💻 computer science

Building Resilience to Misinformation: A Cross-National Development of the Digital Media and Information Literacy Scale (DMILS)

Este artigo apresenta a Escala de Letramento em Mídia Digital e Informação (DMILS), um instrumento multidimensional validado psicometricamente, desenvolvido por meio de estudos transnacionais nos Estados Unidos e em Singapura, para fornecer uma métrica concisa, porém abrangente, para avaliar e aprimorar a resiliência contra a desinformação.

Autores originais: Sijia Qian, Cuihua Shen, Huiyi Wang, Hichang Cho

Publicado 2026-05-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sijia Qian, Cuihua Shen, Huiyi Wang, Hichang Cho

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando construir uma casa para se proteger de uma tempestade de notícias falsas, deepfakes e truques online. Por muito tempo, especialistas têm debatido sobre que tipo de ferramentas você realmente precisa para construir essa casa. Alguns dizem que você precisa de um martelo (habilidades digitais), outros dizem que precisa de um projeto arquitetônico (conhecimento sobre informação), e muitos têm utilizado kits de ferramentas diferentes e incompatíveis que não se encaixam.

Este artigo apresenta uma nova escala integrada, a "Escala de Alfabetização em Mídia Digital e Informação" (DMILS). Pense nela como um projeto mestre e um kit de ferramentas padronizado que finalmente mede exatamente o que as pessoas sabem e o que elas conseguem fazer ao navegar na internet.

Veja como os autores construíram e testaram essa nova ferramenta, explicado de forma simples:

1. O Problema: Uma Caixa de Ferramentas Bagunçada

Antes deste estudo, os pesquisadores tinham muitas maneiras diferentes de medir a "alfabetização midiática", mas era como tentar medir a velocidade de um carro com uma régua, um cronômetro e um termômetro, todos ao mesmo tempo.

Algumas ferramentas apenas perguntavam: "Você se sente confiante?" (Subjetivo).
Outras apenas perguntavam: "Você consegue realmente fazer isso?" (Objetivo).
Algumas focavam apenas em habilidades tecnológicas, enquanto outras focavam apenas em fatos jornalísticos.
Muitas eram antigas e não levavam em conta coisas modernas como inteligência artificial ou algoritmos.

Os autores queriam uma única régua confiável que pudesse medir tudo: o que as pessoas acham que sabem, o que elas realmente sabem e o quão bem conseguem usar esse conhecimento tanto no mundo digital quanto no mundo das notícias.

2. A Solução: Uma Bússola de Quatro Partes

Os autores projetaram uma nova escala baseada em um mapa simples com quatro direções (uma grade 2x2):

Conhecimento Digital: Você sabe o que termos como "algoritmo", "phishing" ou "hashtag" significam?
Habilidade Digital: Você consegue realmente usar seu telefone ou computador para resolver problemas ou encontrar coisas?
Conhecimento sobre Informação: Você entende como as notícias são feitas, quem as escreve e por quê?
Habilidade em Informação: Você consegue realmente verificar se uma notícia é verdadeira ou falsa?

Crucialmente, eles mediram cada um desses aspectos de duas maneiras:

A Verificação de "Confiança" (Subjetiva): Perguntando às pessoas: "Quão familiar você está com isso?".
A Verificação de "Realidade" (Objetiva): Dando às pessoas um teste com perguntas de verdadeiro/falso e quebra-cabeças de múltipla escolha para ver se elas realmente sabem a resposta.

3. O Teste de Estrada: Dois Países, Uma Ferramenta

Para garantir que essa nova bússola funcionasse em qualquer lugar, os autores a testaram em dois locais muito diferentes: os Estados Unidos e Singapura.

Os EUA são como um mercado caótico e aberto com muitas vozes diferentes e muita discussão política.
Singapura é mais como uma cidade regulamentada e organizada, com um fluxo centralizado de informações.

Eles pesquisaram quase 1.500 pessoas no total. Eles não apenas fizeram perguntas; deram tarefas a elas, como:

O Teste de "Notícias Falsas": Mostrar às pessoas 16 manchetes e imagens (algumas reais, outras falsas) e pedir que elas identificassem os mentirosos.
A "Caça ao Tesouro": Pedir às pessoas que encontrassem fatos específicos na internet (como "Quem é o Primeiro-Ministro da Croácia?") para ver se conseguiam realmente recuperar informações precisas.

4. O Que Eles Encontraram

Os resultados foram como encontrar uma chave que abre todas as fechaduras:

Funciona em Todo Lugar: A escala mediu a alfabetização da mesma forma tanto nos EUA quanto em Singapura. Não importava se você estava em um mercado caótico ou em uma cidade organizada; a ferramenta forneceu resultados consistentes.
Confiança vs. Realidade: Houve uma lacuna. Pessoas que passavam muito tempo em redes sociais muitas vezes achavam que eram muito boas em identificar notícias falsas (alta confiança), mas quando faziam o teste real, muitas vezes erravam. A "Verificação de Realidade" (pontuações objetivas) foi um preditor muito melhor de se alguém conseguia realmente identificar uma mentira do que a "Verificação de Confiança".
Os Melhores Preditores: O estudo descobriu que as Habilidades em Informação (a capacidade de avaliar criticamente as notícias) e o Conhecimento Objetivo (saber realmente os fatos sobre como a tecnologia e as notícias funcionam) foram os escudos mais fortes contra a crença em histórias falsas.

5. O Resultado: Uma Versão Longa e uma Curta

Os autores criaram duas versões desta escala:

Versão Completa: Uma pesquisa detalhada de 18 perguntas mais 16 perguntas de teste. Esta é para pesquisadores que precisam de dados profundos e precisos.
Versão Curta: Uma pesquisa rápida de 8 perguntas mais 8 perguntas de teste. Esta é para professores ou organizações que precisam de uma verificação rápida sem ocupar muito tempo.

A Conclusão

Este artigo não apenas inventou um novo teste; ele construiu uma linguagem comum para o mundo. Antes, se um pesquisador em Nova York e um pesquisador em Singapura quisessem comparar seus resultados, não conseguiam porque estavam usando réguas diferentes. Agora, eles têm a mesma régua.

O estudo prova que, para realmente entender se as pessoas conseguem lidar com a tempestade moderna de informações, precisamos parar de apenas perguntar como elas se sentem e começar a testar o que elas conseguem realmente fazer. Esta nova escala oferece aos educadores e formuladores de políticas uma maneira clara de ver onde as pessoas estão tendo dificuldades (por exemplo: "Eles sabem como usar o aplicativo, mas não sabem como verificar a fonte") para que possam criar melhores programas de treinamento para corrigir essas lacunas específicas.

Resumo Técnico: Construção de Resiliência à Desinformação por Meio da Escala de Alfabetização em Mídia Digital e Informação (DMILS)

Declaração do Problema
Apesar do papel crítico da alfabetização midiática na mitigação da desinformação e no apoio à deliberação democrática, o campo sofre de fragmentação conceitual e inconsistência empírica. As medidas existentes são frequentemente fragmentadas, desatualizadas ou de foco restrito, falhando em capturar o espectro completo de competências exigidas em ecossistemas digitais em rápida evolução. Limitações comuns incluem:

Silos Conceituais: Alfabetizações distintas (digital, jornalística, algorítmica, de IA) frequentemente operam em paralelo, em vez de como um quadro integrado.
Lacunas Dimensionais: Muitas escalas medem apenas habilidades ou apenas conhecimento, negligenciando a interação entre os dois.
Modos de Medição: Uma forte dependência de avaliações subjetivas e autorrelatadas falha em distinguir entre competência percebida e capacidade real, uma distinção crucial para identificar excesso de confiança e lacunas de alfabetização.
Limitações Contextuais: Escalas proeminentes foram desenvolvidas há mais de uma década, principalmente em contextos ocidentais, limitando sua relevância para tecnologias contemporâneas (por exemplo, IA generativa) e ambientes culturais não ocidentais.

Falta um instrumento conciso, abrangente e psicometricamente sólido capaz de rastrear essas competências em diversos contextos nacionais para avaliar intervenções e construir um ecossistema de informação resiliente.

Metodologia
Os autores desenvolveram e validaram a Escala de Alfabetização em Mídia Digital e Informação (DMILS) por meio de um processo de dois estudos envolvendo três amostras nacionalmente correspondentes ( $N = 1.498$ ) dos Estados Unidos e de Singapura. O desenvolvimento seguiu diretrizes rigorosas de construção de escalas (por exemplo, Boateng et al., 2018; Carpenter, 2018).

Quadro Conceitual: Os autores propuseram um quadro multidimensional que distingue entre:
- Domínios: Mídia Digital (técnico/procedimental) vs. Informação/Jornalismo (jornalístico/verificação).
- Tipos de Competência: Conhecimento (compreensão de conceitos) vs. Habilidade (capacidade de executar tarefas).
- Modos de Medição: Subjetivo (autorrelatado) vs. Objetivo (baseado em desempenho).
Estudo 1 (Desenvolvimento e Redução de Itens):
- Processo: Uma busca bibliográfica em 26 periódicos resultou em 74 estudos empíricos. Os itens foram mapeados para o quadro, resultando em um conjunto inicial de 56 itens subjetivos e 30 itens objetivos.
- Amostra: 499 participantes dos EUA recrutados via Prolific.
- Análise: A Análise Fatorial Exploratória (AFE) e critérios de redução de itens (cargas, cargas cruzadas, comunalidades) refinaram a escala subjetiva para 18 itens. Os itens objetivos foram revisados com base na dificuldade (valores $P$ ) e na discriminabilidade.
Estudo 2 (Validação e Generalizabilidade):
- Amostra: 501 participantes dos EUA e 498 de Singapura.
- Análise:
  - Validade de Construto: Análise Fatorial Confirmatória (AFC) e modelagem Rasch (Teoria de Resposta ao Item) foram utilizadas para testar a estrutura fatorial e o ajuste dos itens.
  - Invariância de Medição: Testada para garantir que a escala funcione de forma equivalente nos contextos dos EUA e de Singapura (invariância configuracional, métrica e escalar).
  - Validade Convergente: Correlacionada com o uso de mídias sociais e consumo de notícias.
  - Validade Preditiva: Regressada contra dois resultados comportamentais: Discernimento (capacidade de distinguir manchetes e imagens de notícias verdadeiras vs. falsas) e Precisão na Recuperação de Informação (capacidade de encontrar respostas factuais online).

Principais Contribuições

O Instrumento DMILS: Uma escala multidimensional validada, composta por um conjunto de 18 itens subjetivos e um teste de conhecimento objetivo de 16 itens. Uma versão de formato curto (8 itens subjetivos, 8 itens objetivos) também é fornecida.
Quadro Integrado: A escala operacionaliza um quadro unificado que captura simultaneamente os domínios digital e de informação, conhecimento e habilidades, e modos subjetivo e objetivo de medição.
Robustez Transnacional: A escala demonstra invariância de medição entre os EUA e Singapura, atendendo à necessidade de ferramentas culturalmente aplicáveis na pesquisa global sobre desinformação.
Utilidade Diagnóstica: Ao integrar componentes subjetivos e objetivos, a escala permite que pesquisadores quantifiquem a "lacuna" entre a alfabetização percebida e a real.

Resultados

Validade Estrutural: Tanto a AFE quanto a AFC apoiaram uma estrutura de quatro fatores (Conhecimento Digital, Habilidade Digital, Conhecimento de Informação, Habilidade de Informação). Um modelo de ordem superior confirmou que esses fatores também poderiam ser tratados como um construto unidimensional para pontuação composta.
Confiabilidade: A escala subjetiva mostrou consistência interna excelente ( $\alpha = 0,93$ ).
Invariância de Medição: A escala exibiu invariância configuracional, métrica e escalar entre as amostras dos EUA e de Singapura, confirmando sua aplicabilidade em ambos os contextos.
Validade Preditiva:
- Discernimento: Tanto as pontuações subjetivas quanto as objetivas da DMILS previram significativamente a capacidade de discernir notícias verdadeiras de falsas. Notavelmente, medidas objetivas foram preditores mais fortes do que autorrelatos subjetivos. Entre as subdimensões, a Habilidade de Informação foi o preditor subjetivo mais forte, enquanto tanto o Conhecimento Digital Objetivo quanto o Conhecimento de Informação Objetivo foram preditores fortes.
- Recuperação de Informação: As pontuações compostas da DMILS previram a precisão na recuperação. No entanto, quando decompostas, as subdimensões individuais foram menos preditivas, sugerindo que a pontuação composta captura uma utilidade mais ampla para tarefas de recuperação.
- Validade Convergente: A DMILS subjetiva correlacionou-se positivamente com o uso de mídias sociais, enquanto a DMILS objetiva correlacionou-se negativamente, destacando uma possível discrepância onde usuários intensos se sentem mais competentes, mas possuem menos conhecimento real.

Significado e Afirmações
O artigo afirma que a DMILS fornece uma "régua parcimoniosa, porém multidimensional" para o campo. Seu significado principal reside em:

Padronização: Oferecer uma métrica comum para pesquisa transnacional, permitindo a comparação de intervenções e resultados de alfabetização midiática em diferentes ambientes culturais e políticos.
Design de Intervenções: Permitir que educadores e formuladores de políticas diagnostiquem lacunas específicas de competência (por exemplo, altas habilidades digitais, mas baixo conhecimento de informação) para adaptar intervenções, em vez de aplicar abordagens genéricas de "pensamento crítico".
Abordagem ao Excesso de Confiança: Ao distinguir competência percebida de competência real, a ferramenta ajuda a identificar populações (como usuários intensos de mídias sociais) que podem ter excesso de confiança em suas habilidades, um fator ligado à suscetibilidade à desinformação.
Avanço Teórico: As descobertas apoiam a distinção teórica entre alfabetizações digital e de informação, bem como entre conhecimento e habilidades, argumentando contra o tratamento da alfabetização midiática como um construto monolítico.

Os autores mantêm uma postura modesta, observando que, embora a escala seja robusta, iterações futuras podem exigir itens mais desafiadores para discriminar melhor entre populações altamente alfabetizadas, e que métodos qualitativos ainda podem ser necessários para capturar aspectos difíceis de quantificar.