Ataques à democracia no Brasil, uma análise da repercussão do 8 de janeiro

Métodos digitais analisam a repercussão da invasão aos Três Poderes da República na Rede Social X

Rita Paulino, Ivone Rocha, Adriano Madureira, Marcos Seruffo

Resumo: Este artigo apresenta uma pesquisa realizada na rede social X (ex-Twitter) que investiga a repercussão, por esse canal, dos atos de invasão no Congresso Nacional, Supremo Tribunal Federal (STF) e Palácio do Planalto, em Brasília (DF), no dia 8 de janeiro de 2023. O estudo relata métodos digitais diferenciados para entender o contexto do fato investigado desde a coleta de dados com os termos emblemáticos que foram mais divulgados durante as coberturas jornalísticas no Brasil como "Exército", “Terrorismo no Brasil” e “Intervenção”. O processo foi dividido em 4 etapas: coleta de dados, Pré-processamento de Dados, Análise Exploratória de Dados, Mapa de tópicos, Identificação de Perfis e Publicações Influentes.

Abstract: his article presents a study conducted on the social media platform X (formerly Twitter) that investigates the repercussion, through this channel, of the acts of invasion of the National Congress, the Supreme Federal Court (STF), and the Planalto Presidential Palace in Brasília (DF) on January 8, 2023. The study describes distinct digital methods to understand the context of the investigated events, starting from the data collection using terms that were widely disseminated during journalistic coverage in Brazil, such as "Army," "Terrorism in Brazil," and "Intervention." The process was divided into four stages: Data Collection, Data Preprocessing, Exploratory Data Analysis, Topic Mapping, and Identification of Influential Profiles and Publications.

Introdução

O uso da tecnologia para análise de perfis e discursos em redes sociais tem se mostrado uma ferramenta significativa na compreensão das dinâmicas sociais e políticas. A rede social X, por exemplo, oferece um vasto banco de dados que permite o monitoramento de tendências, a identificação de influenciadores e a análise de padrões de comportamento. No Brasil, essa tecnologia tem sido crucial para entender como diferentes grupos sociais se mobilizam, propagam mensagens e influenciam o debate público.

Como exemplo, a invasão ao Congresso Nacional (CN), ao Supremo Tribunal Federal (STF) e ao Palácio do Planalto (PP), ocorrida em Brasília no dia 8 de janeiro de 2023, marcou um episódio sem precedentes na história recente do Brasil. Identificados pela mídia como tais, apoiadores do ex-presidente Jair Bolsonaro invadiram as sedes desses Três Poderes, em uma tentativa frustrada de golpe de estado, exigindo a volta do ex-líder ao poder. Com bandeiras, cartazes e slogans inflamados, a multidão promoveu atos de vandalismo e violência, desafiando a ordem democrática do país. A Polícia Militar do Distrito Federal (DF) retomou o controle do prédio do STF após manifestantes furarem bloqueios na Esplanada dos Ministérios.

Uma parte que esse evento de 8 de janeiro complementa é a que recentemente foi investigada e notificada pela Polícia Federal (PF) e pelo STF, em relatório que indiciou 37 pessoas acusadas, incluindo o ex-presidente, com base em levantamentos de provas mais delação premiada, suspeitas de planejarem, sem sucesso, o assassinato do recém eleito, presidente Luiz Inácio Lula da Silva; o vice-presidente, Geraldo Alckmin; e do ministro do STF e então presidente do Tribunal Superior Eleitoral (TSE), Alexandre de Moraes, a partir de 12 de dezembro de 2022. O relatório N° 4546344/2024, 2023.0050897 é público e está disponível no site do STF.

No caso do ataque aos Três Poderes, a invasão intensificou as tensões políticas, levantando preocupações sobre a estabilidade governamental e o Estado Democrático de Direito. Segundo Passetti & Lucato, o evento foi um "desfile destrutivo de legião fascista" (2023, p. 11), sem paralelo nem mesmo com os conflitos políticos dos anos 1930.

Esta pesquisa utiliza o ocorrido no Brasil como um exemplo para demonstrar o uso de métodos digitais na investigação da participação pública nas mídias digitais. A análise de redes sociais (ARS) foi empregada como ferramenta de diagnóstico para tornar explícito o fluxo de informações valiosas que, sendo de outra forma, ficariam ocultas. O estudo focou em palavras e tópicos mais citados nos discursos, buscando entender o contexto, os sentimentos envolventes e as polaridades das postagens. Contempla ainda uma análise qualitativa e quantitativa do comportamento dos perfis que se manifestaram no X (então Twitter, quando realizada a pesquisa), criando uma memória dentro do universo big data.

O trabalho se apoia em estudos que destacam os benefícios dos métodos digitais, técnicas de ARS, como a de sentimento e de formação de opinião, na compreensão dos comentários nessas ferramentas. Estudos anteriores, dos quais destacamos os de Chen (2020), Santos (2016) e Mukherjee (2012), ressaltam a importância dessas técnicas na avaliação de comentários online. Mittal (2016) também enfatiza a importância de classificar interesses para otimizar a sobrecarga de informações e melhorar o compartilhamento de recursos nas redes sociais, evidenciando a relevância da ARS em diversas áreas.

Jornalismo orientado por métricas[1] é uma abordagem transformadora na produção de notícias, integrando dados de audiência em todo o fluxo de trabalho. Ele utiliza interações digitais, como cliques e compartilhamentos, para informar decisões, visando quantificar o engajamento e aprimorar a experiência geral das notícias (Wu, 2017). Os princípios-chave incluem incorporar a análise de dados em todos os estágios, priorizar as métricas de interesse do leitor, usar insights para tomada de decisão e empregar algoritmos para curadoria personalizada. Embora prometa maior engajamento, isso levanta preocupações sobre viés de dados, priorizar cliques em detrimento da qualidade e ignorar vozes marginalizadas. A navegação responsável desses desafios enfatizando a ética jornalística, fontes de dados diversas e um compromisso com o jornalismo de qualidade em vez de conteúdo sensacionalista, são princípios fundamentais. Shoemaker & Vos (2015). (Tiwari, S.,2024).

Movimentos das redes sociais que se ampliam

As mobilizações de grupos ou coletivos encontram nessas redes um eco importante para a defesa de suas causas. Podemos elencar movimentos como:

- Black Lives Matter, em repúdio à brutalidade policial contra afro-americanos nos Estados Unidos, ilustrada pela revolta ao assassinato de George Floyd, ampliou sua atuação até no Brasil.

- Movimento Me Too, de campanha online contra abuso e assédio sexual às mulheres. Deste surgiram outras campanhas como o Times Up e o Ni Una Menos, ambos também ligados ao mesmo problema (Baker, 2019).

- Movimento por Mudança Climática. Visa a aumentar a conscientização sobre o tema e pressionar autoridades de todo o mundo para a redução das emissões de gases de efeito estufa e nos impactos provocados no clima (Barbi, 2016).

- Movimento por justiça social, abrange diversas causas e direitos de comunidades LGBTQIA+, imigrantes, negros, indígenas e pessoas com deficiência (PCD), para mencionar alguns (Gohn, 2010).

O que todos têm em comum é a abrangência das mobilizações. Avançam no mundo real, com encontros presenciais, eventos nas ruas, em frente a instituições de poder etc. Castells (2013) nos lembra que esses movimentos representam a chave para a transformação social.

De outro lado, há os movimentos da chamada extrema direita, que defendem um nacionalismo e um patriotismo. As grandes mudanças surgem mais para o final do século 20, como um contraponto aos movimentos de luta por democracia, por direitos e contra a ditadura civil-militar. Era a burguesia articulada ao capitalismo internacional que tinha como propósito diminuir as forças populares (Duarte, 2023). Entre os movimentos de direita, destacamos o nacionalismo extremo, que favorece políticas de limitação de imigração; Autoritarismo, que defende uma forma de governo autoritária e crítica à democracia e aos direitos individuais; Nativismo, oposto à globalização e ao multiculturalismo; Populismo, cuja retórica, envolve as pessoas por meio de emoções e medo (Galeano, 2000).

Foi sob essas bandeiras da extrema-direita que Jair Bolsonaro se elegeu em 2018 para chefiar o Brasil nos quatro anos seguintes (2019-2022), trazendo consigo elementos da dominação de classe. E esses eram os temas representantes da manifestação de ataque à democracia, em 8 de janeiro, com a tentativa de destruição dos Três Poderes do Brasil.

Técnicas de análise de redes sociais (ARS)

São aplicadas para estudar as interações na plataforma X e compreender os padrões de fala em postagens nas redes sociais. A pesquisa utilizou a Social Network Analysis (SNA) para detectar comunidades sócio semânticas, visualizando tweets como gráficos e calculando frequências de termos (Abascal-Mena et al., 2015). Modelos estatísticos conjuntos foram desenvolvidos para analisar as conexões temáticas entre tweets e transcrições de discurso, revelando que a maioria dos usuários do X fornece feedback de alto nível sobre tópicos gerais, em vez de parágrafos de discurso específicos (Hu et al., 2011).

Uma abordagem de rede multicamadas tem sido empregada para identificar usuários influentes e grupos conectados, com o PageRank se mostrando eficaz para classificar a influência individual (Logan et al., 2023). Paulino & Ventura (2021) observaram que métodos digitais podem revelar comportamentos de rede, de perfis e de sentimentos. A hashtag #Somos70porcento representou uma voz de revolta em um momento de crise sanitária como os vivenciados em 2020 e reforça as mídias sociais como um espaço democrático e de debate.

Método de Pesquisa 

A utilização de métodos digitais para análise de conteúdos em escala é cada vez mais relevante, especialmente no contexto da desinformação, pois os jornalistas dependem de ferramentas também digitais para verificação e desenvolvimento de histórias (Beers, 2019). A integração desses recursos no jornalismo local nem sempre é perfeita, alguns lutam para interagir com as suas comunidades através das redes sociais e de dispositivos móveis (Jerónimo, 2020).Apesar desses desafios, a mudança digital na profissão redefiniu o campo, com o jornalismo digital a tornar-se a norma e não um subcampo (Perreault, 2020).

Esta pesquisa é caracterizada como aplicada e exploratória e teve seu início com a coleta dos dados no então Twitter, em 8 de janeiro, atualmente X. Utilizamos a ferramenta Netlytic para a coleta de dados através de palavras-chaves “Terrorismo no Brasil”, “Intervenção” “Exército”. Termos amplamente divulgados na mídia tradicional para definir o que estava acontecendo naquele dia no Brasil. A Netlytic é uma plataforma de ciência social computacional desenvolvida para executar uma ampla variedade de tarefas centradas em dados, como coletar, analisar e visualizar publicamente aqueles disponíveis de várias plataformas de mídia social (Anatoliy Gruzd et al., 2021). Entretanto, como ela foi descontinuada após a coleta, as demais etapas de análises ocorreram com outros recursos.

Figura 1. Datasets coletados com termos citados pela mídia.

Fonte: Autores/Netlytic

A partir das amostras coletadas (Figura 1), iniciamos uma análise quantitativa e qualitativa para investigar o conteúdo publicado no X e os agentes de publicação. A Figura 2 apresenta um panorama geral do método utilizado, com as etapas do processo, desde a extração e pré-processamento dos dados, passando pela análise exploratória e identificação das métricas de engajamento, até a avaliação dos perfis e publicações influentes.

Figura 2. Método adotado na pesquisa

Fonte: Autores.

1. Coleta de Dados

Nesta primeira etapa se envolveu a obtenção de informações sobre perfis e publicações influentes da rede social X. A partir dos termos: “Exército”, “Terrorismo” e “Intervenção”, utilizados no período de 8 de janeiro de 2023, foram coletados 10.000 posts em menos de um minuto, com dados que evidenciam a alta participação das pessoas na publicação de suas opiniões sobre o que acontecia.

Os dados foram via "web scraping" (através da plataforma Netlytic), selecionada por permitir a obtenção dessas informações de redes sociais de maneira eficiente. Porém, como a análise foi interrompida pela descontinuidade da plataforma, foi possível a configuração das postagens somente durante o momento da coleta, que compreendeu termos especificados e informações sobre os perfis que os publicaram, incluindo número de seguidores, de tweets e nível de engajamento.

2. Pré-processamento de Dados

Nesta etapa, os dados coletados são preparados para análise, com a remoção dos duplicados e o tratamento de valores ausentes e de correção de inconsistências. Além disso, houve o processo dos textos para se adequarem à análise dos termos mais frequentes. As palavras foram padronizadas para conter apenas letras minúsculas. Em seguida, símbolos, menções a outros usuários, hashtags e URLs foram removidos para limpeza e foco no conteúdo textual relevante. Abreviaturas comuns foram substituídas por formas completas para facilitar a compreensão e análise dos textos. Por fim, palavras com pouco significado do ponto de vista semântico, conhecidas como stopwords (Ferreira et al., 2023), foram eliminadas dando destaque às mais significativas.

3. Análise Exploratória de Dados

Aqui houve uma compreensão inicial dos dados para o cálculo de médias, medianas, desvios-padrão, quartis e percentis sobre eles. Contempla também a visualização de dados por meio de histogramas de frequência para a distribuição das informações coletadas. Com a análise exploratória quantitativa foi possível identificar padrões e anomalias, bem como fornecer um panorama geral das métricas de engajamento. No estudo dos conjuntos de dados por palavra-chave foi possível uma segmentação mais precisa, facilitando a identificação de interesses específicos no contexto do X. As qualitativas ajudaram no melhor entendimento dos conteúdos das publicações e as interações dos usuários. Utilizamos métodos de análise de texto para interpretar o tom e a intenção das postagens.

4. Identificação de Perfis e Publicações Influentes

Nesta etapa, utilizamos métricas relacionadas com o engajamento do usuário em relação ao perfil e às publicações do período. Esse engajamento se relacionou à análise do número de curtidas e compartilhamentos que as publicações de um perfil recebem. E servem para avaliar a visibilidade e a influência de um perfil dentro da rede social (Tufekci, 2013).

As publicações influentes são identificadas com base no engajamento de cada publicação. E servem para fornecer insights sobre os tipos de conteúdo mais eficazes em gerar interação e como as emoções expressas nas postagens impactam o engajamento (Berger; Milkman, 2012). Nas publicações, foram analisados os termos que estão mais relacionados a sinônimos de uma determinada emoção do modelo de Ekman para categorizar aquelas expressas nos tweets (Ekman, 1992).

Na análise qualitativa, incluímos as técnicas de ARS para estudar grafos da amostra coletada com a palavra “Exército”. Utilizamos as métricas do grau de centralidade, a ser abordado mais adiante. Recorremos a esses conceitos visando identificar os perfis mais conectados ou influentes. A centralidade de grau é uma medida das conexões de um ator em uma rede, representando seu potencial para receber ou disseminar informações (Borgatti, 1995).

A partir dos dados coletados na Netlytic, antes de ser descontinuada, exportamos as três bases estudadas no formato CSV[2] para a ferramenta Communalytic, que proporciona outras análises e visualizações. Nesta pesquisa, utilizamos os recursos de exportação para o formato da ferramenta Gephi[3], a fim de identificar perfis ativos e influentes.

A escolha da medida de centralidade depende da aplicação específica, da melhoria de atividades de comunicação, da intermediação para controle de comunicação e da proximidade para independência e eficiência. Houve ainda avaliações com base em nuvens de palavras das publicações formadas a partir de um vocábulo central. Elas ajudaram a visualizar os temas mais recorrentes e os verbetes mais importantes dentro das postagens influentes (Viegas; Wattenberg, 2006).

Análise dos resultados

Como mencionado no tópico da metodologia, analisamos perfis e discursos dos termos pesquisados: “Terrorismo no Brasil”, “Intervenção” “Exército”, palavras que reverberaram nas mídias sociais no dia e após o evento da invasão.

Análise dos Dados Quantitativos

A análise dos dados quantitativos focou em uma abordagem numérica das informações coletadas. Foi possível reunir o total de publicações sobre o tema por perfil ativo, destacando os dez perfis que mais publicaram sobre os temas específicos. Não há uma definição clara sobre o que seja um perfil ativo. Na Rede X entende-se como uma conta que demonstra engajamento regular e significativo com a comunidade.

Figura 3. Destaque dos dez perfis que mais publicaram sobre os temas "exército, intervenção e terrorismo (em ordem)"

Fonte: Autores

Essa análise oferece indícios sobre a presença de bots (conhecido como robô, programa de computador projetado para tarefas de forma automatizada, que imita ou substitui ações de um ser humano). Alguns são programados apenas para compartilhar informações, enquanto outros têm a finalidade de disseminar conteúdo. Notamos que alguns usuários ativos fizeram poucas publicações sobre os temas enquanto perfis específicos se destacaram significativamente, como mostrado no início do gráfico, que nos fez suspeitar de bots. Mas isso não se configurou e nos mostrou que esses gráficos permitem uma análise mais precisa e direta, evidenciando a autenticidade e a atividade real do perfil em questão.

Figura 4. Publicações com maior número de retweets.

Fonte: Autores

Foram coletadas publicações mais compartilhadas (retweetadas). Ilustramos um exemplo com a coleta do termo “Exército”, selecionando as dez publicações (Figura 4) com maior número de retweets e destacamos as três primeiras do ranking. Igualmente foi feita uma análise da quantidade de retweets por perfil, identificando aqueles com maior número de publicações. Essa análise é acompanhada de capturas de tela ilustrativas.

Figura 5. Análise da quantidade de retweets por perfil

Fonte: Autores

No contexto do processamento de palavras, removemos as "stopwords". Das 10 palavras mais frequentes nos textos originais antes e depois do pré-processamento, observamos termos como "exército", "QG", e "acampamento", que são mais relevantes para a análise. Também criamos nuvens de palavras (Figura 6) para mostrar os termos mais mencionados nos tweets que contêm as específicas. Por exemplo, a nuvem de palavras para os tweets que mencionam "exército", “intervenção” e “terrorismo” mostram os termos mais relacionados a eles.

Figura 6. As 10 palavras mais frequentes nos textos originais antes e depois do pré-processamento

Fonte: Autores

Com os mapas de nuvens de palavras podemos ter uma noção do contexto ou do que se passou naqueles momentos do fato ocorrido na visão dos usuários do X. Cada consiste em várias nuvens, cada uma representando a frequência e a importância de certos termos em um contexto específico. Esse tipo de análise pode estar relacionado a discussões sobre manifestações políticas, operações de segurança ou movimentos de resistência e apoio em torno de instituições como o exército ou a polícia, especialmente em Brasília. Termos como "terrorista" e "golpista" sugerem um discurso altamente polarizado, possivelmente em resposta a ações consideradas ameaças à ordem pública ou ao governo.

Sem mencionar diretamente essa questão de manifestações políticas polarizadas, a teoria dialogista de Bakhtin (2010) nos dá ferramentas para análise e compreensão desse tipo de fenômeno. O dialogismo, enunciado por meio de discurso, texto ou ação, se constitui de múltiplas vozes dentro de um mesmo contexto ou grupo, sendo a linguagem um campo de luta ideológica, no qual vários pontos de vista se confrontam, mas também se constituem mutuamente. Em relação a manifestações apontadas neste artigo, Bardin (1977) considera que a análise de conteúdo em discursos, slogans, cartazes, palavras de ordem, entre outras ferramentas de comunicação, é possível identificar temas mais presentes e intenções nesse tipo de diálogo.

Bardin (1977) traz contribuições significativas em relação a 8 de janeiro de 2023. Em outro estudo, que tenha como foco também esta questão, é possível ir adiante à análise do discurso. Segundo Bardin (1977, p. 97) “a amostragem se diz rigorosa se a amostra for uma parte representativa do universo inicial”. E é isso o que está sendo demonstrado neste estudo da utilização da plataforma X, do ponto de vista da pesquisa analítica.

Conexões em rede e perfis mais ativos

Utilizamos imagens em grafo (Figura 7) para representar as interações durante a invasão aos Três Poderes do Brasil. A área azul no centro reflete o agrupamento mais denso, onde as discussões giraram em torno do termo "Exército". Essa concentração pode indicar um forte foco de debates relacionados ao papel das Forças Armadas no evento. É provável que os nós maiores (círculos representados por perfis no X) sejam contas de alta influência ou com muitos seguidores. Em um estudo mais detalhado pode-se aferir alguns desses resultados.

Figura 7. Grafo que representa as interações da amostra de 10.000 tweets coletadas com o termo “Exército”

Fonte: Visualizado no Gephi/Autores

Além do cluster maior (Azul), os menores do grafo mostram outras conexões ou menções a perfis importantes neste contexto. O cluster verde, formado por perfis com alta atividade (elevado outDegree[4]), pode representar uma rede de usuários relatando os acontecimentos em tempo real. O quadro 1 (abaixo) apresenta algumas das relações direcionadas por menções.

Quadro 1. Perfil do cluster verde citando jornalistas ou influenciadores

Fonte: quadro montado pelos autores, a partir do resultado da coleta

O cluster lilás é similar ao verde, mas com uma estrutura mais dispersa. Indica opiniões e narrativas construídas, com foco em interpretações ou respostas às ações no Planalto.

Quadro 2. Perfil do cluster verde citando empresas jornalísticas

Fonte: quadro montado pelos autores, a partir do resultado da coleta

As interligações entre as redes azul, verde e lilás indicam fluxos de informações entre diferentes comunidades. Pode-se inferir que as opiniões e informações cruzavam subgrupos, reforçando ou contradizendo narrativas. Os nós maiores em cada cluster representam perfis com maior engajamento ou atividade.

Figura 8. Gráfico dos clusters destacados na figura 7

Fonte: os autores

Essa análise visual e estrutural pode ser aprofundada com métricas como grau, modularidade e centralidade para identificar influenciadores e padrões de comunicação no evento. É possível que o caminho de influência transmitido de nós com alto grau e centralidade de proximidade seja semelhante. Ambos podem transmitir rapidamente informações e influência por caminhos diretos ou curtos para outros e interagir com muitos outros diretamente. (Valente TW, Coronges K, Lakon C, Costenbader E., 2008)

Análise de clusters e tópicos

Este é um recurso da ferramenta Communalytic[6], que descobre tópicos latentes (ou seja, abstratos, que podem não ser observáveis ​​apenas lendo o texto), com base na similaridade semântica entre postagens (também conhecidas como registros) em um conjunto de dados. O analisador transforma texto em embeddings (vetor de números legível por computador). Uma vez transformados, os textos são agrupados com base em sua similaridade semântica e visualizados por meio de um mapa de similaridade semântica 3D interativo. (Gruzd, A., & Mai, P., 2024).

Atualmente, há várias ferramentas para coleta e análise de dados de redes sociais. Muitas delas, principalmente comerciais, como Brandwatch e Talkwalker, apresentam semelhanças significativas entre si e não são adequadas para atender a buscas e coleta de dados para fins de pesquisa em torno de temas específicos. (Carmo I. et al, 2023).

Quadro 3. Exemplo de diálogo detectado na coleta

Fonte: quadro montado pelos autores, a partir do resultado da coleta

Figura 9. Interface da plataforma Communalytic após a busca para a coleta

Fonte: Communalytic

Análise de Sentimentos/Emoções

Essa análise se baseia na identificação dos adjetivos utilizados nos textos. E, a partir daqueles presentes nos tweets, conseguimos inferir os sentimentos e emoções expressos. Conforme ilustrado (Figura 10), observamos que o sentimento predominante foi de nojo, seguido por alegria e tristeza, com estes últimos apresentando uma certa equivalência, evidenciando a polaridade emocional dos tweets.

Figura 10 – Análise de emoções, com sentimentos predominantes

Fonte: os autores

Considerações Finais

É possível que o maior desafio das redes sociais digitais esteja em se explorar todas as possibilidades que elas oferecem. Pode ser para melhor compreensão do comportamento humano, por meio de suas ações; para descobrir potencialidades artísticas, culturais, intelectuais; ou até para levantamentos e pesquisas que direcionam ao combate à desinformação, que é o caso deste artigo. Aqui, por meio de pesquisa e análise, mostramos a potencialidade da rede X, em repercutir discursos e narrativas. E quanto mais aumenta a participação popular, mais avolumam-se as ferramentas digitais de levantamento de dados e de análises.

Neste artigo, ao ilustrarmos o evento de 8 de janeiro, envolvendo ataques aos Três Poderes do Estado, tencionamos demonstrar que os métodos digitais de investigação e os resultados obtidos com as técnicas de análise de redes sociais (ARS) contribuem sobremaneira para a compreensão das ações e das formas de prevenir outras que, porventura, possam vir a desencadear. A adoção de perspectivas práticas para trabalhos futuros pode incluir a implementação de análises automatizadas do discurso. Esta abordagem permitiria a inspeção de amostras textuais e a inferência imediata sobre a veracidade das informações, diferenciando eficazmente entre dados verdadeiros e falsos. No entanto, o principal desafio é lidar com a desinformação, um aspecto que foi abordado nas entrelinhas desta nossa investigação atual. O maior obstáculo que enfrentamos foi a obtenção de um conjunto de dados robusto e representativo, capaz de identificar com precisão o que constitui as chamadas fake news e o que não constitui.

Vimos aqui que grupos se valem das redes sociais para a defesa de suas causas, sejam elas legítimas ou não. Podemos mencionar algumas que, felizmente, encontraram nas redes um canal importante para se fazerem presentes e se estabelecerem na sociedade, como são os movimentos Black Lives Matter, Me Too, comunidades LGBTQIA+, dos indígenas, para mencionar algumas. Portanto, é essencial que futuras pesquisas se concentrem na análise de conteúdo.

No campo metodológico, utilizamos pesquisa aplicada e exploratória com a análise de dados da rede social X. Foi utilizada na coleta a platforma Netlytic, que depois de ser desabilitada deu lugar à Communalytic, para estudar resultados demonstrados em gráficos ilustrativos e imagens, com participação da Inteligência Artificial em referências bem definidas em informações verdadeiras e falsas. As complexidades envolvidas nesse processo exigem um aprofundamento nessas questões e podemos explorar abordagens computacionais viáveis para enfrentar o desafio da desinformação de maneira eficaz e inovadora.

Referências

ABASCAL-MENA, R., LEMA, R. & SÈDES, F. (2015) Detecting sociosemantic communities by applying social network analysis in tweets. Soc. Netw. Anal. Min. 5, 38 . https://doi.org/10.1007/s13278-015-0280-2.

ALJOSHA, Karim Schapals (2020 ) Automated journalism: expendable or supplementary for the future of journalistic work? In: Greg Hearn. The Future of Creative Work, 99–107. https://doi.org/10.4337/9781839101106.00014.

ALARCÓN, D.M.; ALARCÓN, I.; & ALARCÓN, L.F. (2013). Social Network Analysis: A Diagnostic toool for information Flow in the AEC Industry.Disponível em: https://www.iglc.net/papers/details/864. Acesso em 19 ago. 2024

Bakhtin, M. M. Marxismo e filosofia da linguagem. São Paulo: Hucitec, 2010.

BARBI, Fabiana. Mudanças climáticas e respostas políticas nas cidades. Campinas-SP: Ed. Unicamp, 2016.

BAKER, Chandler. Rede de Sussurros. Rio de Janeiro: Editora Intrínseca, 2019

BARROS, C. A.; CHASTINET, A.; PEREIRA, H. B.; SENNA, V. D. Melhorias em medidas de centralidade para difusão em redes complexas, v. X, n. Y, p. XX-YY, mês, 2015.

BEERS, A. (2019). Examining the digital toolsets of journalists reporting on disinformation. Disponível em: https://bpb-us-w2.wpmucdn.com/sites.northeastern.edu/dist/d/53/files/2020/02/CJ_2020_paper_50.pdf. Acesso em 24 ago. 2024.

BERGER, J.; MILKMAN, K. L. 2012 What makes online content viral? Journal of Marketing Research, v. 49, n. 2, p. 192-205.

BORGATTI, Stephen P. Centrality and AIDS. Disponível em: https://www.researchgate.net/publication/284236341_Centrality_and_AIDS, 1995.

Carmo, I., L. C. Rêgo, A., Barreto, M., Schuler, M., Heine, A., Villas, M., & Lifschitz, S. (2023). Gerenciamento de Dados de Redes Sociais com Análise de Redes e Modelagem de Tópicos. In Anais Estendidos do XXXVIII Simpósio Brasileiro de Bancos de Dados, (pp. 64-70). Porto Alegre: SBC. doi:10.5753/sbbd_estendido.2023.233417

CHEN, Cheryl Wei-Yu (2020) Analyzing online comments: a language-awareness approach to cultivating digital literacies, Computer Assisted Language Learning, 33:4, 435-454. Disponível em: https://www.tandfonline.com/doi/abs/10.1080/09588221.2019.1569068. Acesso em 19 ago. 2024.

CASTELLS, Manuel. Redes de indignação e esperança: movimentos sociais na era da internet. Tradução Carlos Alberto Medeiros. Rio de Janeiro: Zahar, 2013

DUARTE, Kamilla Alves. Dominação burguesa entre o velho e o novo: a ascensão da extrema-direita no Brasil. Serv. Soc. Soc., São Paulo, v. 146(3), e-6628330, 2023. Disponível em: https://www.scielo.br/j/sssoc/a/JSQhmDk8n5Q4jbLmVqJnwDy/?format=pdf&lan…. Acesso em: 24 jul. 2024.

Colina, C.L., Roldán, P.L., Bolíbar, M., & Muntanyola, D. (2013). La centralidad en las redes sociales: medición, correlación y aplicación.

EKMAN, P. (1992) An argument for basic emotions. Cognition & Emotion, v. 6, n. 3-4, p. 169-200. Disponível em: https://www.paulekman.com/wp-content/uploads/2013/07/An-Argument-For-Ba…. Acesso em 19 ago. 2024.

FERREIRA, Barbara P. J. M.; DALIP, Daniel H.; SILVA, Ismael S. ( 2023 )Análise e Classificação de Gêneros Musicais com Base em Letras de Músicas. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 38. , 2023, Belo Horizonte/MG. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação. p. 39-50. ISSN 2763-8979. Disponível em: https://doi.org/10.5753/sbbd.2023.232425. Acesso em 24 ago.2024.

GALEANO, Eduardo. As veias abertas da América Latina. Rio de Janeiro: Paz e Terra, 2000

GOHN, Maria da Glória. Movimentos sociais. São Paulo: Vozes, 2010

GOLDER, S. A.; MACY, M. W. (2011) Diurnal and seasonal mood vary with work, sleep, and daylength across diverse cultures. Science, v. 333, n. 6051, p. 1878-1881. Disponível em: https://pubmed.ncbi.nlm.nih.gov/21960633/. Acesso em 24 ago. 2024.

GRUZD, A. (2023). Netlytic: Software for Automated Text and Social Network Analysis. Available at http://Netlytic.org Disponível em: https://netlytic.org/home/?page_id=49. Acesso em 24 ago. 2024.

Gruzd, A., & Mai, P. (2024). Communalytic: A no-code computational social science research tool for studying online communities and public discourse on social media. Available at https://Communalytic.org

HU, Y., JOHN, A., & SELIGMANN, D.D. (2011). Event analytics via social media. SBNMA '11. Disponível em: https://dl.acm.org/doi/abs/10.1145/2531602.2531623. Acesso em 24 ago. 2024.

JERÓNIMO, Pedro; CORREIA, João; GRANDIM, Anabela. (2022). Are We Close Enough? Digital Challenges to Local Journalists, Journalism Practice, 16:5, 813-827. Disponível em: 10.1080/17512786.2020.1818607. Acesso em 24 ago. 2024.

LOGAN, A.P., LACASSE, P.M., & LUNDAY, B.J. (2023). Social network analysis of Twitter interactions: a directed multilayer network approach. Social Network Analysis and Mining, 13. Disponível em: https://link.springer.com/article/10.1007/s13278-023-01063-2. Acesso em 24 ago. 2024.

LÓPEZ-ROLDÁN, Pedro; COLINA, Claudia L.; PLANAS, Marc B.; SAURA, David M. La centralidad en las redes sociales. Barcelona: UOC, 2013.

KAPLAN, A. M.; HAENLEIN, M. (2010) Users of the world, unite! The challenges and opportunities of social media. Business Horizons, v. 53, n. 1, p. 59-68. Disponível em: https://www.researchgate.net/publication/222403703_Users_of_the_World_U…. Acesso em 24 ago.2024.

MITTAL, Prathma; GARG, Shivangi and YADAV, Sunita (2016). Social Network Analysis using Interest Mining: A Critical Review. Indian Journal of Science and Technology, Vol 9(16). Disponível em: https://www.researchgate.net/publication/303377102_Social_Network_Analy…. Acesso em 24 ago.2024

MUKHERJEE, S. (2012). Identifying the greatest team and captain: A complex network approach to cricket matches. Physica A: Statistical Mechanics and its Applications, 391(23), 6066-6076. Disponível em https://www.sciencedirect.com/science/article/abs/pii/S0378437112006127. Acesso em 24 ago. 2024.

THURMAN,Neil; LEWIS, Seth C. & KUNERT, Jessica (2019) Algorithms, Automation, and News, Digital Journalism, 7:8, 980-992, DOI: 10.1080/21670811.2019.1685395

NOAIN-SÁNCHEZ, A. (2022). Addressing the Impact of Artificial Intelligence on Journalism: the perception of experts, journalists and academics. Communication & Society, 35(3), 105-121. https://doi.org/10.15581/003.35.3.105-121

PASSETTI, Edson & LUCATO, Diego. (2024) 8 de janeiro de 2023, um golpe de ar azedo. Publicações UERJ. Disponível em: https://www.e-publicacoes.uerj.br/mnemosine/article/view/76206/46043, acesso em 03 jun.

PAULINO, Rita de Cássia Romeiro & VENTURA, Mariane Pires,. (2021). O engajamento no Twitter: Métodos de análise para #Somos70porcento. Cuadernos.info, (49), 51-71. https://dx.doi.org/10.7764/cdi.49.27293

PERREAULT. Gregory P. & FERRUCCI, Patrick (2020). What Is Digital Journalism? Defining the Practice and Role of the Digital Journalist, Digital Journalism, 8:10, 1298-1316. Disponível em: https://www.researchgate.net/publication/346920686_What_Is_Digital_Jour…. Acesso em 24 ago. 2024.

SANTOS, R. et al , Evaluating the importance of Web comments through metrics extraction and opinion mining, 2016 35th International Conference of the Chilean Computer Science Society (SCCC), Valparaiso, Chile, 2016, pp. 1-11. Disponível em: https://www.researchgate.net/publication/313452644_Evaluating_the_impor…. Acesso em 24 ago. 2024.

SCHMIDT, A. L. et al. (2017) Polarization of climate change on Twitter. Nature Climate Change, v. 7, n. 3, p. 158-163.Disponível em: https://www.researchgate.net/publication/273837016_Polarized_frames_on_…. Acesso em 24 ago. 2024.

SUPREMO TRIBUNAL FEDERAL (STF). Relatório N° 4546344/2024 2023.0050897-Cgcint/Dip/Pf Registro Especial: 2023.0050897-Cgcint/Dip/Pf (Inquérito Policial nº 2021.0044972). Disponível em https://noticias-stf-wp-prd.s3.sa-east-1.amazonaws.com/wp-content/uploa…. Acesso em 20 nov. 2024)

SHIVANI TIWARI, "The Role of Artificial Intelligence in Automated Journalism: Transforming News Production", International Journal of Creative Research Thoughts (IJCRT), ISSN:2320-2882, Volume.12, Issue 5, pp.m799-m838, May 2024, Available at: http://www.ijcrt.org/papers/IJCRT21X0233.pdf

TUFEKCI, Z. (2013) Big data: Pitfalls, methods and concepts for an emergent field. IEEE Annals of the History of Computing, v. 44, n. 1, p. 55-66. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2229952. Acesso em 24 ago. 2024

VIÉGAS, B. F., AND WATTENBERG M.,. (2008). TIMELINES Tag clouds and the case for vernacular visualization. interactions 15, 4 (July + August 2008), 49–52. https://doi.org/10.1145/1374489.1374501

Valente, T.W., Coronges, K., Lakon, C.M., & Costenbader, E. (2008). How Correlated Are Network Centrality Measures? Connections, 28 1, 16-26 .

************

Rita Paulino: Pós-Doutora, ex-bolsista do CNPq no Social Media Lab na Universidade de Ryerson, Toronto - Ca em 2020. Concluiu o Doutorado no Programa de Pós-Graduação Engenharia e Gestão do Conhecimento, na área de Mídia e Conhecimento, pela Universidade Federal de Santa Catarina em 2011. É professora do curso de Jornalismo e do Programa de Pós-Graduação em Jornalismo (PPGJOR0, ambos da Universidade Federal de Santa Catarina. E-mail: rcpauli@gmail.com;

Ivone Rocha: Doutoranda pelo Programa de Pós-Graduação em Jornalismo da Universidade Federal de Santa Catarina (PPGJOR/UFSC), estágio em doutoramento pela Universidade de Coimbra, mestre em políticas públicas, especialista em tecnologia da informação e graduada em jornalismo. Integra o grupo de pesquisa CNPQ Hipermídia e Linguagem (Nephi-Jor). E-mail: ivoneasr@gmail.com.

Adriano Madureira: Doutorando em Engenharia Elétrica, com mestrado e graduação na mesma área pela Universidade Federal do Pará (UFPA). Atualmente exerce pesquisas com foco em Inteligência Computacional, Visão Computacional e Processamento de Linguagem Natural. E-mail: adrianomadureira1@gmail.com.

Marcos Seruffo: Doutor em Engenharia Elétrica, com ênfase em Computação Aplicada (PPGEE - UFPA - 2012). Pós-doutorado na Pontifícia Universidade Católica do Rio de Janeiro, no Programa de Pós Graduação em Engenharia Elétrica (PPGEE - PUC-RJ - 2020) . É mestre em Ciências da Computação e graduado em Tecnologia em Processamento de Dados. E-mail: seruffo@ufpa.br.