28/10/2019 09:56
Saiba como pesquisadores entraram em 1.400 grupos privados do WhatsApp sobre as eleições na Índia
Como as mensagens privadas no WhatsApp são criptografadas, a maioria das pesquisas sobre a plataforma concentrou-se em grupos públicos –deixando uma quantidade enorme de informações inexploradas. Mas os pesquisadores do Tow Center for Digital Journalism da Universidade de Columbia descobriram uma maneira de contornar isso: eles entraram em grupos privados sobre as eleições indianas de 2019 e monitoraram o fluxo de informações lá, algo que outros pesquisadores também poderiam fazer.
“Sem 1 protocolo, ferramentas ou 1 guia de boas práticas para ajudar pessoas de fora a explorar as atividades em grupos fechados, desenvolvemos uma estratégia para monitorar parte da conversa política durante 1 período de 3,5 meses. O conjunto de dados resultante do estudo – que cresceu para mais de 1 terabyte – contém 1,9 milhão de mensagens, recuperadas ao juntar a 1.400 grupos de bate-papo relacionados à política no país “.
Aqui está como eles fizeram isso, escreve Priyanjana Bengani, pesquisador sênior do Tow Center, que conduziu o estudo com Ishaan Jhaveri, colega da mesma instituição:
“Há duas maneiras pelas quais alguém pode se tornar parte de 1 grupo no WhatsApp: ser adicionado por 1 administrador ou ingressar usando 1 link de convite. Começamos pesquisando na web por links de convites públicos, uma abordagem adotada por pesquisadores que realizaram pesquisas semelhantes no Brasil. Aumentamos essa busca procurando links de convite compartilhados no Twitter, Facebook e WhatsApp, redes das quais já fazíamos parte. Ativistas, afiliados partidários e trabalhadores das campanhas políticas publicam os detalhes desses grupos abertos, incentivando o seu público a participar e ver como eles podem ajudar o partido.
A simples busca por “links de convite do WhatsApp” ou “grupos do WhatsApp” em 1 mecanismo de pesquisa nos levou a sites cujo único objetivo era agregar links de convite do WhatsApp. Em vez de entrarmos cegamente em todos os grupos, focamos apenas nos relevantes para nós (grupos cujos nomes indicavam haver uma forte inclinação política). Entre eles estavam: “Missão 2019”, “Modi: The Game Changer”, “Congresso da Juventude” e “Congresso Nacional Indiano”.
Iniciamos esse processo com 1 único iPhone e 1 número de telefone adquirido nos Estados Unidos. Para sermos totalmente transparentes, nos identificamos como “Tow Center” com a descrição “1 grupo de pesquisa baseado na Universidade de Columbia, em Nova York”. Nós não conversamos com ninguém.
Para respeitar o design fundamentalmente seguro do WhatsApp, nós entramos em grupos com pelo menos 60 participantes. Focamos naqueles com mensagens em hindi ou inglês (precisávamos entender o conteúdo se o analisássemos e o nosso principal pesquisador fala os 2 idiomas).
Se o número de participantes fosse menor que 60 mas o nome do grupo fosse claramente político, o link do convite era adicionado a uma lista “tentativa” que guardamos. Se e quando o número de membros atingisse 60, entrávamos no grupo. Nós revisamos as nossas listas quase diariamente. “
Dentro de alguns dias, no entanto, o número de telefone com o código de área de Nova York que o grupo estava usando foi banido, talvez por ter sido usado para entrar em mais de 600 grupos ou porque os administradores sinalizaram ao aplicativo que seria 1 número suspeito. A partir deste ponto, os pesquisadores “ativaram 6 aparelhos de telefones com novos números e mantiveram o número de grupos em cada dispositivo abaixo de 300“.
O grupo entrou em aproximadamente 1.400 grupos indianos políticos privados do WhatsApp, foi expulso de cerca de 200 e deixaram voluntariamente 200, que se mostraram irrelevantes. Quando a equipe fez o backup do conteúdo dos grupos, havia uma amostra de 500 mil mensagens de texto, 300 mil imagens, 144 mil links, 118 mil vídeos, 12.000 arquivos de áudio, 4.000 PDFs e 500 contatos.
Uma das coisas que os pesquisadores descobriram foi que “35% dos itens de mídia em nosso conjunto de dados foram encaminhados”. O WhatsApp identificou as mensagens encaminhadas como 1 vetor-chave da disseminação de fake news e tentou limitá-las. Eles também descobriram que os 10 itens mais compartilhados em seu conjunto de dados não se sobrepunham aos 10 itens mais encaminhados. Eles também notaram que “links direcionando os participantes para organizações oficiais que veiculam notícias são surpreendentemente poucos. A versão em hindi da NDTV, uma empresa de televisão indiana, recebeu o maior número de links –pouco mais de 700. Nenhum dos outros veículos de notícias nacionais da Índia teve mais de 300 links”. Em comparação, 65% dos redirecionamentos foram para o YouTube.
Mas é menos claro se a programação pode ser usada para detectar fake news: novas pesquisas do MIT mostram que ainda não chegamos lá ainda, segundo reportagem do Axios: “Embora as máquinas sejam ótimas em detectar 1 texto produzido por máquinas, elas não conseguem identificar se as histórias são verdadeiras ou falsas. ”
Em 1 estudo, Schuster e sua equipe mostraram que os sistemas de verificação de fatos ensinados por machine learning tinham dificuldades para lidar com negações (“Greg nunca disse que seu carro não era azul”), mesmo quando eles sabiam que a declaração positiva era verdadeira (“Greg diz que seu carro é azul”).
O problema, dizem os pesquisadores, é que o banco de dados está cheio de preconceitos humanos. As pessoas que criaram o FEVER tendiam a escrever suas entradas falsas como declarações negativas e as verdadeiras como sentenças declaratórias afirmativas. Assim, os computadores aprenderam a classificar frases com declarações negativas como falsas.
Isso significa que os sistemas estavam resolvendo 1 problema muito mais fácil do que detectar notícias falsas. “Se você criar 1 alvo fácil para si mesmo, poderá vencer esse alvo”, disse Regina Barzilay, professora do MIT. “Mas isso não o aproxima da separação entre notícias falsas e notícias verdadeiras”.
Veja matéria ilustrada na íntegra no site Poder360