INTRODUÇÃO: A desinformação tem exercido um papel fundamental no crescimento do negacionismo da ciência, através de redes sociais aonde a disseminação de informação ocorre em questão de segundos. Notícias que são intencionalmente e comprovadamente falsas, ou, informações incorretas distorcidas de forma a induzir o indivíduo a crer que são verdades, se enquadram na definição de Fake News. Diante deste contexto, o combate às fake news tem se tornado um grande desafio tanto no âmbito jornalístico, quanto acadêmico e científico. – OBJETIVOS: Neste sentido, a importância do presente estudo em averiguar quais técnicas (isoladas ou em conjunto) apresentam melhores resultados na identificação dessas notícias falsas. O objetivo da pesquisa consiste na otimização de mecanismos de machine learning utilizados para detecção automática de Fake News. – MATERIAIS E MÉTODO: Para isso, utilizou-se como base tweets ou hashtags que contenham em seu texto as palavras “COVID” e “corona vírus”. A análise feita consistiu em classificar tais informações por meio dos classificadores RandomForest, Naive Bayes. – RESULTADOS: De todos os classificadores testados, os que obtiveram êxito foram a Árvore de Decisão e a RandomForest, concluindo-se que apesar do sucesso do resultado da primeira, a segunda é a mais adequada já que mais eficiente por analisar dezenas de árvores. – CONSIDERAÇÕES FINAIS: Usar modelos de aprendizagem de máquina supervisionados como ferramenta na identificação da veracidade ou não de notícias é um processo possível, ainda mais utilizando-se de algoritmos de aprendizagem em conjunto.
