2015. e ascensão do algoritmo social. Science 348 (2015), 1090–1091.
usuários em redes sociais como Twi er. [22] Kristina Lerman e Rumi Ghosh. 2010. Contágio de informação: um empírico
estudo da divulgação de notícias nas redes sociais Digg e Twi er. ICWSM 10
(2010), 90–97.
RECONHECIMENTOS [23] Stephan Lewandowsky, Ullrich KH Ecker, Colleen M Seifert, Norbert Schwarz,
e John Cook. 2012. A desinformação e sua correção continuaram in uência
Este trabalho é parcialmente financiado pelo CNPq, CAPES, FAPEMIG, In-
e debiasing bem-sucedido. Psychological Science in the Public Interest 13, 3 (2012),
Web, MASWEB e INCT-Cyber. 106–131.
Página 8
[24] Q. Liao, Fu Wai-Tat e Markus Strohmaier. 2016. #Snowden: Compreensão [34] VS Subrahmanian, Amos Azaria, Skylar Durst, Vadim Kagan, Aram Galstyan,
Viés introduzido por diferenças comportamentais de grupos de opinião nas mídias sociais. Kristina Lerman, Linhong Zhu, Emilio Ferrara, Alessandro Flammini e Filippo
Em Proceedings of the SIGCHI (CHI '16). ACM. Menczer. 2016. e DARPA Twi er bot challenge. Computer 49, 6 (2016), 38–46.
[25] Q Vera Liao e Wai-Tat Fu. 2013. Além da bolha do filtro: efeitos interativos [35] Cass R. Sunstein. 2002. e Lei de Polarização de Grupo. Journal of Political
de ameaça percebida e envolvimento de tópico na exposição seletiva de informações. Philosophy 10, 2 (2002), 175–195. hp: //dx.doi.org/10.1111/1467-9760.00148
Em Anais da conferência SIGCHI sobre fatores humanos em sistemas de computação. [36] Joe Tacopino. 2017 FBI liberta Michael Flynn dentrosonda
ACM, 2359-2368. ligando ele para Rússia. hp: //nypost.com/2017/01/24/
[26] Regina Marchi. 2012. Com o Facebook, blogs e notícias falsas, os adolescentes rejeitam o jornal i-clears-michael-ynn-in-probe-linking-him-to-russia /. (2017). Acessado:
“objetividade” istica. Journal of Communication Inquiry 36, 3 (2012), 246–262. 25/05/2017.
[27] Amy Mitchell, Je rey Go fried, Jocelyn Kiley e Katerina Eva Matsa. 2014. [37] Marcella Tambuscio, Giancarlo Ru o, Alessandro Flammini e Filippo Menczer.
Polarização política e hábitos de mídia. Pew Research Center (2014). 2015. Efeito de checagem de fatos sobre boatos virais: um modelo de disseminação de desinformação
[28] Will Oremus. 2016. Stop Calling Everything ”Fake News”. hp: //www.slate.com/ nas redes sociais. Em anais da 24ª Conferência Internacional sobre o Mundo
artigos / tecnologia / tecnologia / 2016/12 / pare de chamar tudo de notícia falsa. Wide Web. ACM, 977-982.
html. (2016). Acesso em: 25-05-2017. [38] Hanghang Tong, Christos Faloutsos e Jia-Yu Pan. 2008. Passeio aleatório com
[29] Eli Pariser. 2011 Bolha do filtro: o que a Internet está escondendo de você. Pinguim reiniciar: soluções e aplicativos rápidos. Knowl. Inf. Syst. 14, 3 (2008), 327-346.
REINO UNIDO. [39] Donald J. Trump. 2017 h ps: // twi er.com/realdonaldtrump/status/
[30] Cecilia Pasquini, Carlo Brune a, Andrea F Vinci, Valentina Cono er e Giulia 861713823505494016. (2017). Acesso em: 25-05-2017.
Boato. 2015. Rumo à verificação da integridade da imagem em notícias online. Dentro [40] Jiajia Wang, Laijun Zhao e Rongbing Huang. 2014. 2SI2R boato espalhado-
Multimedia & Expo Workshops (ICMEW), 2015 IEEE International Conference on. modelo de integração em redes homogêneas. Physica A: Mecânica Estatística e seus
IEEE, 1–6. Applications 413 (2014), 153–161.
[31] Bethany Bryson Paul DiMaggio, John Evans. 1996. American's Social [41] Felix Ming Fai Wong, Chee Wei Tan, Soumya Sen e Mung Chiang. 2013
A itudes se tornam mais polarizados? Amer. J. Sociology 102, 3 (1996), 690–755. anti-inclinação política de tweets e retuítes. Em Proceedings of the
h ps: //doi.org/10.2307/2782461 Sétima Conferência Internacional sobre Weblogs e Mídias Sociais, ICWSM 2013,
[32] Jacob Ratkiewicz, Michael Conover, Mark R Meiss, Bruno Gonçalves, Alessandro Cambridge, Massachuse s, EUA.
Flammini e Filippo Menczer. 2011. Detecção e rastreamento de abusos políticos em [42] Samuel C. Woolley. 2016. Potência de automação: interferência de bots sociais em todo o mundo
Mídia social. ICWSM 11 (2011), 297–304. política. Primeira segunda-feira, 21, 4 (2016).
[33] Kate Starbird. 2017. Examinando o ecossistema de mídia alternativa em torno do [43] Fabiana Zollo, Petra Kralj Novak, Michela Del Vicario, Alessandro Bessi, Igor
Produção de Narrativas Alternativas de Eventos de Tiro em Massa no Twi er. (2017). Mozetic, Antonio Scala, Guido Caldarelli e Walter a rociocchi. 2015. Emo-
h ps: //www.aaai.org/ocs/index.php/ICWSM/ICWSM17/paper/view/15603 dinâmica internacional na era da desinformação. PloS one 10, 9 (2015), e0138740.
https://translate.googleusercontent.com/translate_f 7/7