DESINFORMAÇÃO: CONTRIBUIÇÕES TEÓRICAS E PRÁTICAS DA GESTÃO DA INFORMAÇÃO E DO CONHECIMENTO PARA AJUDAR A COMBATER A DESINFORMAÇÃO ONLINE
Bibliographic record
Abstract
Objetivo: Este artigo se concentrará nas contribuições teóricas e práticas da gestão da informação e da gestão do conhecimento para ajudar a identificar e, idealmente, prevenir a criação e disseminação de desinformação online. Resultados: A desinformação não é um fenômeno novo, pois a propaganda e as falsas alegações de marketing existem há décadas, senão séculos. O que há de novo hoje é que a desinformação online pode atingir muito mais pessoas em todo o mundo quase instantaneamente, principalmente devido ao uso das mídias sociais. Enquanto no passado apenas pessoas poderosas ou grandes corporações podiam gerar falsas alegações de maneira convincente, hoje a mídia social permite que qualquer pessoa crie e divulgue conteúdo falso. Os riscos são grandes, pois a desinformação pode impactar nas decisões financeiras e de saúde. Houve uma proliferação de notícias falsas em torno da atual pandemia, por exemplo, com algumas buscando lucrar com a venda de curas falsas para a Covid-19, enquanto outras alimentam os movimentos antivacinas. Ao mesmo tempo, as pessoas que podem nos influenciar encolheram para “bolhas de filtro” cada vez mais pequenas, pois interagimos principalmente com pessoas que têm opiniões semelhantes às nossas (Dalkir & Katz, 2020). Originalidade / Valor: A desinformação é um problema social que exige que as pessoas se tornem mais alfabetizadas em informações, que as empresas (em particular, as empresas de mídia social) adotem políticas de informação mais eficazes e que os países adotem legislação que possa abordar a criação intencional e a disseminação de desinformação sem atropelar os direitos dos cidadãos à liberdade de expressão.
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 | 0.009 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.006 | 0.008 |
| Scholarly communication | 0.021 | 0.022 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 0.006 |
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".