CRED-1: An Open Multi-Signal Domain Credibility Dataset for Automated Pre-Bunking of Online Misinformation

1. O Problema

A disseminação de desinformação e notícias falsas online representa um desafio crítico para a sociedade e para a segurança da informação. Abordagens existentes para detecção de falsidades muitas vezes dependem de:

• Bases de dados proprietárias (ex: NewsGuard, MBFC API), que não são transparentes e têm custos de licenciamento.
• Análise de conteúdo em nível de afirmação (claim-level), que pode ser computacionalmente custosa e difícil de escalar em tempo real no navegador do usuário.
• Falta de privacidade: Muitas soluções exigem o envio de dados do usuário para servidores centrais para verificação.

Há uma necessidade urgente de um recurso de verdade fundamental (ground truth) aberto, reprodutível e leve que permita a "pré-desinformação" (pre-bunking) automatizada no momento da entrega do conteúdo, preservando a privacidade do usuário através de processamento local (on-device).

2. Metodologia

O CRED-1 foi desenvolvido através de um pipeline automatizado em Python (utilizando apenas bibliotecas padrão), dividido em duas fases principais:

A. Coleta e Fusão de Dados (Fase 1)

O dataset agrega rótulos de duas fontes de código aberto com licenças permissivas:

1. OpenSources.co: Uma lista curada de 825 domínios classificados por tipo (falso, tendencioso, conspiração, etc.).
2. Índice Iffy.news: 2.040 domínios classificados pelo Media Bias/Fact Check (MBFC) como tendo relatórios factuais "baixos" ou "muito baixos".

• Processamento: Normalização (minúsculas, remoção de prefixos www.), deduplicação e resolução de conflitos (quando um domínio aparece em ambas as fontes com rótulos diferentes, a categoria de menor credibilidade prevalece).
• Resultado: 2.672 domínios únicos.

B. Enriquecimento de Sinais (Fase 2)

Cada domínio é enriquecido com quatro sinais computados independentemente:

1. Idade do Domínio: Consultada via protocolo RDAP (WHOIS).
2. Popularidade na Web: Baseado na lista Tranco Top-1M (resistente a manipulação).
3. Frequência de Checagem de Fatos: Número de claims verificados indexados pela API do Google Fact Check Tools.
4. Inteligência de Ameaças: Verificação binária via Google Safe Browsing API (malware/phishing).

C. Modelo de Pontuação

Uma pontuação de credibilidade composta ($S$, de 0.0 a 1.0) é calculada através de uma combinação ponderada dos sinais:
$$S = w_{cat} \cdot s_{cat} + w_{iffy} \cdot s_{iffy} + w_{fc} \cdot s_{fc} + w_{tranco} \cdot s_{tranco} + w_{age} \cdot s_{age} + w_{fill} \cdot s_{cat}$$

• Pesos Base: Categoria (0.50), Iffy.news (0.15), Checagem de Fatos (0.15), Tranco (0.05), Idade (0.05).
• Tratamento de Dados Faltantes: Se um sinal não estiver disponível, seu peso é revertido para a pontuação da categoria base.
• Regra de Override: Domínios marcados pelo Google Safe Browsing recebem um limite rígido de $S = 0.05$.

3. Principais Contribuições

• Dataset Aberto e Reprodutível: O CRED-1 é totalmente transparente, sem dependência de bancos de dados proprietários ou anotação humana manual no pipeline de enriquecimento.
• Formato Otimizado para Dispositivos: A versão compacta (JSON, 145 KB) permite a implantação direta em extensões de navegador e aplicativos móveis, eliminando a necessidade de chamadas de API em tempo real e preservando a privacidade do usuário.
• Taxonomia Unificada: Mapeamento de rótulos heterogêneos de múltiplas fontes para um esquema unificado de 6 categorias (Falso, Conspiração, Não Confiável, Sátira, Misto, Confiável).
• Código Fonte: Scripts Python completos disponíveis no GitHub e Zenodo, permitindo que qualquer pesquisador reconstrua o dataset.

4. Resultados e Estatísticas

O dataset final contém 2.672 domínios com as seguintes características:

• Distribuição de Categorias:
  • 50,0% classificados como "Misto" (1.335 domínios).
  • 22,0% "Não Confiável" (589 domínios).
  • 18,4% "Falso" (493 domínios).
  • Apenas 0,3% classificados como "Confiável" (8 domínios).
• Pontuação de Credibilidade:
  • Média: 0,299 (Desvio Padrão: 0,170).
  • Distribuição bimodal: Picos em domínios de baixa credibilidade (<0,2) e domínios mistos (0,4–0,6).
• Descobertas Relevantes:
  • Idade não é um indicador forte: A mediana de idade dos domínios é de 14 anos, indicando que muitos sites de desinformação são estabelecidos há muito tempo (diferente de domínios de phishing, que são recentes).
  • Baixa cobertura de Fact-Checking: Apenas 2,5% dos domínios (67) possuem registros específicos no banco de dados de ClaimReview do Google.
  • Desconexão com Malware: Apenas 2 domínios (0,07%) foram sinalizados pelo Google Safe Browsing, confirmando que a desinformação opera dentro dos limites da legitimidade técnica (não infecta o usuário, mas engana o conteúdo).

5. Significado e Impacto

O CRED-1 preenche uma lacuna crítica na detecção automatizada de desinformação ao fornecer:

1. Pré-desinformação (Pre-bunking) em Tempo Real: Permite que extensões de navegador bloqueiem ou alertem sobre domínios de baixa credibilidade antes que o conteúdo seja carregado, atuando no ponto crítico de entrega do conteúdo.
2. Privacidade: Ao ser executado localmente no dispositivo do cliente, não requer o envio de histórico de navegação para servidores externos.
3. Base para Pesquisa: Serve como uma verdade fundamental padronizada para treinar modelos de aprendizado de máquina, desenvolver filtros de conteúdo e criar currículos de alfabetização midiática.
4. Complementariedade: Funciona como um sinal de prioridade de domínio (domain-level priors) que complementa abordagens de verificação de fatos em nível de afirmação, permitindo pipelines de detecção de ponta a ponta mais eficientes.

O trabalho destaca que a ausência de um domínio no CRED-1 não indica confiabilidade (é um conjunto de dados de "sinal negativo"), mas sua presença oferece uma métrica quantitativa robusta para avaliação de risco.