Neural Truth Engine
Detecção avançada de Fake News no Bluesky orientada por Grafos e Votação Multimodelo (Ensemble).
Sobre o Projeto de TCC
Este portal web (Truth GNN Analytics) é a aplicação prática oficial que acompanha o Trabalho de Conclusão de Curso "Detecção de Fake News em Redes Sociais utilizando Graph Neural Networks".
Redes sociais contêm uma topologia riquíssima que a leitura simples de texto acaba negligenciando. Nossa abordagem modelou os posts do Bluesky e suas interações orgânicas como Árvores de Propagação (Grafos estendidos). Extraímos primeiro as coordenadas semânticas textuais através do BERT-Base e fundimos os tensores com a topologia estrutural mapeada via Redes Convolucionais de Grafos (GCN).
Metodologia Ponderada (Ensemble Framework)
Ao invés de confiar de olhos vendados num único modelo "Mestre", a ferramenta abriga ativamente um motor Ensemble com algoritmos instanciados de forma paralela usando PyTorch e FastAPI. Avaliações profundas (Ablation Study) atestaram que treinar IA's em nichos isolados (e.g., antigo Twitter/UPFD) provoca baixíssima capacidade de rastreio em dados Open-source massivos do Bluesky sem rotulagem fechada, necessitando algoritmos mais "Céticos".
Altíssimas taxas cruzadas de Falsos Reais.
Filtro otimizado para expurgo severo de Fakes.
Comportamento Topológico vs Impulsionalidade
A aplicação expôs estatisticamente (ver gráfico abaixo) que o índice de Vulnerabilidade das Redes de Grafo escala perigosamente quando reduzida a capilaridade da notícia. Ou seja: Publicações Falsas com baixa taxa de comentários (menos de 5 engajamentos) perdem a base de metadados relacionais essencial ao modelo, gerando picos alarmantes de Falsos Reais pela ausência gráfica mitigada no modelo base.
Posts menos populares exigem um processador predominantemente Neurolinguístico contra a arquitetura focada puramente em dispersão de grafos.