19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
Página 1
“Tudo que eu discordo é #FakeNews”:
Correlacionando polarização política e disseminação de desinformação
Manoel Horta Ribeiro, Pedro H. Calais, Virgılio AF Almeida, Wagner Meira Jr.
Universidade Federal de Minas Gerais
Belo Horizonte, Minas Gerais, Brasil
{manoelribeiro, pcalais, virgilio, meira} @ dcc.ufmg.br
ABSTRATO
Um desafio importante no processo de rastreamento e detecção
a disseminação de desinformação é entender a lacuna na
as visões políticas entre as pessoas que se engajam com os chamados
”Notícias falsas”. Um possível fator responsável por esta lacuna é a opinião
polarização, que pode levar o público em geral a classificar
tenda que discordam ou que querem desacreditar como falsa. Neste trabalho, nós
estudar a relação entre polarização política e conteúdo
relatado por usuários do Twi er como relacionado a “notícias falsas”. Nós investigamos
como a polarização pode criar narrativas distintas sobre o que desinfor-
mação realmente é. Realizamos nosso estudo com base em dois conjuntos de dados
coletado de Twi er. O primeiro conjunto de dados contém tweets sobre os EUA
política em geral, a partir da qual calculamos a inclinação política
de cada usuário para o Partido Republicano e Democrático. No
segundo conjunto de dados, coletamos tweets e URLs que ocorreram com
Palavras-chave e hashtags relacionadas a "notícias falsas", como #FakeNews
e #AlternativeFact, bem como reações a tais tweets e
URLs. Em seguida, analisamos a relação entre polarização e
o que é percebido como desinformação e se os usuários estão des-
ignorar informações que discordam como falsas. Nossos resultados mostram
um aumento na polarização de usuários e URLs (em termos de seus
pontos de vista políticos associados) para informações marcadas com
palavras-chave e hashtags de notícias, quando comparadas a informações que não
rotulado como "notícias falsas". Discutimos o impacto de nossas descobertas sobre
os desafios de rastrear "notícias falsas" no banco em curso contra
desinformação.
CONCEITOS CCS
• Computação centrada no ser humano → Análise de redes sociais; Em-
estudos piratas em computação colaborativa e social;
PALAVRAS-CHAVE
arXiv: 1706.05924v2 [cs.SI] 17 de julho de 2017
notícias falsas, polarização de opinião, bolhas de filtro, desinformação
Formato de referência ACM:
Manoel Horta Ribeiro, Pedro H. Calais, Virgılio AF Almeida, Wagner Meira
Jr .. 2017. “Tudo que eu discordo é #FakeNews”:
Correlating Political Polarization and Spread of Misinformation. Em pro-
ceedings of DATA SCIENCE + JOURNALISM @ KDD 2017, Halifax, Canadá,
Agosto de 2017 (DS + J'17), 8 páginas.
DOI: 10.475 / 123 4
Permissão para fazer cópias digitais ou impressas de parte ou de todo este trabalho para uso pessoal ou
o uso da sala de aula é concedido sem taxa, desde que as cópias não sejam feitas ou distribuídas
para lucro ou vantagem comercial e que as cópias contenham este aviso e a citação completa
na primeira página. Os direitos autorais dos componentes de terceiros deste trabalho devem ser respeitados.
Para todos os outros usos, entre em contato com o proprietário / autor (es).
DS + J'17, Halifax, Canadá
© 2017 Copyright pertence ao proprietário / autor (es). 123-4567-24-567 / 08/06. . . $ 15,00
DOI: 10.475 / 123 4
https://translate.googleusercontent.com/translate_f
1. INTRODUÇÃO
Redes sociais online mudaram os hábitos de consumo de notícias
de muitos, pois apresentam as notícias em uma estrutura que difere dramaticamente
icamente a partir de tecnologias de mídia anteriores [ 26 ]. Conteúdo online pode
ser espalhado com pouca ou nenhuma filtragem, e fontes com insignificante ou
reputação desconhecida pode atingir tantos leitores quanto eu já estabelecido-
saídas de dia [ 1]. Os lucros derivam principalmente de cliques que afetam o
leitor ao site da mídia, o que aumenta a “tabloidização”
das manchetes [ 7]. e informações às quais os usuários são expostos
é selecionado através de algoritmos de recomendação [25 ], que podem
criar ”bolhas de filtro”, separando os usuários das informações (e notícias)
que discorda de seus pontos de vista [ 29] .
Nesse contexto, dois fenômenos têm sido cada vez mais recebidos
ção devido ao seu impacto potencial em importantes projetos sociais
cesses [1 , 3]: a rápida propagação de um número crescente de insubstanti-
informações falsas ou falsas online [12 ], recentemente nomeadas como "notícias falsas",
e o aumento da polarização de opinião [ 1, 15]. Estudos anteriores
sugerem uma interação dupla entre os dois. e polarizado ”eco
as comunidades da câmara são mais suscetíveis à disseminação de
desinformação [ 12] . Por outro lado, a desinformação desempenha um papel fundamental
na criação de grupos polarizados [ 43]. Outra forma de esses fenômenos
pode interagir é quando os usuários classificam incorretamente as notícias como fontes de
desinformação simplesmente devido a desacordo, não porque relata
fatos reais, falsos ou imprecisos [23 ]. Este comportamento cria alternativas
narrativas do que é realmente falso, o que depende da política de alguém
ideologia, e que, em última análise, estabelece a linha entre tendenciosa e
informações falsas mais borradas.
Neste artigo, realizamos uma análise inicial sobre os relacionamentos
e as interações entre o debate polarizado e a disseminação de
informações sobre conjuntos de dados coletados do Twi er1. Nós examinamos o
seguintes questões de pesquisa:
Q1: Como a polarização está quantitativamente relacionada com
informações percebidas como ou relacionadas a notícias falsas?
P2: Os usuários estão designando conteúdo do qual discordam?
com desinformação?
Analisamos um conjunto de dados composto de tweets sobre conteúdo associado a
“Notícias falsas” e tuítes gerais sobre a política dos EUA. Nossa metodologia-
ogy emprega um método de detecção de comunidade projetado para estimar
o grau de polarização de cada usuário 2 inclinando-se para o Demo-
partidos cráticos ou republicanos, conforme ilustrado na Figura 1 . Com base nestes
estimativas, correlacionamos os níveis de polarização do usuário às suas interações
com # tweets relacionados a # FakeNews e URLs externos. Nós analisamos
1h ps: // twi er.com/
2 Empregamos o termo polarização tanto para os fenômenos coletivos de oposição de
opiniões e designar quanto um usuário individual ou URL se inclina para um conjunto de
pontos de vista ou uma ideologia.
1/7
19/07/2021 `` Tudo de que discordo é #FakeNews '': Correlacionando Polarização Política e Propagação de Desinformação
Página 2
DS + J'17, agosto de 2017, Halifax, Canadá
Figura 1: Rede de retuítes mostrando democratas (em azul)
e republicanos (em vermelho) divididos em duas comunidades distintas
nidades. Qual é o impacto de tal polarização no que é
percebidas como “notícias falsas”?
como a polarização de tais tweets e URLs está relacionada aos seus
popularidade e com a frequência com que estão associados ao tema
de desinformação por parte dos usuários. Também analisamos a diferença de polarização e discurso político produtivo. isso faz o entendimento
relações entre usuários que apenas discutem política e aqueles que
se envolver com tweets e URLs relacionados a notícias falsas.
Nosso processo de análise de dados mostra três conclusões principais:
(1) Há um aumento na polarização dos URLs e usuários
associado a palavras-chave e hash tags relacionadas a notícias falsas;
(2) Grupos polarizados citam fontes em seu lado das especificações políticas
trum para marcar ou condenar notícias e declarações dadas pelo
outro grupo oposto como falso;
(3) Os usuários polarizados empregam termos como "notícias falsas" para se referir máximo teórico ”, e, como processo, é o aumento de tal
para conteúdo com o qual eles discordam particularmente.
Discutimos o impacto dessas descobertas no balanço em andamento contra
a disseminação de desinformação online. Sugerimos, por ex-
amplo, que se aproxima com base em crowd-source [32 ] para detectar falsos
as notícias podem se tornar tendenciosas para ideologias políticas, uma vez que o
narrativas sobre o que é falso parecem ser bastante diferentes entre os grupos
com ideologias diferentes.
O restante deste artigo está organizado da seguinte forma. Seção 2
analisa trabalhos anteriores sobre a disseminação de desinformação online
e na polarização de opinião. Seção 3 descreve a metodologia
por trás dos processos de coleta e análise de dados. Seção 4
apresenta e discute os resultados de nossa análise. Finalmente, Seção 5
conclui o artigo e delineia direções de pesquisas futuras.
2. TRABALHO RELACIONADO
A disseminação de desinformação online3 e as "notícias falsas" tornaram-se
um tópico cada vez mais importante por seu possível impacto na sociedade
3 Algumas fontes distinguem desinformação e desinformação com base na intenção, nós
usar desinformação para ambos.
Página 3
https://translate.googleusercontent.com/translate_f
Manoel Horta Ribeiro. et al.
processos como eleições políticas e políticas públicas [2 ]. De perto
ligadas a "notícias falsas" estão as chamadas "narrativas alternativas", como
teorias da conspiração [33 ]. Há um esforço contínuo na pesquisa
comunidade para compreender a propagação e propagação de tais tipos
de conteúdo. Algumas das abordagens tomadas são para propor rede
modelos de difusão [ 37, 40] e análise de características estruturais da rede
da propagação de desinformação nas redes sociais online [ 20,
22] .
Alguns esforços também foram feitos para detectar informações incorretas, incluindo
estratégias de ing que aplicam métodos baseados em texto [ 10] , checagem de fatos
por meio de gráficos de conhecimento [8 ], soluções de crowdsourcing [32] e
inclusive verificando a autenticidade das imagens veiculadas online [30 ]. antes
também são iniciativas recentes na detecção da disseminação de informações incorretas
ção usando regularidades em seus padrões de propagação por meio de
redes, com sucesso limitado até agora [ 11] . Além disso, previ-
nossos estudos também um vazio para conter a disseminação de desinformação,
encontrar maneiras quase ideais de disseminar informações que podem
reverter o dano causado por um boato [5] ou mesmo estratégias para esclarecer
desinformação de uma perspectiva fisicológica [ 23] .
Outra linha de pesquisa envolve a existência de políticas
bots que espalham desinformação. Existem vários estudos sobre o
impacto de tais bots em países específicos [ 14, 17], bem como em mais
estudos gerais sobre suas estratégias e particularidades [42 ] e sobre
métodos para detectá-los [13 ]. A existência de tais bots pode
têm papel estratégico no debate político, influenciando, por exemplo,
as hashtags populares no Twi er [17 ] e são uma ameaça à saúde
e o combate da rede de bots é um desafio importante para o
comunidade científica [ 34] .
e associação entre polarização de opinião e "notícias falsas"
as acusações foram sugeridas na mídia como fortes; pessoas
iria apenas rotular como "falsas" quaisquer informações ou fontes que não
suporte [ 4, 28]. Do ponto de vista sociológico, polarização
pode ser formalmente entendido como um estado que "se refere à extensão
às quais as opiniões sobre uma questão se opõem em relação a alguns
oposição ao longo do tempo, fazendo com que um grupo social se dividisse em
dois subgrupos com pontos de vista conflitantes e antagônicos re-
a respeito de um tópico [18 , 31, 35]. Compreendendo a polarização online
discussões e as estruturas sociais induzidas pelo debate polarizado
é importante porque a polarização de opiniões induz a segregação
na sociedade, fazendo com que pessoas com pontos de vista diferentes se tornem
isolados em ilhas onde todos pensam como eles. Tal ”filtro
bolhas ”causadas por sistemas de mídia social limitam a exposição dos usuários
para conteúdo ideologicamente diverso, e é uma preocupação crescente [ 15, 21].
Algoritmos de recomendação em contextos de mídia social podem aumentar
a escala de polarização ainda mais, pois eles podem se separar automaticamente
arar usuários de pontos de vista alternativos sobre questões polarizadas, não
mostrando aqueles em seus feeds [ 29] .
Este trabalho é o primeiro vazio para testar a hipótese de que "falso
notícias ”narrativas são correlacionadas à polarização política. É diferente
de grande parte do trabalho pré-existente, pois considera a possibilidade de
indivíduos marcando como conteúdo de informação incorreta do qual discordam
com. Se significativo, isso adiciona outra camada de complexidade ao
problema, pois precisamos distinguir as "notícias falsas" percebidas daquilo que é
na verdade, desinformação.
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

3. METODOLOGIA minutos, usamos a API de pesquisa do Twiper para extrair

Nesta seção, descrevemos a metodologia usada para coletar os dados
e os métodos mais importantes usados ​no processo de análise de dados.
3.1 Coleta de Dados
Nossa estratégia de coleta de dados é mostrada na Figura 2. Estudamos dois
conjuntos de dados em conjunto, ambos obtidos da Twi er. primeiro conjunto de dados
foi construído para monitorar narrativas e discussões em torno de falsos
notícias. Para isso, realizamos duas coletas de dados simultâneas
esforços, usando o Stream4 e as APIs de pesquisa5. API e Stream
permite que você reúna grandes quantidades de dados que estão sendo tweetados
enquanto a API de pesquisa permite que você pesquise tweets que mencionam
palavras-chave específicas (entre inúmeros outros parâmetros).
(1) Na primeira etapa, coletamos o fluxo de tweets que contêm
usando as seguintes palavras-chave e hashtags de Twi er
API Stream:
{fakenews, #fakenews, fake-news, # fake-news,
posttruth, #posttruth, post-truth,
# post-truth, alternativefact,
#alternativefact, alternative-fact,
# factual-alternativo}
Em seguida, procedemos ao armazenamento dos URLs mencionados, sejam
é um URL externo ou um URL para outro tweet. Para ex-
amplo:
URL externo : Trump Schools CNN Reporter
em 1990 - então deixa cair o microfone - literalmente
{URL} #fakenews
Outro tweet : RT @ {Usuário}: Este é um
abuso de seu escritório. {Tweet}
(2) Na segunda etapa, os URLs armazenados são padronizados e
consumido por outro processo de coleta de dados. A cada 15
4h ps: //dev.twi er.com/streaming/overview
5h ps: //dev.twi er.com/rest/public/search
tweets que incluem os URLs mais relevantes armazenados e
metadados sobre os usuários que tweetaram sobre eles. é deixar
nós capturamos o contexto em torno dos URLs de uma forma mais ampla
cenário, sem associação necessária à desinformação-
palavras-chave ou hashtags relacionadas. Nós exemplificamos isso com dois
tweets que mencionam o mesmo URL com contextos diferentes:
Contexto de notícias falsas: Huffing ComPost é um
Piada. Ninguém acredita em seus #fakepolls
ou #fakenews. #MAGA {URL}
Contexto de notícias falsas indiretas : canadense
visualizações dos EUA atingiram o menor nível histórico, pesquisa
programas, {URL}
O objetivo deste processo de coleta de duas etapas é construir uma
visão completa do debate de notícias falsas no Twi er: podemos ver
ambos os usuários que estão se referindo a um conteúdo (ou seja, um URL ou outro
tweet) como uma fonte potencial de notícias falsas e usuários que estão citando,
propagando ou interagindo com o mesmo conteúdo sem doer
para ele, o rótulo de notícias falsas.
O segundo conjunto de dados que usamos foi obtido coletando tweets
sobre a política dos EUA em geral da Twi er Stream API. Nós usamos
palavras-chave e hashtags, como {Hillary Clinton, #potus,
Donald Trump, Casa Branca, Democratas, Republicanos ...}.
A utilidade deste conjunto de dados neste trabalho é oferecer dados suficientes
para calcular com precisão o grau de polarização dos usuários do
Conjunto de dados FN com relação às suas inclinações para os republicanos e
Democratas. Isso é explicado em detalhes na Seção 3.2.
Algumas observações sobre a metodologia são:
(1) Retweets e tweets de citações são considerados URLs para
outro tweet;
(2) a escolha de 15 minutos como um tempo padrão foi imposto por
limitações da API de pesquisa do Twier;

Página 4

DS + J'17, agosto de 2017, Halifax, Canadá Manoel Horta Ribeiro. et al.

(3) As etapas 1 e 2 de coleta de dados foram realizadas a partir de 07 de maio
2017 a 25 de maio de 2017, enquanto a coleta da etapa 3 foi
feito de agosto de 2016 a maio de 2017.
Usando essas fontes de dados, podemos analisar URLs que
ocorreu com tags #fakenews (obtidas na etapa 1), o associado
reações a este URL na forma de tweets (obtidos na etapa 2), e
Em nosso estudo de caso específico, existem apenas duas comunidades, portanto
podemos definir a polarização de um usuário u com uma polaridade atribuída
valor de ização u ∈ [0,5, 1,0] ∪ [−1,0, −0,5] como uma variável aleatória
P u : [-1, 1] ↦ → [0, 1] de modo que:
{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)

eles [6 , 19, 24]. Esse cálculo é representado no lado direito da Figura 2.

Assumimos que o número de comunidades K formadas em torno de um De maneira semelhante à que fizemos para a polarização dos usuários, podemos
o tópico T é conhecido de antemão e é um parâmetro do nosso método. defina ainda a polarização de URL absoluta como uma variável aleatória
Para estimar as tendências do usuário em relação a cada um dos grupos K (K = 2 para A k : [0, 1] n ↦ → [0, 1]:
Democratas, republicanos), empregamos uma estratégia semelhante à propagação de rótulos
egy baseado em passeio aleatório com reinícios [38 ]: um caminhante aleatório Ak=|Pk| (4)
parte de cada semente e viaja no retuíte da mensagem do usuário
grafo bipartido escolhendo aleatoriamente uma aresta para decidir qual nó 3.4 Domínios e URLs impactantes
deve ser a próxima. Com uma probabilidade (1 - α) = 0,85, o aleatório Uma parte importante de nossa análise é tentar encontrar evidências de que
walker reinicia o processo de caminhada aleatória de sua semente original. os usuários estão empregando termos relacionados a “notícias falsas” para expressar discordância
Como consequência, o caminhante aleatório tende a passar mais tempo ment, ao invés de uma falta mais factual de vericidade no conteúdo, eles
dentro do cluster a sua semente pertence [ 6]. Cada nó é então atribuído tweet sobre. Para fazer isso, analisamos os domínios de URL mencionados por
à sua semente mais próxima (ou seja, comunidade), conforme mostrado nas cores dos nós cada
em lado polarizado em tweets associados à desinformação. Nós
a amostra do gráfico exibido na Figura 1. também analisa qualitativamente o conteúdo de alguns dos URLs que
e a proximidade relativa de cada nó para os dois conjuntos de sementes produzem gerou as reações mais significativas.
uma probabilidade de que este nó pertence a cada uma das duas comunidades, Para gerar os domínios, analisamos os URLs externos mencionados
e pode ser interpretado como uma estimativa de sua inclinação política. nos tweets. Em seguida, calculamos a polarização política de cada
Por exemplo, se a proximidade do nó X às sementes republicanas for 0,01 e domínio exatamente como fazemos para URLs completos. As nuvens de palavras são gener-
sua proximidade com as sementes democratas é de 0,04, o passeio aleatório baseado para todos os URLs externos com polarização absoluta A k maior
resultados do algoritmo de detecção da comunidade a que esse nó pertence de 0,5, um para cada respectivo grupo polarizado. Para a análise
a comunidade democrata com 80% de probabilidade. Observe que este do conteúdo dos principais URLs reagidos, selecionamos aleatoriamente 75 de
a natureza da modelagem captura que alguns nós podem ser mais neutros os 150 principais URLs (tweets e externos). Destes, temos igualmente
do que outros. Para mais detalhes sobre a comunidade baseada em caminhadas aleatórias estrato de tamanho em que A k pertence aos intervalos [0, 0,32], [0,33, 0,66]
algoritmo de detecção, consulte [ 6] . ou [0,67, 1]. Em seguida, analisamos o conteúdo dos URLs para obter informações sobre
maneiras diferentes de emergir a temática das notícias falsas.

Página 5

“Tudo que eu discordo é #FakeNews”:

Correlacionando polarização política e disseminação de desinformação DS + J'17, agosto de 2017, Halifax, Canadá
Estatísticas Gerais Usuários compartilhados Usuários ativos compartilhados
Fonte #Comercial # usuários ativos #tweets #urls Política Relacionada a FN Relacionada a FN Relacionada a FN
Relacionado a FN 374.191 101.031 833.962 109.397 - 29,22% - 37, 61%
Política 4.164.604 247.435 246.103.385 - 2,62% - 15,72% -

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 .

Usuários = todos Usuários = inativos Usuários = ativos

0,89
0,88
0,87
0,86
0,85

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).

4 RESULTADOS A Figura 4 mostra que, no conjunto de dados coletados, o aumento no

Começamos caracterizando os dois conjuntos de dados em termos de tweets,
URLs e usuários, conforme ilustrado na Tabela 1 . Lembre-se de que a análise
sobre URLs são todos realizados usando os tweets do conjunto de dados
chamamos FN-Related e a polarização dos usuários do conjunto de dados
chamada Política.
hipótese de que a temática “falso novo” é polarizadora.
Os tamanhos dos conjuntos de dados diferem significativamente, mas a interseção entre
eles nos concede um número significativo de usuários para realizar o anal-
ysis com (29,22% dos 374.191 usuários no conjunto de dados FN-Related).
Se definirmos os usuários ativos na Política como o menor conjunto
dos usuários responsáveis ​por 80% dos tweets coletados, temos que
a interseção com os usuários do conjunto de dados FN-Related cresce
significativamente, aumentando para 15,72% dos 2,62% originais.
4.1 Polarização e Tweets
Começamos analisando a diferença na polarização dos usuários em
o conjunto de dados Política e o conjunto de dados FN-Related. Observe que todos
os usuários que conhecemos a polarização do segundo também estão em
o primeiro. A Figura 3 mostra a polarização média em tais conjuntos de dados
olhando para todos os usuários, mas considerando usuários ativos ou inativos. e
aumento significativo na polarização dos usuários associados
com URLs que co-ocorreram com termos relacionados a "notícias falsas" é um
indicação de que o tema "notícias falsas" aumenta a polarização em
a discussão já polarizada da política.
Outra perspectiva que pode ser vista é como a polarização
ção de URLs muda de acordo com as características das reações
associado a ele. Analisamos dois aspectos, a saber: qual é o impacto
do número de reações em torno de um URL para sua polarização,
e qual é o impacto da porcentagem de reações usando a chave
palavras e hashtags relacionadas a notícias falsas para a polarização do
URL Ordenando os URLs de acordo com essas métricas, traçamos o
polarização média de cada um de seus quartis nas Figuras 4 e 5,
respectivamente. Analisamos outros tweets e URLs externos separadamente.
número de reações tem um impacto negativo na média polar
ização de um URL. Uma melhor interpretação desses resultados seria
requerem um mapeamento das interações dos usuários. A Figura 5 mostra
um aumento da polarização quando os URLs são constantemente associados
atado com palavras-chave relacionadas a ”notícias falsas”. Isso contribui para o
4.2 Polarização e Domínios de URL
Geramos nuvens de palavras conforme descrito na Seção 3 .4, e o
resultados podem ser vistos na Figura 6 (a) para usuários com tendência democrata e
na Figura 6 (b) para usuários com tendência republicana. Analisando o típico
níveis de confiança em relação a diferentes fontes de mídia reunidos pelo Pew
Centro de Pesquisa [ 27] , podemos ver que a nuvem de palavras com tendência democrática
contém domínios para fontes de notícias como e Washington Post
e e o New York Times, que supostamente tem a confiança dos liberais
e desconfiado pelos conservadores. Da mesma forma, a tendência republicana
wordcloud contém domínios para fontes de notícias como Breitbart e
Fox News, da confiança dos conservadores e da desconfiança dos liberais.
Isso implica que o grupo polarizado não menciona diretamente alguns
relatório ou notícia como falsa, mas reage a links de fontes que eles
concordo com o tema “notícias falsas”. Também indica que as fontes
que os usuários de uma certa ideologia política confiam têm um significado significativo
pacto sobre sua visão do que é falso, já que os estão citando como fonte
em vez da informação que eles acreditam ser desinformação.
4.3 Analisando os principais URLs reagidos
Analisando os tweets que receberam mais reações e que
co-ocorrido com palavras-chave relacionadas a "notícias falsas" nos permite ser mais
entender como eles estão sendo usados. Realizamos nosso qualitativo
análise dando e discutindo exemplos do estrato diferente
nós de nimos e inspecionamos.

Página 6

DS + J'17, agosto de 2017, Halifax, Canadá Manoel Horta Ribeiro. et al.

É Tweet = Falso É Tweet = Verdadeiro É Tweet = Falso É Tweet = Verdadeiro

0,90 0,90
0,85 0,85
0,80 0,80
0,75 0,75
0,70 0,70
Abdômen.
0,65 Polarização Abdômen.
0,65 Polarização

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.
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
URL externo no estrato altamente polarizado A k ∈ [0,67, 1] é um
notícia sobre Michael Flynn sendo considerado inocente pelo FBI
de seu relacionamento com o russo [ 36] :
New York Post: FBI liberta Michael Flynn na investigação
ligando-o à Rússia
É importante notar que o envolvimento de Flynn com Donald
A campanha de Trump torna esta informação mais favorável
para usuários com tendência republicana. Con rmando o resultado obtido com
a análise das nuvens de palavras na Seção 4.2, no entanto, o resultado
é polarizado para indivíduos que apóiam o Partido Republicano.
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
termos associados a "notícias falsas", portanto, não estão sendo empregados
para denotar que um conteúdo em si é falso, mas denotar outras peças de
informações como falsas.
Outro uso do termo que podemos encontrar analisando o mais re-
URLs agidos referem-se a notícias que podem ser vistas como ridículas. Um de
os URLs mais reagidos no estrato menos polarizado A k ∈ [0, 0,32],
é sobre um prisioneiro que foi esvaziado para escapar da prisão vestido de mulher
em Honduras [ 4] :
Telégrafo: Prisioneira vestida de mulher fracassada
lance de fuga
é o uso, embora não necessariamente prejudicial para a de-
bate, pode representar um desafio para as técnicas automatizadas para detectar
desinformação, se eles empregam quais usuários em uma rede como
Twi er tag tão falso quanto um recurso.
Página 7
“Tudo que eu discordo é #FakeNews”:
Correlacionando polarização política e disseminação de desinformação
5 CONCLUSÃO E TRABALHO FUTURO
Este trabalho é o primeiro vazio para observar correlações entre políticas
polarização ical e a disseminação de desinformação, em particular
”Notícias falsas”. Para enfrentar o desafio prático de ter acesso a um
conjunto pré-classificado de artigos de notícias ou tweets falsos, monitoramos o
URLs externos e tweets associados a hash relacionado a "notícias falsas"
tags e palavras-chave. Procuramos tweets reagindo a esses URLs
e calculou a polarização dos usuários que reagiram a eles
usando um conjunto de dados auxiliares mais gerais sobre política. Nós examinamos
a associação entre polarização e notícias falsas, analisando
o impacto de vários fatores em URLs e usuários relacionados a "notícias falsas"
nós conhecíamos a polarização de. Também analisamos as diferentes fontes
que são mencionados como "falsos" pelos usuários e descritos qualitativamente
cenários diferentes onde a terminologia é aplicada.
Descobrimos que o debate sobre notícias falsas no Twi er é altamente
polarizado em termos do grau de preconceito dos usuários que reagem sobre
URLs relacionados a “notícias falsas” e em termos dos diferentes conjuntos de URL
domínios com os quais democratas e republicanos se engajam. Nós também
descobriram que, em nosso conjunto de dados, a polarização média era maior
quando muitos indivíduos marcavam um URL como falso. essas descobertas
sugerem que há um aumento na polarização no contexto de
conteúdo relacionado ou percebido como notícia falsa. está traçando
de uma relação entre polarização e conteúdo relacionado ao falso
as notícias abordam nossa primeira questão de pesquisa.
e análise das nuvens de palavras do democrata e republicano
usuários de aprendizagem, bem como o exame qualitativo dos contextos
onde palavras-chave relacionadas a informações incorretas e hashtags são empregadas
sugerem que há um uso signi cativo da chave relacionada a "notícias falsas"
palavras para expressar desacordo. Essas descobertas abordam nosso segundo
questão de pesquisa. No entanto, a medida em que isso acontece
https://translate.googleusercontent.com/translate_f
(b) usuários com tendência republicana.
Por fim, também podemos encontrar instâncias de usuários realmente marcando
fatos ou histórias como falsos. Um exemplo de tal caso é um altamente polarizado
Notícia de tendência democrática A k ∈ [0,67, 1] apontando a repreensão
de uma história supostamente de "notícias falsas" sobre o assassinato da equipe do DNC:
Raw Story: Família explode mídia de direita por
espalhando notícias falsas sobre a chefia assassinada do DNC
enquanto o escândalo da Rússia se aprofunda
Não encontramos exemplos de URLs externos de uma fonte conhecida por
ter a confiança de um grupo ideológico polarizado pelo oposto
político em nossa amostragem estratificada. No entanto, existem casos
de tweets onde isso acontece. Por exemplo, o seguinte tweet
Comercial:
e conluio Rússia-Trump
@realdonaldtrump:
história é uma farsa total, quando este contribuinte financiado
fim da charada?
Neste caso, os usuários com tendência democrática podem ter sugerido que o que
Donald Trump está dizendo que é falso. Estudos anteriores também mostraram
que retuítes de personalidades conhecidas muitas vezes denotam antag-
onismo [ 16] .
Embora esta análise não seja significativa para compreender o
evasão desses diferentes usos de termos relacionados a "notícias falsas",
fornece uma visão sobre a infinidade de cenários que co-ocorrem com
palavras-chave e hashtags relacionadas à desinformação.
6 Nós aqui apenas discutimos a polarização em torno de um tweet de uma pessoa pública, não
infringir os termos de uso do Contrato e Política de Desenvolvedor do Twi er.
DS + J'17, agosto de 2017, Halifax, Canadá
REFERÊNCIAS
[1] Hunt Allco e Ma hew Gentzkow. 2017. Redes sociais e notícias falsas no
Eleição de 2016. Relatório técnico. Escritório Nacional de Pesquisa Econômica.
[2] Hunt Allco e Ma hew Gentzkow. 2017. Redes Sociais e Notícias Falsas no
Eleições de 2016. Working Paper 23089. National Bureau of Economic Research.
h ps: //doi.org/10.3386/w23089
[3] Eytan Bakshy, Solomon Messing e Lada A Adamic. 2015. Exposição a ide-
notícias e opiniões diversificadas no Facebook. Science 348, 6239 (2015),
1130–1132.
[4] Adam Boult. 2017. Prisioneira vestida de mulher em uma tentativa de fuga fracassada . hp: // www.
telegraph.co.uk/news/2017/05/10/prisoner-dressed-woman-failed-escape-bid/.
(2017). Acesso em: 25-05-2017.
[5] Ceren Budak, Divyakant Agrawal e Amr El Abbadi. 2011. Limitando a propagação
de desinformação nas redes sociais. Em Proceedings of the 20th international
conferência na World Wide Web. ACM, 665-674.
[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
Análise. Em Proc. da 17ª Conferência ACM SIGKDD sobre descoberta de conhecimento
e mineração de dados. San Diego, CA.
[7] Abhijnan Chakraborty, Bhargavi Paranjape, Sourya Kakarla e Niloy Ganguly.
2016. Stop Clickbait: Detecção e prevenção de clickbaits na mídia de notícias online.
In Advances in Social Networks Analysis and Mining (ASONAM), 2016 IEEE / ACM
Conferência Internacional em. IEEE, 9–16.
[8] Giovanni Luca Ciampaglia, Prashant Shiralkar, Luis M. Rocha, Johan Bollen,
Filippo Menczer e Alessandro Flammini. 2015. Checagem de fatos computacionais
de Redes de Conhecimento. PLOS ONE 10, 6 (06 2015), 1–13. h ps: //doi.org/10.
1371 / journal.pone.0128193
[9] Michael Conover, Jacob Ratkiewicz, Ma hew Francisco, Bruno Gonçalves,
Alessandro Flammini e Filippo Menczer. 2011. Polarização política em Twi er.
Em Proc. 5ª Conferência Internacional AAAI sobre Weblogs e Mídia Social (ICWSM).
[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
Reunião Anual: Ciência da Informação com Impacto: Pesquisa na e para a Comunidade
nity (ASIST '15). American Society for Information Science, Silver Springs, MD,
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
um rociocchi. 2017. É sempre o dia da mentira! Na Di culdade de So-
Classificação de desinformação de rede cial por meio de recursos de propagação. CoRR
abs / 1701.04221 (2017). hp: //arxiv.org/abs/1701.04221
[12] Michela Del Vicario, Alessandro Bessi, Fabiana Zollo, Fabio Petroni, Antonio
Scala, Guido Caldarelli, H. Eugene Stanley e Walter a rociocchi. 2016. e
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
medição do impacto de tal uso.
O impacto da polarização no combate aos presentes de notícias falsas
novos desafios e oportunidades. Por um lado, se um signi cativo
quantidade de mensagens relacionadas ao conteúdo de notícias falsas
desacordo, temos que métodos de aprendizado de máquina que usam
o que os usuários indicam como falso como um recurso pode se tornar tendencioso para
um lado do espectro de polarização. Por outro lado, podemos
usar técnicas de detecção de comunidade para adicionar polarização como um recurso
que distingue falsos e tendenciosos, ou até mesmo usuários que não são
não extremamente polarizado, o que teria um perfil mais confiável
julgamento do que é desinformação.
Como trabalho futuro, queremos explorar métodos para identificar diferentes
narrativas em torno de histórias que emergem em comunidades polarizadas distintas
nidades. Isso poderia alinhar potenciais "notícias falsas" ou extremamente polarizadas
artigos com outros que os refutam ou rejeitam, fornecendo um mecanismo
anismo para regular a propagação e desinformação da polarização
causa na sociedade [12 , 43]. Outra direção interessante seria
seja para explorar ainda mais a associação de notícias falsas e polarização,
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.
RECONHECIMENTOS
Este trabalho é parcialmente financiado pelo CNPq, CAPES, FAPEMIG, In-
Web, MASWEB e INCT-Cyber.
Página 8
DS + J'17, agosto de 2017, Halifax, Canadá
[24] Q. Liao, Fu Wai-Tat e Markus Strohmaier. 2016. #Snowden: Compreensão
Viés introduzido por diferenças comportamentais de grupos de opinião nas mídias sociais.
Em Proceedings of the SIGCHI (CHI '16). ACM.
[25] Q Vera Liao e Wai-Tat Fu. 2013. Além da bolha do filtro: efeitos interativos
de ameaça percebida e envolvimento de tópico na exposição seletiva de informações.
Em Anais da conferência SIGCHI sobre fatores humanos em sistemas de computação.
ACM, 2359-2368.
[26] Regina Marchi. 2012. Com o Facebook, blogs e notícias falsas, os adolescentes rejeitam o jornal
“objetividade” istica. Journal of Communication Inquiry 36, 3 (2012), 246–262.
[27] Amy Mitchell, Je rey Go fried, Jocelyn Kiley e Katerina Eva Matsa. 2014.
Polarização política e hábitos de mídia. Pew Research Center (2014).
[28] Will Oremus. 2016. Stop Calling Everything ”Fake News”. hp: //www.slate.com/
artigos / tecnologia / tecnologia / 2016/12 / pare de chamar tudo de notícia falsa.
html. (2016). Acesso em: 25-05-2017.
[29] Eli Pariser. 2011 Bolha do filtro: o que a Internet está escondendo de você. Pinguim
REINO UNIDO.
[30] Cecilia Pasquini, Carlo Brune a, Andrea F Vinci, Valentina Cono er e Giulia
Boato. 2015. Rumo à verificação da integridade da imagem em notícias online. Dentro
Multimedia & Expo Workshops (ICMEW), 2015 IEEE International Conference on.
IEEE, 1–6.
[31] Bethany Bryson Paul DiMaggio, John Evans. 1996. American's Social
A itudes se tornam mais polarizados? Amer. J. Sociology 102, 3 (1996), 690–755.
h ps: //doi.org/10.2307/2782461
[32] Jacob Ratkiewicz, Michael Conover, Mark R Meiss, Bruno Gonçalves, Alessandro
Flammini e Filippo Menczer. 2011. Detecção e rastreamento de abusos políticos em
Mídia social. ICWSM 11 (2011), 297–304.
[33] Kate Starbird. 2017. Examinando o ecossistema de mídia alternativa em torno do
Produção de Narrativas Alternativas de Eventos de Tiro em Massa no Twi er. (2017).
h ps: //www.aaai.org/ocs/index.php/ICWSM/ICWSM17/paper/view/15603
https://translate.googleusercontent.com/translate_f
disseminação de desinformação online. Proceedings of the National Academy of
Sciences 113, 3 (2016), 554–559.
[13] Emilio Ferrara, Onur Varol, Clayton Davis, Filippo Menczer e Alessandro
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
Selvagem. 2015. Os bots políticos e a manipulação da opinião pública na Venezuela.
(2015).
[15] Kiran Garimella, Gianmarco De Francisci Morales, Aristides Gionis e Michael
Mathioudakis. 2017. Equilibrando pontos de vista opostos para reduzir a controvérsia, em
Anais da Décima ACM International Conf. na pesquisa na web e dados
Mineração. WSDM.
[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-
Otes contextuais em análise de polarização de opinião. pré-impressão arXiv arXiv: 1703.03895
(2017).
[17] Philip N Howard e Bence Kollanyi. 2016. Bots, # StrongerIn e # Brexit:
propaganda computacional durante o Referendo Reino Unido-UE. Baixar navegador
é papel (2016).
[18] DJ Isenberg. 1986. Polarização de grupo: Uma revisão crítica e meta-análise.
Journal of Personality and Social Psychology 50, 6 (1986), 1141-1151. h ps:
//doi.org/10.1037/0022-3514.50.6.1141
[19] Isabel M. Kloumann e Jon M. Kleinberg. 2014. Associação da comunidade
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).
ACM, New York, NY, USA, 1366–1375.
[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
[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.
[23] Stephan Lewandowsky, Ullrich KH Ecker, Colleen M Seifert, Norbert Schwarz,
e John Cook. 2012. A desinformação e sua correção continuaram in uência
e debiasing bem-sucedido. Psychological Science in the Public Interest 13, 3 (2012),
106–131.
Manoel Horta Ribeiro. et al.
[34] VS Subrahmanian, Amos Azaria, Skylar Durst, Vadim Kagan, Aram Galstyan,
Kristina Lerman, Linhong Zhu, Emilio Ferrara, Alessandro Flammini e Filippo
Menczer. 2016. e DARPA Twi er bot challenge. Computer 49, 6 (2016), 38–46.
[35] Cass R. Sunstein. 2002. e Lei de Polarização de Grupo. Journal of Political
Philosophy 10, 2 (2002), 175–195. hp: //dx.doi.org/10.1111/1467-9760.00148
[36] Joe Tacopino. 2017 FBI liberta Michael Flynn dentrosonda
ligando ele para Rússia. hp: //nypost.com/2017/01/24/
i-clears-michael-ynn-in-probe-linking-him-to-russia /. (2017). Acessado:
25/05/2017.
[37] Marcella Tambuscio, Giancarlo Ru o, Alessandro Flammini e Filippo Menczer.
2015. Efeito de checagem de fatos sobre boatos virais: um modelo de disseminação de desinformação
nas redes sociais. Em anais da 24ª Conferência Internacional sobre o Mundo
Wide Web. ACM, 977-982.
[38] Hanghang Tong, Christos Faloutsos e Jia-Yu Pan. 2008. Passeio aleatório com
reiniciar: soluções e aplicativos rápidos. Knowl. Inf. Syst. 14, 3 (2008), 327-346.
[39] Donald J. Trump. 2017 h ps: // twi er.com/realdonaldtrump/status/
861713823505494016. (2017). Acesso em: 25-05-2017.
[40] Jiajia Wang, Laijun Zhao e Rongbing Huang. 2014. 2SI2R boato espalhado-
modelo de integração em redes homogêneas. Physica A: Mecânica Estatística e seus
Applications 413 (2014), 153–161.
[41] Felix Ming Fai Wong, Chee Wei Tan, Soumya Sen e Mung Chiang. 2013
anti-inclinação política de tweets e retuítes. Em Proceedings of the
Sétima Conferência Internacional sobre Weblogs e Mídias Sociais, ICWSM 2013,
Cambridge, Massachuse s, EUA.
[42] Samuel C. Woolley. 2016. Potência de automação: interferência de bots sociais em todo o mundo
política. Primeira segunda-feira, 21, 4 (2016).
[43] Fabiana Zollo, Petra Kralj Novak, Michela Del Vicario, Alessandro Bessi, Igor
Mozetic, Antonio Scala, Guido Caldarelli e Walter a rociocchi. 2015. Emo-
dinâmica internacional na era da desinformação. PloS one 10, 9 (2015), e0138740.
7/7