What is it about?

Os bots sociais, isto é, algoritmos que controlam perfis em redes sociais ou aplicativos de mensagens, estão muito presentes nas redes atualmente. Muitos destes bots são responsáveis pela proliferação de notícias falsas ou comentários de ódio. Nos últimos anos, diversas soluções foram desenvolvidas para a identificação automática desses bots. Apesar dessas soluções apresentarem resultados muito bons em seus testes, ao se utilizar o modelo de identificação em novos dados, o desempenho se reduz rapidamente. O presente trabalho testou e comparou o desempenho de algumas soluções considerando diferentes conjuntos de dados, confirmando a grande queda de desempenho ao se testar os modelos de identificação de bots em conjuntos de dados que não participaram do treinamento do modelo.

Featured Image

Why is it important?

O presente trabalho se destaca por apresentar uma análise comparativa de soluções bastante usadas para a detecção de bots. É evidenciada a perda de desempenho dessas soluções ao serem testadas em conjuntos de dados distintos daqueles usados no treinamento, indicando a pouca aplicabilidade real dessas soluções em problemas do mundo real, nos quais novos algoritmos para bots são desenvolvidos frequentemente. O trabalho também aponta algumas direções para melhorar o desempenho desses algoritmos considerando informações do conteúdo das postagens e do contexto na rede social em que o usuário (potencialmente um bot) se encontra.

Perspectives

Com várias ameaças ao debate saudável e democrático nas redes sociais, é cada vez mais importante o desenvolvimento de soluções automatizadas para evitar a proliferação de notícias falsas e discurso de ódio. A identificação automática de bots sociais maliciosos é uma tarefa importantíssima neste contexto. As novas soluções precisam levar em conta que os bots estão se adaptando rapidamente e que é importante impedir ou mitigar suas ações assim que começam a agir, evitando assim que estes agentes de software sejam bloqueados apenas após já terem causado grandes prejuízos.

Dr. Luciano Antonio Digiampietri
Universidade de Sao Paulo Campus da Capital

Read the Original

This page is a summary of: Evaluating social bots detection approaches in different domains, May 2022, ACM (Association for Computing Machinery),
DOI: 10.1145/3535511.3535516.
You can read the full text:

Read

Contributors

The following have contributed to this page