Agente de modelo de linguagem de grande escala para detecção e explicação de desinformação: uma abordagem baseada no método quadripolar

A proliferação de desinformação no ecossistema digital, exacerbada pelo advento da inteligência artificial generativa, impõe desafios críticos à integridade dos processos democráticos e sociais. As abordagens tradicionais de aprendizado de máquina, embora escaláveis, limitam-se à classificação binária sem prover a fundamentação necessária para a compreensão do fenômeno. Esta dissertação propõe uma arquitetura inovadora que integra Modelos de Linguagem de Grande Escala (LLMs) ao Método Quadripolar, estruturando a verificação de fatos em quatro eixos analíticos: Epistemológico, Teórico, Morfológico e Técnico. A solução emprega um sistema baseado em Agentes de IA e técnicas de Retrieval-Augmented Generation (RAG) para decompor a investigação em etapas de coleta de evidências externas e raciocínio contextual. Os experimentos, conduzidos sobre o conjunto de dados FakeRecogna e um conjunto de dados de curadoria manual de notícias e golpes cibernéticos, revelaram trade-offs significativos entre eficiência e profundidade analítica. Os resultados demonstraram que a configuração baseada exclusivamente no Polo Técnico (C4) atingiu o melhor desempenho classificatório (F1-Score de 0,873) com maior viabilidade econômica para ambientes produtivos. Em contrapartida, a aplicação completa do Método Quadripolar (C6) (F1-Score de 0,853) estabeleceu-se como o estado da arte em explicabilidade, demonstrando robustez superior na distinção de casos ambíguos, como fraudes de engenharia social, conteúdos opinativos complexos e notícias considerando seus fatores temporais em que são apresentadas. O estudo conclui que a estruturação metodológica do raciocínio dos LLMs amplia a acurácia e explicabilidade da detecção, e também opera de forma para garantir a transparência e a auditabilidade das decisões em sistemas de combate à desinformação.

Resumo (inglês)

The proliferation of misinformation in the digital ecosystem, exacerbated by the advent of generative artificial intelligence, poses critical challenges to the integrity of democratic and social processes. Traditional machine learning approaches, while scalable, are limited to binary classification without providing the necessary foundation for understanding the phenomenon. This dissertation proposes an innovative architecture that integrates Large Language Models (LLMs) with the Quadripolar Method, structuring fact-checking into four analytical poles: Epistemological, Theoretical, Morphological, and Technical. The solution employs a system based on AI Agents and Retrieval-Augmented Generation (RAG) techniques to break down the investigation into stages of external evidence collection and contextual reasoning. The experiments, conducted on the FakeRecogna dataset and a manually curated dataset of news and cyber scams, revealed significant trade-offs between efficiency and analytical depth. The results showed that the configuration based exclusively on the Technical Pole (C4) achieved the best classification performance (F1-Score of 0.873) with greater economic viability for productive environments. In contrast, the complete application of the Quadripolar Method (C6) (F1-Score of 0.853) established itself as the state of the art in explainability, demonstrating superior robustness in distinguishing ambiguous cases, such as social engineering fraud, complex opinion content, and news considering the temporal factors in which they are presented. The study concludes that the methodological structuring of LLM reasoning increases the accuracy and explainability of detection, and also operates in a way that ensures the transparency and auditability of decisions in systems designed to combat disinformation.