A formação crítica do leitor à reflexão dos fatores pragmáticos da textualidade na produção de fake news sobre a covid-19: uma análise linguística textual
Bibliographic record
Abstract
Em meio à pandemia do novo coronavírus (Covid-19), a explosão de informações nas mídias a respeito da doença tem intensificado a produção e disseminação de notícias falsas. Dessa forma, este trabalho, apoiado na abordagem qualitativa de pesquisa, objetivou analisar a formação crítica do leitor à reflexão dos fatores pragmáticos da textualidade na produção de fake news sobre a Covid-19. São objetos de análise três publicações sobre a cura do coronavírus mediante insumos caseiros. Essas publicações foram checadas pelo site do Ministério da Saúde e comprovadas como fake news. A pesquisa foi embasada na Linguística Textual sob os fundamentos teóricos de Costa Val (1991; 2008), Koch e Travaglia (1993; 2015), Marcuschi (2008), Koch (2014), Koch e Elias (2008), Rodrigues et al. (2009); Santaella (2018), Leite (2019) e Galhardi et al. (2020), Bauman (2001) sobre fake news e sua intensificação. Constatou-se que a formação crítica dos leitores ainda é limitada, pois os produtores de fake news se valem dos fatores pragmáticos da textualidade para atribuir sentidos ao que se enuncia sobre a Covid-19 e ganham à cooperação do leitor na aceitação dos seus conteúdos. Logo, essa interação autor/texto/leitor dificulta o combate à crise sanitária no Brasil.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.021 | 0.083 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.011 | 0.013 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".