🤖 machine learning

BERTopic-Virality Prioritisation: A Scalable Framework for Thematic and Comparative Analysis of COVID-19 and Monkeypox Misinformation on Twitter

Este artigo apresenta o BERTopic-VP, um framework escalável que integra o agrupamento de embeddings contextuais com uma camada de priorização de viralidade e um detector híbrido de desinformação para permitir a identificação precoce e a análise comparativa de narrativas de desinformação de saúde de alto impacto através de diferentes pandemias.

Autores originais: Mkululi Sikosana, Sean Maudsley-Barton, Oluwaseun Ajao

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mkululi Sikosana, Sean Maudsley-Barton, Oluwaseun Ajao

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

Quando uma nova doença surge, o mundo enfrenta duas crises simultâneas: o próprio vírus e a inundação de informações falsas que se espalha ao seu lado. Esta segunda crise, frequentemente chamada de infodemia, pode ser tão perigosa quanto a biológica. Em plataformas de redes sociais como o Twitter, onde as mensagens são curtas e se movem a uma velocidade fulminante, histórias falsas sobre curas, origens e medidas de segurança podem ganhar tração mais rápido do que as orientações oficiais de saúde. Os métodos tradicionais para rastrear essas histórias costumam falhar porque dependem da contagem de quantas vezes palavras específicas aparecem. Na linguagem caótica e em rápida mudança das redes sociais, onde as pessoas usam gírias, hashtags e emojis, a simples contagem de palavras entra em colapso. Elas perdem o significado profundo por trás de uma postagem, agrupando ideias não relacionadas ou falhando em detectar um novo e perigoso boato até que ele já tenha se espalhado demais.

Para resolver isso, pesquisadores da Universidade Metropolitana de Manchester desenvolveram uma nova maneira de ouvir o ruído digital. Eles criaram um sistema que não apenas conta palavras, mas entende o significado por trás delas, enquanto também presta atenção à velocidade com que uma história está se espalhando. O objetivo deles era construir uma ferramenta que pudesse ajudar os funcionários da saúde pública a identificar as mentiras mais perigosas precocemente, mesmo quando estão apenas começando a circular. Ao combinar uma compreensão profunda da linguagem com uma medida de quanto as pessoas estão compartilhando uma postagem, eles criaram uma estrutura que pode filtrar lotes de tweets para encontrar as narrativas específicas que representam o maior risco para a saúde pública.

Os pesquisadores aplicaram este novo sistema, que nomearam de BERTopic-VP, a dados reais de duas grandes crises de saúde: a pandemia global causada pelo novo coronavírus e o surto de monkeypox de 2022. Eles alimentaram o sistema com lotes de tweets relacionados a esses eventos, processando-os em grupos que variavam de 10.000 a 100.000. Em vez de procurar por palavras-chave específicas, o sistema primeiro agrupou os tweets em clusters baseados em seu significado real. Utilizou modelos de linguagem avançados para entender que duas postagens dizendo coisas diferentes poderiam ainda estar falando sobre a mesma ideia central, como desconfiança no governo ou medo de vacinas. Uma vez que as histórias foram agrupadas, o sistema adicionou uma segunda camada de análise: observou o quanto de engajamento cada história recebia. Contou quantas pessoas curtiram, compartilharam ou responderam às postagens dentro de cada grupo. Isso permitiu que o sistema classificasse as histórias, destacando aquelas que não eram apenas populares, mas que estavam se espalhando ativamente.

Os resultados revelaram diferenças distintas na forma como a desinformação se comportou durante esses dois surtos. Durante a pandemia de coronavírus, as histórias falsas eram altamente variadas e complexas. Elas cobriam uma ampla gama de tópicos, desde teorias da conspiração sobre a origem do vírus até debates sobre a eficácia das máscaras e políticas de confinamento. A linguagem usada nessas postagens era frequentemente densa e difícil de ler, imitando o tom de um especialista para parecer mais credível. Em contraste, a desinformação em torno do surto de monkeypox era muito mais focada. As narrativas falsas centravam-se fortemente em alguns temas específicos, como falhas na distribuição de vacinas e profunda desconfiança nas autoridades de saúde. Essas histórias eram linguisticamente mais simples, fáceis de ler e carregavam uma carga emocional muito mais forte, particularmente de medo e raiva.

O estudo descobriu que o sistema foi eficaz em sua tarefa. Ele identificou com sucesso clusters de desinformação com alto potencial viral, sinalizando o um por cento das histórias que mais se espalhavam para revisão humana. Nos dados de monkeypox, onde os pesquisadores tinham acesso a números reais de compartilhamento, o sistema produziu tópicos semanticamente interpretáveis e identificou os grupos mais ativos com base no engajamento observado. Para os dados do coronavírus, onde os números de compartilhamento não estavam disponíveis, o sistema utilizou um contorno inteligente: aprendeu com os dados de monkeypox quais características linguísticas e psicológicas geralmente levam a um alto compartilhamento e, então, aplicou esse conhecimento para prever quais histórias do coronavírus provavelmente se espalhariam. Isso permitiu que o sistema priorizasse narrativas de risco mesmo sem acesso direto às contagens de compartilhamento.

Crucialmente, os pesquisadores mostraram que a capacidade de uma história de se espalhar não está sempre ligada ao fato de ela ser verdadeira ou falsa. O sistema encontrou muitos grupos altamente virais que eram, na verdade, fatos, como atualizações de notícias ou orientações oficiais de saúde. É por isso que o sistema é projetado para trabalhar em duas etapas: primeiro, encontra as histórias que estão se espalhando mais rápido; segundo, utiliza uma verificação separada para determinar se essas histórias são verdadeiras. Essa combinação permite que os funcionários da saúde foquem seu tempo limitado nas mentiras específicas que estão ganhando mais ímpeto, em vez de tentar desmentir cada afirmação falsa ou ignorar as que se espalham rapidamente por serem verdadeiras.

O estudo também destacou que o tom emocional de uma história é um impulsionador poderoso de sua propagação. A desinformação mais viral era frequentemente escrita em linguagem simples, fácil de entender rapidamente, acompanhada de emoções fortes como medo e raiva. Isso sugere que as mentiras que são fáceis de digerir e fazem as pessoas sentirem emoções intensas são as mais propensas a serem compartilhadas. Ao identificar esses padrões, a nova estrutura oferece uma maneira prática para as equipes de saúde pública monitorarem o cenário digital. Ela atua como um sistema de alerta precoce, trazendo à tona as narrativas específicas de alto risco que precisam de atenção imediata antes que possam causar danos generalizados. O trabalho demonstra que, ao compreender tanto o significado das palavras quanto a mecânica de como elas viajam, podemos melhor proteger as comunidades dos perigos da desinformação durante emergências de saúde.

Resumo Técnico: BERTopic-Virality Prioritisation (BERTopic-VP)

Definição do Problema

A desinformação em saúde durante pandemias espalha-se rapidamente nas redes sociais, criando narrativas prejudiciais que competem com as orientações de saúde pública. As técnicas convencionais de modelagem de tópicos, como o Latent Dirichlet Allocation (LDA) e a Non-negative Matrix Factorisation (NFMF), têm dificuldade com as características específicas do discurso nas redes sociais: comprimentos de texto curtos (ex: tweets com menos de 280 caracteres), alto nível de ruído, tendências dinâmicas de hashtags e vocabulário esparso. Esses métodos baseados em frequência frequentemente falham em detectar narrativas emergentes ou produzem tópicos incoerentes em contextos de microtextos. Além disso, os pipelines existentes tipicamente tratam o engajamento do usuário (curtidas, retuítes) como um resultado externo, em vez de uma parte integrante do processo de descoberta de tópicos, limitando a capacidade de priorizar tópicos semanticamente coerentes que também estão se difundindo rapidamente. Existe uma falta de análise comparativa sistemática dos dinâmicas de desinformação entre diferentes pandemias (ex: COVID-19 vs. Monkeypox) utilizando um framework unificado e consciente do engajamento.

Metodologia

Os autores propõem o BERTopic-VP, um framework escalável e modular que estende o pipeline de modelagem de tópicos BERTopic com uma camada de Priorização de Viralidade (VP). O pipeline opera através das seguintes etapas:

Embeddings Semânticos e Agrupamento (Clustering):
- Os tweets são processados usando o codificador Sentence-BERT all-MiniLM-L6-v2 para gerar embeddings contextuais de 384 dimensões.
- A redução de dimensionalidade é realizada via UMAP (Uniform Manifold Approximation and Projection).
- O agrupamento é executado usando HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise). Esta abordagem baseada em densidade permite a descoberta de números variáveis de tópicos sem especificar $K$ previamente, tornando-se adequada para discursos em evolução.
- A configuração é fixa entre os datasets (UMAP: $n\_neighbors=15$ , $min\_dist=0.1$ , $n\_components=5$ ; HDBSCAN: $min\_cluster\_size=50$ , $min\_samples=10$ ) para garantir a comparabilidade.
Camada de Priorização de Viralidade (VP):
- Engajamento Observado: Para datasets com metadados nativos (Monkeypox), um escore de engajamento composto $E_i$ é calculado como a soma de curtidas, retuítes, respostas, citações e cliques em links.
- Propensão de Proxy: Para datasets que carecem de metadados de engajamento (COVID-19_FNIR, Constraint), o framework treina um modelo de regressão logística no dataset Monkeypox para prever um escore de "propensão ao espalhamento" ( $\hat{p}_i$ ). Este escore serve como um proxy ordinal para o potencial de difusão.
- Sinal Unificado: Um sinal de priorização unificado $\tilde{E}_i$ é definido, utilizando o $E_i$ observado onde disponível e o logit de propensão $\eta_i$ caso contrário.
- Ranking: Os clusters são classificados pelo seu escore viral agregado $v_j$ (média de $\tilde{E}_i$ dentro do cluster). Clusters que caem dentro dos top $x\%$ (1%, 5%, 10%) da distribuição são sinalizados como alta prioridade.
Detecção e Verificação de Desinformação:
- Um módulo de detecção híbrido de dois estágios funde um classificador baseado em conteúdo supervisionado com um sinal de verificação externo derivado de bases de conhecimento de saúde pública específicas de surtos (ex: WHO Mythbusters).
- A probabilidade final $p_{final}$ é uma soma ponderada: $p_{final} = \alpha p_{content} + (1-\alpha) p_{verify}$ , com $\alpha=0.6$ determinado via busca em grade (grid search).
Métricas de Avaliação:
- Agrupamento (Clustering): Avaliado via Informação Mútua Normalizada (NMI), Índice de Rand Ajustado (ARI), Pureza e Coerência de Tópico ( $C_v$ ).
- Classificação: Avaliada via Acurácia, Precisão, Recall, F1-score, ROC-AUC e PR-AUC.
- Linguística/Afetiva: Análise de polaridade de sentimento, emoções discretas (Alegria, Medo, Raiva, Tristeza) e complexidade lexical (Flesch Reading Ease, Flesch-Kincaid Grade Level).

Principais Contribuições

Framework BERTopic-VP: A introdução de um pipeline de modelagem de tópicos priorizado pela viralidade que integra agrupamento semântico com sinais de engajamento post-hoc (ou proxies de propensão) para classificar tópicos pelo seu potencial de difusão.
Análise Comparativa de Infodemia: A primeira comparação sistemática, lado a lado, de temas de desinformação através de dois surtos distintos (COVID-19 e Monkeypox) utilizando um framework analítico consistente.
Viralidade de Proxy para Contextos de Escassez de Dados: Uma inovação metodológica para priorizar tópicos em datasets que carecem de metadados de engajamento, transferindo um modelo de propensão ao espalhamento treinado em um dataset com engajamento observado.
Design Orientado para Monitoramento: Um pipeline projetado para atualizações periódicas em lotes (cadência de minuto-a-hora) para apoiar sistemas de alerta precoce, trazendo à tona narrativas de baixo volume, mas alto risco, para revisão de analistas.

Resultados

O framework foi avaliado em três datasets de referência: COVID-19_FNIR, Monkeypox e Constraint.

Desempenho de Classificação: O detector híbrido de desinformação alcançou um desempenho forte em todos os datasets. O dataset Monkeypox apresentou os melhores resultados (F1 = 0.950, ROC-AUC = 0.989), seguido pelo COVID-19_FNIR (F1 = 0.907, ROC-AUC = 0.966) e Constraint (F1 = 0.899, ROC-AUC = 0.951).
Qualidade de Agrupamento (Clustering):
- Monkeypox: Alcançou a maior pureza (0.940) e coerência moderada ( $C_v = 0.286$ ), indicando narrativas fortemente focadas.
- COVID-19_FNIR: Mostrou pureza moderada (0.742) mas a menor coerência ( $C_v = 0.084$ ), refletindo um espaço narrativo fragmentado e diverso (ex: misturando teorias de vazamento de laboratório, eficácia de máscaras e debates sobre políticas).
- Constraint: Exibiu a maior coerência ( $C_v = 0.463$ ), mas a menor pureza (0.522), sugerindo temas internamente consistentes que não se alinham perfeitamente com os rótulos de veracidade do dataset.
Padrões de Viralidade e Linguística:
- Drivers Emocionais: A desinformação de Monkeypox exibiu a ativação emocional mais intensa (maior Medo, Raiva e Tristeza) comparada à COVID-19.
- Simplicidade Lexical: Os tweets de Monkeypox eram linguisticamente mais simples (maior Flesch Reading Ease, menor Grade Level) do que os tweets de COVID-19, que eram mais densos e complexos.
- Alinhamento VP: Os clusters priorizados pelo sinal VP consistentemente se sobrepuseram aos que exibiam alta carga emocional e linguagem simples, confirmando que a excitação afetiva e a acessibilidade cognitiva impulsionam a difusão.
Diferenças entre Eventos: A desinformação de COVID-19 foi caracterizada por teorias da conspiração e pseudociência, enquanto as narrativas de Monkeypox focaram em confiança institucional, falhas de resposta e estigma.

Significância e Alegações

O artigo afirma que o BERTopic-VP oferece uma contribuição metodológica inédita para a ciência social computacional e NLP ao unificar modelagem de tópicos não supervisionada, classificação supervisionada e análise linguística-afetiva.

Valor Operacional: O framework suporta o monitoramento de alerta precoce ao trazer à tona narrativas de baixo volume, mas de alto risco, que modelos tradicionais baseados em frequência poderiam perder. Permite que analistas de saúde pública distingam desinformação de alto impacto do ruído de fundo.
Escalabilidade: O pipeline é computacionalmente viável para processamento em lotes quase em tempo real (ex: 10.000 tweets processados em menos de 60 segundos em hardware comum), adequado para vigilância periódica.
Interpretabilidade: Ao vincular clusters de tópicos a pistas linguísticas observáveis (emoção, legibilidade) e sinais de viralidade, o sistema fornece saídas explicáveis adequadas para stakeholders não técnicos.
Modéstia nas Alegações: Os autores explicitamente observam que não reimplementam baselines clássicos (LDA, NMF) em seus próprios datasets para um benchmark direto, citando a sensibilidade da qualidade do tópico ao pré-processamento específico do corpus. Em vez disso, eles contextualizam seus resultados contra valores da literatura. Eles também reconhecem que, para datasets sem metadados de engajamento, o sinal VP representa uma estimativa de propensão ao espalhamento em vez de interação de plataforma realizada, o que limita as comparações de magnitude entre datasets ao ranking dentro de cada dataset.

O estudo conclui que a integração da estrutura semântica com o ranking consciente da viralidade permite uma análise comparativa escalável e interpretável da desinformação, apoiando estratégias baseadas em evidências na comunicação de saúde digital.