Pesquisadores do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, localizado em São Carlos, apresentaram um sistema computacional experimental com a capacidade de diferenciar notícias falsas criadas por pessoas daquelas geradas por inteligência artificial, especificamente em português. A ferramenta, revelada na última sexta-feira (23), emprega uma análise minuciosa das características da linguagem para determinar a origem do texto, alcançando uma impressionante taxa de sucesso superior a 99% em ambientes controlados de laboratório.
Conheça a Base do Desenvolvimento da Ferramenta
A metodologia é fruto do trabalho de mestrado do pesquisador Pedro Lucas Castro de Andrade, orientado pelo professor Thiago Pardo, ambos do ICMC-USP. É fundamental entender que esta inovação não se propõe a verificar a veracidade dos fatos, mas sim a investigar a autoria de conteúdos já classificados como desinformativos, definindo se foram redigidos por um ser humano ou por um algoritmo. Este avanço é particularmente relevante para o português brasileiro, uma língua que carece de ferramentas específicas nesse campo.
“Nosso objetivo é verificar a viabilidade de distinguir, por meios computacionais, notícias falsas escritas por humanos daquelas produzidas por grandes modelos de linguagem (LLMs) em português, uma área pouco explorada para o nosso idioma”, explicou o professor Pardo. A iniciativa preenche uma lacuna importante no cenário global de combate à desinformação, oferecendo um recurso inédito para o contexto linguístico nacional.
Como o Sistema Analisa e Identifica Padrões
Para o treinamento e a validação dos classificadores automáticos, que operam com base em aprendizado de máquina, a equipe de cientistas compilou dois acervos de notícias falsas já existentes no Brasil, conhecidos como Fake.br e FakeTrueBR. A esses, foram adicionados textos inverídicos desenvolvidos pelo Sabiá-3, um modelo de linguagem avançado especializado em português. O experimento garantiu uma proporção exata de conteúdo gerado por inteligência artificial para cada material produzido por humanos, permitindo uma comparação balanceada dos estilos de escrita.
Durante o processamento, o texto passa por uma etapa de preparação e é convertido em representações numéricas, chamadas embeddings no universo da computação. Este formato padronizado é essencial para que os algoritmos de aprendizado de máquina possam analisar os dados e tomar decisões sobre a autoria. A varredura detalhada considera desde a média de sílabas por frase e a distribuição de classes gramaticais até a escolha entre palavras concretas ou abstratas, examinando cinco camadas linguísticas: lexical, morfossintática, sintática, semântica e psicolinguística.
Desvendando Padrões: Diferenças Cruciais entre Textos
A investigação revelou distinções claras: textos escritos por humanos apresentaram uma maior diversidade estrutural, construções mais diretas, vocabulário acessível e um estilo mais pessoal. Em contrapartida, as notícias geradas por inteligência artificial exibiram uma escrita mais uniforme e padronizada, com predominância de orações coordenadas e o uso de termos frequentemente mais elaborados.
“Observamos que, em todas essas camadas de análise, a escrita humana demonstra uma variabilidade superior, ou seja, emprega diferentes regras e desvios. Isso reflete nossa essência como seres humanos, pois cada um de nós possui um estilo único. A máquina, por sua vez, mostrou-se consideravelmente mais homogênea”, comentou Andrade, destacando a singularidade da expressão humana.
Eficiência Comprovada e Amplo Alcance
Os testes realizados avaliaram a precisão dos algoritmos e sua capacidade de recuperar informações relevantes (revocação), combinando ambos os indicadores na métrica F1. “O principal resultado é que as abordagens de aprendizado de máquina do tipo neural, amplamente utilizadas em IA atualmente, superaram 99% na métrica F1 com os dados que utilizamos. Isso atesta uma elevada competência na identificação da origem das notícias falsas”, afirmou o professor Thiago Pardo, ressaltando a robustez da solução.
O sistema faz parte do projeto Synestech.AI, cujo nome mescla os conceitos de sinestesia (a conexão entre diferentes sentidos), tecnologia e inteligência artificial. A iniciativa engloba áreas como visão computacional, processamento de imagens e linguagem natural. Somente na frente de Processamento de Linguagem Natural, o projeto reúne mais de 80 pesquisadores de diversas instituições, incluindo a USP (ICMC, Instituto de Matemática e Estatística, Inova USP), Unesp, UFSCar, UFAL, UFS, UFPA, UFBA e UFSC.
Perspectivas Futuras para o Combate à Desinformação
Pardo vislumbra um futuro onde o classificador poderá ser empregado em um trabalho semelhante à linguística forense, possibilitando o rastreamento da origem de campanhas de desinformação em grande escala. “Essa identificação pode ser um fator decisivo no processo de responsabilização pela produção de determinados conteúdos. É um trabalho de grande valor, com poucas iniciativas em outras línguas e praticamente inexistente em português até agora”, salientou o orientador, sublinhando a importância estratégica da descoberta.
Atualmente, o método encontra-se em fase de prova de conceito e restrito a testes de laboratório, sem um software aberto ou comercial disponível ao público, nem previsão de lançamento. Os próximos passos da equipe do ICMC-USP incluem a validação do índice de acerto em outros bancos de dados, a avaliação de textos provenientes de modelos de linguagem além do Sabiá-3, a simulação de tentativas de enganar o classificador e a expansão da detecção para arquivos de áudio, imagem e vídeo, ampliando o escopo de aplicação da tecnologia.