From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis

No mundo moderno, as notícias que lemos raramente chegam como um fluxo neutro de fatos. Em vez disso, são filtradas pelas escolhas de editores e pelos algoritmos que decidem o que vemos. Esses filtros atuam como guardiões, determinando quais histórias chegam até nós e como elas são enquadradas. Uma história sobre um evento político pode ser apresentada por um veículo como um triunfo e por outro como um fracasso, não porque os fatos mudaram, mas porque o tom e o foco se deslocaram. Esse fenômeno, conhecido como viés midiático, é difícil de rastrear em larga escala porque envolve mudanças sutis na linguagem, na seleção de detalhes específicos e no peso emocional atribuído a diferentes pessoas e eventos. Durante décadas, compreender esses padrões exigia equipes de especialistas humanos para ler e analisar artigos um a um, um processo lento e caro que não conseguia acompanhar a velocidade da internet.

Pesquisadores começaram a recorrer à inteligência artificial para resolver esse problema, esperando automatizar a detecção desses vieses sutis. No entanto, um obstáculo significativo permanece para muitas partes do mundo: a maioria das ferramentas de linguagem avançadas é construída para idiomas principais como o inglês, deixando idiomas menores sem softwares confiáveis para analisar suas próprias notícias. Nessas regiões, a falta de ferramentas especializadas significa que mesmo questões básicas — como quais fontes de notícias cobriram um evento específico ou como diferentes veículos descreveram uma mesma figura pública — permanecem difíceis de responder de forma consistente. Sem essas ferramentas, é difícil ver o quadro completo de como a informação está sendo moldada e distribuída.

Uma equipe de pesquisadores da Universidade de Tirana, na Albânia, desenvolveu uma nova abordagem para preencher essa lacuna. Eles criaram um sistema que utiliza um modelo de linguagem poderoso e de propósito geral para ler milhares de artigos de notícias escritos em albanês, um idioma com pouquíssimas ferramentas digitais dedicadas. O sistema não apenas lê o texto; ele o decompõe em três camadas distintas de análise. Primeiro, ele agrupa artigos em tópicos e eventos específicos para ver quais histórias estão sendo contadas. Segundo, identifica os nomes de pessoas e organizações mencionados nessas histórias. Terceiro, e talvez o mais importante, mede o tom emocional da escrita, determinando se a cobertura de uma pessoa ou evento é positiva, negativa ou neutra. Ao combinar essas camadas, o fluxo de trabalho pode mapear não apenas o que uma fonte de notícias escolhe cobrir, mas também como ela descreve as pessoas envolvidas nessas histórias.

Para testar seu sistema, os pesquisadores reuniram uma coleção de 8.358 artigos de notícias de 124 fontes de notícias albanesas diferentes, publicados em abril de 2026. Eles inseriram esses artigos em seu fluxo de trabalho, que utilizou uma versão local de um modelo de linguagem avançado para extrair os dados necessários. O objetivo era ver se esse método automatizado poderia produzir resultados confiáveis sem a necessidade de um banco de dados massivo e pré-existente de exemplos rotulados por humanos. Os pesquisadores compararam a saída de seu sistema com as anotações fornecidas pelo GDELT, um grande banco de dados global que também usa ferramentas automatizadas para rastrear notícias. A comparação revelou um nível moderado de concordância entre os dois sistemas, sugerindo que o novo fluxo de trabalho estava operando em uma direção semelhante aos métodos estabelecidos. Mais importante ainda, os pesquisadores descobriram que seu sistema identificou muitas menções de pessoas que o sistema GDELT havia perdido. Essa capacidade de capturar nomes adicionais é crucial para a análise de viés, pois perder uma figura pública pode distorcer a compreensão de como diferentes veículos tratam essa pessoa.

O estudo também testou dois conjuntos diferentes de instruções, ou prompts, dados ao modelo de linguagem para ver qual funcionaria melhor. Um conjunto de instruções era rigoroso, exigindo que o modelo revisasse seu próprio trabalho para garantir que os rótulos emocionais atribuídos correspondiam aos escores numéricos que ele dava. O outro era mais simples e rápido. As instruções rigorosas eliminaram as inconsistências entre rótulos e escores, mas também desaceleraram o processo significamente e fizeram com que o sistema pulasse o rótulo de quase metade dos artigos processados. As instruções mais simples, embora produzissem algumas inconsistências a mais, permitiram que o sistema analisasse uma parte muito maior da coleção de notícias e rodasse muito mais rápido. Os pesquisadores concluíram que, para um sistema projetado para monitorar notícias continuamente, a abordagem mais rápida e ampla era mais prática, pois as poucas inconsistências poderiam ser limpas posteriormente com regras simples.

Usando os dados gerados por este fluxo de trabalho, os pesquisadores puderam criar perfis detalhados de como diferentes fontes de notícias operam. Eles descobriram que alguns veículos consistentemente enquadravam tópicos com um tom mais favorável, enquanto outros eram sistematicamente mais críticos. O sistema também podia rastrear figuras públicas específicas, mostrando como a mesma pessoa poderia ser descrita com um tom positivo em um jornal e um tom negativo em outro. Por exemplo, a análise mostrou que a cobertura de certas figuras políticas variava amplamente dependendo da fonte, com alguns veículos oferecendo cobertura quase inteiramente positiva enquanto outros eram predominantemente críticos. Além disso, o sistema podia identificar eventos de "gatekeeping" — histórias que foram cobertas por apenas um pequeno grupo de fontes enquanto eram ignoradas pelo restante do cenário midiático. Isso permitiu aos pesquisadores ver não apenas o tom das notícias, mas também o alcance de histórias específicas e onde a informação estava sendo concentrada ou retida.

O trabalho demonstra que é possível construir um sistema automatizado estruturado para analisar o viés midiático em línguas de baixos recursos sem a necessidade de dados de treinamento especializados e específicos para o idioma. Os pesquisadores enfatizam que sua ferramenta não tem a intenção de substituir o julgamento humano ou a revisão especializada, mas sim de atuar como um ponto de partida rápido. Ela transforma uma coleção massiva de artigos em sinais claros que podem ser inspecionados mais facilmente. Ao automatizar a extração inicial de nomes, tópicos e tons, o sistema reduz a quantidade de material que os humanos precisam ler do zero. Isso é particularmente valioso em ambientes onde o monitoramento contínuo é difícil e onde ferramentas linguísticas especializadas são escassas. Os pesquisadores sugerem que essa abordagem fornece um modelo reproduzível que pode ser aplicado a outros idiomas e regiões, oferecendo uma maneira de visualizar como as notícias são enquadradas e quem está sendo ouvido na conversa pública.