Resumo
Nos últimos anos, a adesão às redes sociais tem apresentado um aumento significativo, o que tem permitido o acesso à informação com apenas um clique, oferecendo um ambiente interativo e mecanismos de ampla divulgação. No entanto, o grande volume de informações compartilhadas e a dificuldade de validar sua veracidade proporcionam um ambiente favorável para a rápida proliferação de notícias falsas, popularmente conhecidas como Fake News. Devido ao aumento significativo de Fake News nas redes sociais, diversos estudos e estratégias têm sido desenvolvidos nos últimos anos com o intuito de identificá-las. Dentre elas, destaca-se a aplicação de algoritmos de Processamento de Linguagem Natural (PLN), juntamente com algoritmos de Aprendizagem de Máquina (AM) e Aprendizado Profundo (AP) em especial as Redes Neurais Artificiais (RNA). Ou seja, diversos estudos e estratégias têm sido desenvolvidos nos últimos anos com o intuito de identificar notícias falsas. Sendo assim, a presente dissertação apresenta uma avaliação de desempenho das etapas do processo de extração de conhecimento para detecção automática de Fake News em Português. Mais especificamente, é realizada uma análise do processo de construção dos algoritmos, investigando o impacto das tomadas de decisão no processo metodológico no resultado final. Para este fim, foi desenvolvido uma metodologia dividida em quatro etapas, sendo estas: I) Premissas de Análise; II) Base de dados; III) Construção dos cenários e IV) Testes e validações. As premissas de análise foi construída por meio de uma revisão sistemática, a primeira contribuição deste trabalho, que está relacionada à identificação da pesquisa científica em torno da detecção de notícias falsas em português. A base de dados selecionada foi a Fake.Br Corpus, que apresenta 7.200 artigos de notícias em português. Destaca-se que a pesquisa realizada concentrou-se em analisar tanto os textos, quanto os seus respectivos metadados. Desta forma, após uma análise das combinações, obteve-se uma média da acurácia de 97%