{"CACHEDAT":"2026-05-13 11:14:40","TRANSLATEDAT":"2026-05-13 11:14:40","SOURCESIGNATURE":"7a9e56d2ea3f2c69597ecdc4c37790c3bd22ac955bbb62f6ceb193688b397de6","SLUG":"misinformation-manipulation-WtiyDFyWdl","MARKDOWN":"# Information Disorder\n\nWardle & Derakhshan (2017), in a foundational report for the Council of Europe, introduce *Information Disorder* as the umbrella term for false, misleading, or harmfully shared information in the public information environment. They distinguish three categories along two axes: whether the content is *false* or *true*, and whether it is shared with *intent to harm*.\n\n| Type | Content | Sharer's knowledge of falseness | Intent to harm |\n|------|---------|---------------------------------|----------------|\n| **Misinformation** | false or misleading | does not know | no |\n| **Disinformation** | false or misleading | knows | yes |\n| **Malinformation** | true | (not the criterion) | yes |\n\nThe three categories form an interconnected ecology: the same content item can move between them depending on who shares it and with what intent.\n\n### Fake News\n\nThe term *fake news* is widely used in public debate but analytically imprecise. It usually refers to false or misleading information presented in the style of news reporting. However, because the term can refer to different types of information disorder and is often used politically to discredit unwanted reporting, more precise terms such as *misinformation*, *disinformation*, *fabricated content*, *false context*, or *manipulated content* should be preferred.\n\n## Misinformation\n\nMisinformation is false or misleading information shared by people who do not realise it is false. The sharer believes the content is accurate; there is no intent to deceive or harm.\n\nMisinformation typically arises in fast-moving news situations (early reports with unconfirmed details), in passing along claims without checking accuracy, and in repeating information from trusted sources that turn out to be wrong. It can be as widespread and consequential as disinformation, despite the absence of malicious intent — its sharers are often genuinely motivated and trusted within their networks, which gives the content reach and perceived credibility (Lewandowsky et al., 2017).\n\n### Misinformation Susceptibility Factors\n\n\n:::success\n**1. Cognitive factors** — how information is processed\n\n* **Confirmation bias**: People pay more attention to information that supports what they already believe, and scrutinise opposing information more harshly. — Nickerson (1998)\n* **Illusory truth effect**: Claims can feel more believable simply because people have seen them before, even when they are false. — Unkelbach et al. (2019)\n* **Processing fluency**: Information that is easy to read, familiar in wording, or visually clear feels more trustworthy than information that is harder to process. — Reber & Schwarz (1999)\n* **Low cognitive reflection**: People who rely on quick, intuitive judgements rather than pausing to check are more likely to fall for false claims. — Pennycook & Rand (2019)\n* **Bullshit receptivity**: Some people are inclined to find vague but impressive-sounding statements meaningful, even when they are empty. — Pennycook et al. (2015)\n* **Low numeracy / scientific literacy**: People may struggle to evaluate statistics, graphs, risk statements, or scientific evidence; education alone is no automatic protection. — Kahan et al. (2017)\n\n**2. Affective / motivational factors** — how emotions and identity shape judgement\n\n* **Emotional reasoning / reliance on emotion**: People accept claims because they feel right, frightening, satisfying, or morally urgent, rather than because they have been checked. — Martel, Pennycook & Rand (2020)\n* **Specific emotions** (anger, fear, moral outrage): Strong emotions can lead people to react quickly and share before checking; moral-emotional language is especially powerful in spreading political content. (Belief and sharing are distinct effects with different evidence.) — Brady et al. (2017); Martel et al. (2020)\n* **Identity-protective cognition**: People process information in ways that protect their political, religious, or group identity, and resist evidence that would threaten it. (Closely linked to *political identity* in category 5.) — Kahan (2013, 2017)\n* **Conspiracy mindset**: A general tendency to suspect hidden plots or powerful actors behind events makes conspiracy-style misinformation more plausible. — Douglas, Sutton & Cichocka (2017)\n\n**3. Social factors** — whom and which groups people trust\n\n* **Source credibility / trust in the sender**: How believable a claim feels depends on who appears to be saying it — a friend, an influencer, an expert, a politician, a news outlet, or an anonymous account. — Traberg & van der Linden (2022)\n* **Social proof / popularity cues**: Likes, shares, views, and comments can act as credibility cues, although the effect depends on context. — Avram et al. (2020)\n* **In-group / partisan congruency**: Information from \"people like us\", or aligned with a group's position, is accepted more easily. (Closely linked to *political identity* in category 5.) — Sultan et al. (2024)\n* **Network homophily / echo chambers**: When people mostly encounter information through networks of similar others, certain views appear more widely shared than they really are. (See also D1G5.) — Cinelli et al. (2021)\n\n**4. Contextual / situational factors** — the conditions under which people meet information\n\n* **Time pressure**: When people have to judge information quickly, they distinguish true from false claims less accurately. — Sultan et al. (2022)\n* **Information overload**: When too much information arrives at once, people fall back on shortcuts like headlines, emotion, source labels, or popularity. — Laato et al. (2020)\n* **Distraction / cognitive load**: When attention is drawn elsewhere, people may share without checking accuracy, even if they could otherwise recognise the misinformation. — Pennycook et al. (2020)\n* **Crisis / uncertainty contexts** (pandemics, war, disasters): Urgent need for explanation increases openness to false or premature claims. — Roozenbeek et al. (2020)\n* **Platform design**: Feeds, notifications, recommendation systems, autoplay, and fast scrolling encourage reactive rather than reflective behaviour. (See also D1G1.) — Lorenz-Spreen et al. (2020)\n\n**5. Background and dispositional factors** — who may be more or less vulnerable in specific contexts\n\n* **Age**: Older adults sometimes distinguish true from false headlines better in studies, but share misinformation more often online. — Guess, Nagler & Tucker (2019)\n* **Education**: Not an automatic shield; meta-analyses show no simple effect on misinformation discrimination. — Sultan et al. (2024)\n* **Political identity and prior beliefs**: Shape which information feels plausible, threatening, trustworthy, or worth sharing. (Operates via identity-protective cognition in category 2 and in-group cues in category 3 — not purely a demographic variable.) — Sultan et al. (2024)\n* **Media literacy habits**: People who compare sources, read beyond headlines, and recognise manipulation techniques rely less on emotional or social shortcuts. *(Note: this is the learning goal of SciLMi itself — listed here as a documented protective disposition, not as a prerequisite.)* — Guess et al. (2020)\n\n:::\n\n\n:::info\n* Avram, M., Micallef, N., Patil, S., & Menczer, F. (2020). Exposure to social engagement metrics increases vulnerability to misinformation. *Harvard Kennedy School (HKS) Misinformation Review*, *1*(5). \n* Brady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A., & Van Bavel, J. J. (2017). Emotion shapes the diffusion of moralized content in social networks. *Proceedings of the National Academy of Sciences*, *114*(28), 7313–7318. \n* Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. *Proceedings of the National Academy of Sciences*, *118*(9), e2023301118. \n* Douglas, K. M., Sutton, R. M., & Cichocka, A. (2017). The psychology of conspiracy theories. *Current Directions in Psychological Science*, *26*(6), 538–542. \n* Guess, A., Nagler, J., & Tucker, J. (2019). Less than you think: Prevalence and predictors of fake news dissemination on Facebook. *Science Advances*, *5*(1), eaau4586. \n* Jones-Jang, S. M., Mortensen, T., & Liu, J. (2021). Does media literacy help identification of fake news? Information literacy helps, but other literacies don't. *American Behavioral Scientist*, *65*(2), 371–388. \n* Kahan, D. M. (2013). Ideology, motivated reasoning, and cognitive reflection. *Judgment and Decision Making*, *8*(4), 407–424.\n* Kahan, D. M., Peters, E., Dawson, E. C., & Slovic, P. (2017). Motivated numeracy and enlightened self-government. *Behavioural Public Policy*, *1*(1), 54–86. \n* Laato, S., Islam, A. K. M. N., Islam, M. N., & Whelan, E. (2020). What drives unverified information sharing and cyberchondria during the COVID-19 pandemic? *European Journal of Information Systems*, *29*(3), 288–305. \n* Lorenz-Spreen, P., Lewandowsky, S., Sunstein, C. R., & Hertwig, R. (2020). How behavioural sciences can promote truth, autonomy and democratic discourse online. *Nature Human Behaviour*, *4*(11), 1102–1109. \n* Martel, C., Pennycook, G., & Rand, D. G. (2020). Reliance on emotion promotes belief in fake news. *Cognitive Research: Principles and Implications*, *5*(1), 47. \n* Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. *Review of General Psychology*, *2*(2), 175–220. \n* Pennycook, G., Cheyne, J. A., Barr, N., Koehler, D. J., & Fugelsang, J. A. (2015). On the reception and detection of pseudo-profound bullshit. *Judgment and Decision Making*, *10*(6), 549–563.\n* Pennycook, G., McPhetres, J., Zhang, Y., Lu, J. G., & Rand, D. G. (2020). Fighting COVID-19 misinformation on social media: Experimental evidence for a scalable accuracy-nudge intervention. *Psychological Science*, *31*(7), 770–780. \n* Pennycook, G., & Rand, D. G. (2019). Lazy, not biased: Susceptibility to partisan fake news is better explained by lack of reasoning than by motivated reasoning. *Cognition*, *188*, 39–50. \n* Reber, R., & Schwarz, N. (1999). Effects of perceptual fluency on judgments of truth. *Consciousness and Cognition*, *8*(3), 338–342. \n* Roozenbeek, J., Schneider, C. R., Dryhurst, S., Kerr, J., Freeman, A. L. J., Recchia, G., van der Bles, A. M., & van der Linden, S. (2020). Susceptibility to misinformation about COVID-19 around the world. *Royal Society Open Science*, *7*(10), 201199. \n* Sultan, M., Tump, A. N., Geers, M., Lorenz-Spreen, P., Herzog, S. M., & Kurvers, R. H. J. M. (2022). Time pressure reduces misinformation discrimination ability but does not alter response bias. *Scientific Reports*, *12*(1), 22416. \n* Sultan, M., Tump, A. N., Ehmann, N., Lorenz-Spreen, P., Hertwig, R., Gollwitzer, A., & Kurvers, R. H. J. M. (2024). Susceptibility to online misinformation: A systematic meta-analysis of demographic and psychological factors. *Proceedings of the National Academy of Sciences*, *121*(47), e2409329121. \n* Traberg, C. S., & van der Linden, S. (2022). Birds of a feather are persuaded together: Perceived source credibility mediates the effect of political bias on misinformation susceptibility. *Personality and Individual Differences*, *185*, 111269. \n* Unkelbach, C., Koch, A., Silva, R. R., & Garcia-Marques, T. (2019). Truth by repetition: Explanations and implications. *Current Directions in Psychological Science*, *28*(3), 247–253. \n\n:::\n\n### ☑ Logical Fallacies\n\n\n:::success\n- [ ] Check for hasty generalisations - Conclusion from too little evidence.\n- [ ] Check for false dilemmas - Limiting options to two when more exist.\n- [ ] Check for straw man arguments - Misrepresenting a position to refute it easily.\n- [ ] Check for appeals to ignorance - Claiming truth due to lack of disproof.\n- [ ] Check for appeals to authority - Assuming truth based on authority alone.\n- [ ] Check for red herrings - Distracting from the main issue.\n- [ ] Check for false causes - Confusing correlation with causation.\n- [ ] Check for ad hominem - Attacking the person, not the argument. \n- [ ] Check for ad populum - Arguing truth from popularity.\n- [ ] Check for slippery slopes - Asserting one step leads to extremes.\n- [ ] Check for circular reasoning - Using the conclusion as a premise.\n\n:::\n\n\n:::tip\n* \n* \n* \n\n:::\n\n## Disinformation\n\nDisinformation is false or misleading information shared deliberately, by people who know it is false, with the intent to harm, deceive, or manipulate. Both the sharer's awareness of the falseness and the harmful intent are definitional features.\n\nCommon forms include political influence operations, commercial deception, propaganda, fabricated content, and manipulated media. Disinformation is often produced by organised actors and amplified through *Coordinated Inauthentic / Artificial Amplification* (above).\n\n## Malinformation\n\nMalinformation is *true* information shared with intent to harm. The content itself is accurate, but its release, framing, or timing is calculated to damage a person, group, or institution. The classical pattern is the deliberate movement of private, sensitive, or context-bound information into a public or harmful context.\n\nExamples include the publication of leaked private communications to discredit a target, the release of accurate but stigmatising personal data (e.g. revenge porn), and the strategic disclosure of factually correct but contextually damaging information at moments calculated for maximum impact.\n\nMalinformation is the least-discussed of the three categories because the content is not false, which places it outside fact-checking frameworks. But it forms a significant part of the information-disorder ecology (Wardle & Derakhshan, 2017).\n\n\n:::warning\n**The boundaries are porous.**\n\nThe three categories often overlap or shift in practice:\n\n* A piece of *disinformation*, once shared by people who genuinely believe it, becomes *misinformation* as it spreads further. The same content can sit in different categories depending on who shares it.\n* Content can be partly true and partly false. Wardle (2017) lists seven forms within information disorder — including *misleading content*, *false context*, and *manipulated content* — not all false content is fully fabricated.\n* Determining intent from outside is empirically hard. Without access to the sharer's knowledge state and motivation, the line between misinformation and disinformation often cannot be drawn definitively.\n\nThis is why the framework asks learners to *explain why the boundary between misinformation and disinformation is often difficult to determine in practice*.\n\n:::\n\n\n:::info\n* Wardle, C., & Derakhshan, H. (2017). *Information Disorder: Toward an interdisciplinary framework for research and policy making*. Council of Europe Report DGI(2017)09. \n* Wardle, C. (2017). Fake news. It's complicated. *First Draft News*. \n* Lewandowsky, S., Ecker, U. K. H., & Cook, J. (2017). Beyond misinformation: Understanding and coping with the \"post-truth\" era. *Journal of Applied Research in Memory and Cognition*, 6(4), 353–369. \n* Vraga, E. K., & Bode, L. (2020). Defining misinformation and understanding its bounded nature. *Political Communication*, 37(1), 136–144. \n\n:::\n\n# AI Hallucination / Confabulation\n\nThe systematic tendency of generative AI systems to produce plausible-sounding content that is factually incorrect, fabricated, or unverifiable — including invented references, non-existent studies, misattributed quotations, made-up statistics, and false biographical, historical, or scientific details.\n\nHallucinations occur because generative AI systems produce output by predicting plausible continuations from patterns learned during training, not by retrieving verified information from a knowledge source. The system optimises for fluency and plausibility, not for accuracy. Fabricated content is typically presented with the same confidence as accurate content — there is no internal signal that reliably distinguishes the two.\n\nThe term **confabulation** is sometimes preferred over **hallucination** in research contexts, since confabulation in psychology denotes the construction of false but sincerely believed accounts without intent to deceive — closer to what generative systems actually do. *Hallucination* remains the dominant term in public and technical discourse and is retained here.\n\n**Hallucinations are not occasional bugs.** They are a structural feature of the underlying generation process, not errors that can be reliably eliminated through better prompting (Kalai & Vempala, 2024). They occur across all generative systems — including ☑ RAG AI, where fabrication can also affect how retrieved sources are summarised, quoted, or attributed.\n\n**Didactic positioning:** Hallucinations can be located conceptually as a forth category alongside *misinformation, disinformation*, and *malinformation*. Unlike both, they are not produced by a human source with intent or error in mind, but emerge from the generation process itself — system-generated false content without an intentional source. This three-way distinction is offered here as a pedagogically useful framing rather than as established consensus terminology.\n\n**Common types:**\n\n* fabricated references — citations to articles, books, or studies that do not exist\n* misattributed or fabricated quotations\n* invented statistics or numerical claims\n* inaccurate biographical, historical, or scientific details presented confidently\n* confidently incorrect summaries of real sources\n\n\n:::tip\nTreat any factual claim from a generative AI system as unverified until checked against an independent source. References and quotations are particularly easy to verify — search whether the cited source exists and contains what the AI claimed.\n\n:::\n\n\n:::info\n* Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? *Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21)*, 610–623. \n* Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. *ACM Computing Surveys, 55*(12), Article 248. \n* Kalai, A. T., & Vempala, S. S. (2024). Calibrated language models must hallucinate. *Proceedings of the 56th Annual ACM Symposium on Theory of Computing (STOC 2024)*, 160–171. \n* Smith, A. L., Greaves, F., & Panch, T. (2023). Hallucination or confabulation? Neuroanatomy as metaphor in large language models. *PLOS Digital Health, 2*(11), e0000388. \n\n:::\n\n# Content Misrepresentation\n\n| Format | Manipulated | Fabricated |\n|--------|-------------|------------|\n| Text | genuine quote stripped of context, doctored headline | invented quote, fictional article, AI-generated text |\n| Image | retouched photograph, cropped original | AI-generated image, painted fake \"photograph\" |\n| Audio | edited or sped-up original recording | voice clone, AI-generated speech |\n| Video | cheap fake, recut clips | fully synthetic deepfake video |\n| Document | forged letterhead on modified template | invented \"official\" letter |\n\n## Fabricated Content\n\n**Fabricated content** is information — text, image, audio, video, document, or other format — that has been entirely invented, with no genuine source material. It may be produced manually (invented quotes, fictional news articles) or generated synthetically by AI systems (synthetic videos, voice clones, AI-generated images, AI-written text).\n\n## Manipulated Content\n\n**Manipulated content** is geniune information — text, image, audio, video, document, or other format — that has been altered to deceive. The source material is real, but it is modified through editing, selective cropping, speed adjustment, recontextualisation, framing changes, voice substitution, or other transformations that change its meaning or apparent context.\n\n### Cheap Fake\n\nA **cheap fake** is media that has been altered using conventional, widely available tools — image editing software, video editing software, or basic recontextualisation — rather than AI-based generative methods. The term was coined by Paris and Donovan (2019) to draw attention to the fact that the most consequential forms of manipulated media in public discourse are typically not sophisticated AI-generated deepfakes, but simple, low-cost techniques that anyone can apply.\n\nCommon cheap fake techniques include:\n\n* speed manipulation (e.g. the slowed-down Pelosi video, 2019)\n* recutting and selective editing of audio or video\n* recontextualisation (real media presented with a false caption or framing)\n* photo retouching, cropping, or compositing\n* swapped captions and doctored screenshots\n* audio splicing\n\nWhether a cheap fake constitutes *Misinformation*, *Disinformation*, or *Malinformation* depends on the actor's knowledge and intent (→ *Information Disorder*), not on the technique itself. The same edited video can serve satire, fiction, education, or deception.\n\nCompared with *Deep Fakes*, cheap fakes require less technical skill but are not necessarily easier to detect — well-executed recontextualisation or selective editing can be extremely difficult to identify without access to the original source material.\n\n\n:::info\n* Paris, B., & Donovan, J. (2019). *Deepfakes and Cheap Fakes: The Manipulation of Audio and Visual Evidence*. Data & Society Research Institute. \n\n:::\n\n\n:::tip\nCheap Fake Verification Tools: \n\n* \n* \n* \n* \n* \n* \n* \n* \n* \n\n:::\n\n### Deep Fake\n\n### Deep Fake\n\nA **deep fake** is synthetic media generated by artificial intelligence — specifically using deep learning techniques such as generative adversarial networks (GANs), diffusion models, or transformer-based generators. The term is a portmanteau of *deep learning* and *fake*, originating in 2017 in online communities producing AI-generated face-swap videos. The technology has since expanded across media types and is now broadly accessible through consumer-level tools.\n\nCommon forms include:\n\n* **Face swaps**: replacing one person's face with another's in video\n* **Voice cloning**: synthesising a speaker's voice from a small audio sample\n* **Full synthetic video**: AI-generated footage showing people, events, or scenes that never occurred\n* **Synthetic photography**: AI-generated still images of fictional people or events\n* **Text-to-video and text-to-audio**: generating media from written prompts\n\nWhether a deep fake constitutes *Misinformation*, *Disinformation*, or *Malinformation* depends on the actor's knowledge and intent (→ *Information Disorder*), not on the technique itself. Deep fake methods are also used legitimately in film production, accessibility tools (synthetic voices for people who have lost theirs), language dubbing, satire, education, and the arts.\n\nCompared with *Cheap Fakes*, deep fakes require more technical capacity to produce convincingly and can achieve higher visual or auditory realism. They are not, however, the dominant form of media manipulation in public discourse — Paris and Donovan (2019) note that simpler cheap-fake techniques remain more common and often more consequential. Detection is an active research area; current approaches combine artefact analysis, biological inconsistency checks, and provenance verification (e.g. C2PA content credentials).\n\n\n:::info\n* Paris, B., & Donovan, J. (2019). *Deepfakes and Cheap Fakes: The Manipulation of Audio and Visual Evidence*. Data & Society Research Institute. \n* Chesney, R., & Citron, D. K. (2019). Deep fakes: A looming challenge for privacy, democracy, and national security. *California Law Review*, 107(6), 1753–1820.\n* Vaccari, C., & Chadwick, A. (2020). Deepfakes and disinformation: Exploring the impact of synthetic political video on deception, uncertainty, and trust in news. *Social Media + Society*, 6(1), 1–13. \n\n:::\n\n\n:::tip\nDeep Fake Verification Tools: \n\n* \n* \n* \n* \n* \n* \n* \n* \n* \n\n:::\n\n\n##","HTML":"

Desordem da informação

\n

Wardle & Derakhshan (2017), num relatório fundamental para o Conselho da Europa, introduzem o conceito de «Desordem da Informação» como termo genérico para designar informações falsas, enganosas ou partilhadas com intenção de causar danos no ambiente da informação pública. Distinguem três categorias ao longo de dois eixos: se o conteúdo é falso ou verdadeiro e se é partilhado com a intenção de causar danos.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
TipoConteúdoConhecimento do partilhador sobre a falsidadeIntenção de causar danos
Desinformaçãofalso ou enganadornão sabenão
Desinformaçãofalsa ou enganosasabesim
Informação incorretaverdadeira(não é o critério)sim
\n

As três categorias formam uma ecologia interligada: o mesmo conteúdo pode passar de uma para outra, dependendo de quem o partilha e com que intenção.

\n

Notícias falsas

\n

O termo «notícias falsas» é amplamente utilizado no debate público, mas é analiticamente impreciso. Refere-se geralmente a informação falsa ou enganosa apresentada no estilo de reportagens noticiosas. No entanto, uma vez que o termo pode referir-se a diferentes tipos de desordem da informação e é frequentemente utilizado politicamente para desacreditar reportagens indesejadas, devem ser preferidos termos mais precisos, tais como «desinformação», «conteúdo fabricado», «contexto falso» ou «conteúdo manipulado».

\n

Desinformação

\n

A desinformação é informação falsa ou enganosa partilhada por pessoas que não se apercebem de que é falsa. Quem partilha acredita que o conteúdo é preciso; não há intenção de enganar ou prejudicar.

\n

A desinformação surge tipicamente em situações noticiosas em rápida evolução (notícias iniciais com detalhes não confirmados), na transmissão de alegações sem verificar a exatidão e na repetição de informações de fontes fiáveis que se revelam erradas. Pode ser tão generalizada e consequente quanto a desinformação, apesar da ausência de intenção maliciosa — quem a partilha está frequentemente genuinamente motivado e goza de confiança nas suas redes, o que confere ao conteúdo alcance e credibilidade percebida (Lewandowsky et al., 2017).

\n

Fatores de suscetibilidade à desinformação

\n
\n
\n\n

1. Fatores cognitivos — como a informação é processada

\n
    \n
  • Viés de confirmação: as pessoas prestam mais atenção à informação que corrobora aquilo em que já acreditam e analisam a informação contrária de forma mais severa. — Nickerson (1998)\n
    • \n
  • Efeito da verdade ilusória: as afirmações podem parecer mais credíveis simplesmente porque as pessoas já as viram antes, mesmo quando são falsas. — Unkelbach et al. (2019)\n
    • \n
  • Fluência de processamento: A informação que é fácil de ler, com uma formulação familiar ou visualmente clara, parece mais fiável do que a informação que é mais difícil de processar. — Reber & Schwarz (1999)\n
    • \n
  • Baixa reflexão cognitiva: As pessoas que se baseiam em julgamentos rápidos e intuitivos, em vez de fazerem uma pausa para verificar, são mais propensas a acreditar em afirmações falsas. — Pennycook & Rand (2019)\n
    • \n
  • Receptividade à treta: Algumas pessoas tendem a considerar significativas afirmações vagas, mas que soam impressionantes, mesmo quando são vazias. — Pennycook et al. (2015)\n
    • \n
  • Baixa literacia numérica / científica: As pessoas podem ter dificuldade em avaliar estatísticas, gráficos, declarações de risco ou evidências científicas; a educação, por si só, não é uma proteção automática. — Kahan et al. (2017)\n

    2. Fatores afetivos / motivacionais — como as emoções e a identidade moldam o julgamento

    \n
    • \n
  • Raciocínio emocional / confiança na emoção: As pessoas aceitam afirmações porque as sentem como certas, assustadoras, satisfatórias ou moralmente urgentes, em vez de porque foram verificadas. — Martel, Pennycook & Rand (2020)\n
    • \n
  • Emoções específicas (raiva, medo, indignação moral): Emoções fortes podem levar as pessoas a reagir rapidamente e a partilhar antes de verificar; a linguagem moral-emocional é especialmente poderosa na divulgação de conteúdo político. (A crença e a partilha são efeitos distintos com evidências diferentes.) — Brady et al. (2017); Martel et al. (2020)\n
    • \n
  • Cognição de proteção da identidade: As pessoas processam a informação de formas que protegem a sua identidade política, religiosa ou de grupo, e resistem a evidências que a possam ameaçar. (Intimamente ligado à identidade política na categoria 5.) — Kahan (2013, 2017)\n
    • \n
  • Mentalidade de conspiração: Uma tendência geral para suspeitar de complôs ocultos ou de atores poderosos por trás dos acontecimentos torna a desinformação de tipo conspiratório mais plausível. — Douglas, Sutton & Cichocka (2017)\n

    3. Fatores sociais — em quem e em que grupos as pessoas confiam

    \n
    • \n
  • Credibilidade da fonte / confiança no emissor: O quão credível uma afirmação parece depende de quem parece estar a dizê-la — um amigo, um influenciador, um especialista, um político, um meio de comunicação social ou uma conta anónima. — Traberg & van der Linden (2022)\n
    • \n
  • Prova social / sinais de popularidade: Gostos, partilhas, visualizações e comentários podem funcionar como sinais de credibilidade, embora o efeito dependa do contexto. — Avram et al. (2020)\n
    • \n
  • Congruência intragrupal / partidária: A informação proveniente de «pessoas como nós», ou alinhada com a posição de um grupo, é aceite mais facilmente. (Intimamente ligada à identidade política na categoria 5.) — Sultan et al. (2024)\n
    • \n
  • Homofilia de rede / câmaras de eco: Quando as pessoas encontram informações principalmente através de redes de outras pessoas semelhantes, certas opiniões parecem ser mais amplamente partilhadas do que realmente são. (Ver também D1G5.) — Cinelli et al. (2021)\n

    4. Fatores contextuais / situacionais — as condições em que as pessoas se deparam com a informação

    \n
    • \n
  • Pressão de tempo: Quando as pessoas têm de avaliar a informação rapidamente, distinguem as afirmações verdadeiras das falsas com menos precisão. — Sultan et al. (2022)\n
    • \n
  • Sobrecarga de informação: Quando chega demasiada informação de uma só vez, as pessoas recorrem a atalhos como títulos, emoção, rótulos de fonte ou popularidade. — Laato et al. (2020)\n
    • \n
  • Distração / carga cognitiva: Quando a atenção é desviada para outro lugar, as pessoas podem partilhar sem verificar a exatidão, mesmo que, em outras circunstâncias, fossem capazes de reconhecer a desinformação. — Pennycook et al. (2020)\n
    • \n
  • Contextos de crise / incerteza (pandemias, guerra, catástrofes): A necessidade urgente de explicação aumenta a abertura a afirmações falsas ou prematuras. — Roozenbeek et al. (2020)\n
    • \n
  • Conceção da plataforma: feeds, notificações, sistemas de recomendação, reprodução automática e deslocamento rápido incentivam um comportamento reativo em vez de reflexivo. (Ver também D1G1.) — Lorenz-Spreen et al. (2020)\n

    5. Contexto e fatores disposicionais — quem pode ser mais ou menos vulnerável em contextos específicos

    \n
    • \n
  • Idade: Os adultos mais velhos distinguem por vezes melhor as manchetes verdadeiras das falsas em estudos, mas partilham desinformação com mais frequência online. — Guess, Nagler & Tucker (2019)\n
    • \n
  • Educação: Não é um escudo automático; meta-análises não mostram um efeito simples na discriminação de desinformação. — Sultan et al. (2024)\n
    • \n
  • Identidade política e crenças prévias: Determinam quais as informações que parecem plausíveis, ameaçadoras, fiáveis ou dignas de partilha. (Funciona através da cognição de proteção da identidade na categoria 2 e de sinais de pertença ao grupo na categoria 3 — não é uma variável puramente demográfica.) — Sultan et al. (2024)\n
    • \n
  • Hábitos de literacia mediática: As pessoas que comparam fontes, leem para além dos títulos e reconhecem técnicas de manipulação dependem menos de atalhos emocionais ou sociais. (Nota: este é o objetivo de aprendizagem do próprio SciLMi — aqui listado como uma disposição protetora documentada, não como um pré-requisito.) — Guess et al. (2020)\n
    • \n
\n
\n
\n
\n
\n\n
    \n
  • \nAvram, M., Micallef, N., Patil, S., & Menczer, F. (2020). A exposição a métricas de envolvimento social aumenta a vulnerabilidade à desinformação. Harvard Kennedy School (HKS) Misinformation Review\n, 1\n(5). https://doi.org/10.37016/mr-2020-033\n
    • \n
  • \nBrady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A., & Van Bavel, J. J. (2017). A emoção molda a difusão de conteúdo moralizado nas redes sociais. Proceedings of the National Academy of Sciences\n, 114\n(28), 7313–7318. https://doi.org/10.1073/pnas.1618923114\n
    • \n
  • \nCinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). O efeito câmara de eco nas redes sociais. Proceedings of the National Academy of Sciences\n, 118\n(9), e2023301118. https://doi.org/10.1073/pnas.2023301118\n
    • \n
  • \nDouglas, K. M., Sutton, R. M., & Cichocka, A. (2017). A psicologia das teorias da conspiração. Current Directions in Psychological Science\n, 26\n(6), 538–542. https://doi.org/10.1177/0963721417718261\n
    • \n
  • \nGuess, A., Nagler, J., & Tucker, J. (2019). Menos do que se pensa: prevalência e indicadores da disseminação de notícias falsas no Facebook. Science Advances\n, 5\n(1), eaau4586. https://doi.org/10.1126/sciadv.aau4586\n
    • \n
  • \nJones-Jang, S. M., Mortensen, T., & Liu, J. (2021). A literacia mediática ajuda a identificar notícias falsas? A literacia informacional ajuda, mas outras literacias não. American Behavioral Scientist\n, 65\n(2), 371–388. https://doi.org/10.1177/0002764219869406\n
    • \n
  • Kahan, D. M. (2013). Ideologia, raciocínio motivado e reflexão cognitiva. Judgment and Decision Making, 8(4), 407–424.\n
    • \n
  • \nKahan, D. M., Peters, E., Dawson, E. C., & Slovic, P. (2017). Numeracia motivada e autogoverno esclarecido. Behavioural Public Policy\n, 1\n(1), 54–86. https://doi.org/10.1017/bpp.2016.2\n
    • \n
  • \nLaato, S., Islam, A. K. M. N., Islam, M. N., & Whelan, E. (2020). O que motiva a partilha de informação não verificada e a cibercondria durante a pandemia da COVID-19? European Journal of Information Systems\n, 29\n(3), 288–305. https://doi.org/10.1080/0960085X.2020.1770632\n
    • \n
  • \nLorenz-Spreen, P., Lewandowsky, S., Sunstein, C. R., & Hertwig, R. (2020). Como as ciências comportamentais podem promover a verdade, a autonomia e o discurso democrático online. Nature Human Behaviour\n, 4\n(11), 1102–1109. https://doi.org/10.1038/s41562-020-0889-7\n
    • \n
  • \nMartel, C., Pennycook, G., & Rand, D. G. (2020). A confiança na emoção promove a crença em notícias falsas. Cognitive Research: Principles and Implications\n, 5\n(1), 47. https://doi.org/10.1186/s41235-020-00252-3\n
    • \n
  • \nNickerson, R. S. (1998). Viés de confirmação: um fenómeno omnipresente sob muitas formas. Review of General Psychology\n, 2\n(2), 175–220. https://doi.org/10.1037/1089-2680.2.2.175\n
    • \n
  • Pennycook, G., Cheyne, J. A., Barr, N., Koehler, D. J., & Fugelsang, J. A. (2015). Sobre a receção e deteção de tretas pseudo-profundas. Judgment and Decision Making, 10(6), 549–563.\n
    • \n
  • \nPennycook, G., McPhetres, J., Zhang, Y., Lu, J. G., & Rand, D. G. (2020). Combate à desinformação sobre a COVID-19 nas redes sociais: evidência experimental para uma intervenção escalável de incentivo à precisão. Psychological Science\n, 31\n(7), 770–780. https://doi.org/10.1177/0956797620939054\n
    • \n
  • \nPennycook, G., & Rand, D. G. (2019). Preguiçosos, não tendenciosos: a suscetibilidade a notícias falsas partidárias é melhor explicada pela falta de raciocínio do que pelo raciocínio motivado. Cognition\n, 188\n, 39–50. https://doi.org/10.1016/j.cognition.2018.06.011\n
    • \n
  • \nReber, R., & Schwarz, N. (1999). Efeitos da fluência percetiva nos julgamentos de verdade. Consciousness and Cognition\n, 8\n(3), 338–342. https://doi.org/10.1006/ccog.1999.0386\n
    • \n
  • \nRoozenbeek, J., Schneider, C. R., Dryhurst, S., Kerr, J., Freeman, A. L. J., Recchia, G., van der Bles, A. M., & van der Linden, S. (2020). Susceptibilidade à desinformação sobre a COVID-19 em todo o mundo. Royal Society Open Science\n, 7\n(10), 201199. https://doi.org/10.1098/rsos.201199\n
    • \n
  • \nSultan, M., Tump, A. N., Geers, M., Lorenz-Spreen, P., Herzog, S. M., & Kurvers, R. H. J. M. (2022). A pressão do tempo reduz a capacidade de distinguir a desinformação, mas não altera o viés de resposta. Scientific Reports\n, 12\n(1), 22416. https://doi.org/10.1038/s41598-022-26209-8\n
    • \n
  • \nSultan, M., Tump, A. N., Ehmann, N., Lorenz-Spreen, P., Hertwig, R., Gollwitzer, A., & Kurvers, R. H. J. M. (2024). Susceptibilidade à desinformação online: Uma meta-análise sistemática de fatores demográficos e psicológicos. Proceedings of the National Academy of Sciences\n, 121\n(47), e2409329121. https://doi.org/10.1073/pnas.2409329121\n
    • \n
  • \nTraberg, C. S., & van der Linden, S. (2022). Pássaros da mesma plumagem são persuadidos juntos: a credibilidade percebida da fonte medeia o efeito do viés político na suscetibilidade à desinformação. Personalidade e Diferenças Individuais\n, 185\n, 111269. https://doi.org/10.1016/j.paid.2021.111269\n
    • \n
  • \nUnkelbach, C., Koch, A., Silva, R. R., & Garcia-Marques, T. (2019). A verdade pela repetição: Explicações e implicações. Current Directions in Psychological Science\n, 28\n(3), 247–253. https://doi.org/10.1177/0963721419827854\n
    • \n
\n
\n
\n

☑ Falácias lógicas

\n
\n
\n\n
    \n
  • Verifique se há generalizações precipitadas - Conclusões a partir de evidências insuficientes.\n
    • \n
  • Verifique se há falsos dilemas - Limitar as opções a duas quando existem mais.\n
    • \n
  • Verifique se há argumentos falaciosos - Deturpar uma posição para a refutar facilmente.\n
    • \n
  • Verifique se há apelos à ignorância - Afirmar a verdade devido à falta de refutação.\n
    • \n
  • Verifique se há apelos à autoridade - Assumir a verdade com base apenas na autoridade.\n
    • \n
  • Verifique se há falácias de desvio de atenção - Desviar a atenção da questão principal.\n
    • \n
  • Verifique se há falsas causas - Confundir correlação com causalidade.\n
    • \n
  • Verifique se há argumentos ad hominem - Atacar a pessoa, não o argumento.\n
    • \n
  • Verifique se há argumentos ad populum - Argumentar a verdade com base na popularidade.\n
    • \n
  • Verifique se há argumentos de «slippery slope» (argumento da «ladeira escorregadia») — afirmar que um passo leva a extremos.\n
    • \n
  • Verifique se há raciocínio circular - Usar a conclusão como premissa.\n
    • \n
\n
\n
\n
\n
\n\n
\n
\n
\n

Desinformação

\n

A desinformação é informação falsa ou enganosa partilhada deliberadamente por pessoas que sabem que é falsa, com a intenção de prejudicar, enganar ou manipular. Tanto a consciência da falsidade por parte de quem partilha como a intenção prejudicial são características definidoras.

\n

Formas comuns incluem operações de influência política, fraude comercial, propaganda, conteúdo fabricado e meios de comunicação manipulados. A desinformação é frequentemente produzida por atores organizados e amplificada através da Amplificação Coordenada Não Autêntica / Artificial (acima).

\n

Desinformação maliciosa

\n

A desinformação maliciosa é informação verdadeira partilhada com a intenção de causar danos. O conteúdo em si é preciso, mas a sua divulgação, enquadramento ou momento de divulgação são calculados para prejudicar uma pessoa, um grupo ou uma instituição. O padrão clássico é a transferência deliberada de informação privada, sensível ou contextual para um contexto público ou prejudicial.

\n

Exemplos incluem a publicação de comunicações privadas que vazaram para desacreditar um alvo, a divulgação de dados pessoais precisos, mas estigmatizantes (por exemplo, pornografia de vingança), e a divulgação estratégica de informações factualmente corretas, mas contextualmente prejudiciais, em momentos calculados para causar o máximo impacto.

\n

A desinformação é a menos discutida das três categorias porque o conteúdo não é falso, o que a coloca fora dos quadros de verificação de factos. Mas constitui uma parte significativa da ecologia da desordem da informação (Wardle & Derakhshan, 2017).

\n
\n
\n\n

As fronteiras são porosas. As três categorias sobreponham-se frequentemente ou mudam na prática:

\n
    \n
  • Uma peça de desinformação, uma vez partilhada por pessoas que acreditam genuinamente nela, torna-se desinformação à medida que se espalha. O mesmo conteúdo pode situar-se em diferentes categorias, dependendo de quem o partilha.\n
    • \n
  • O conteúdo pode ser parcialmente verdadeiro e parcialmente falso. Wardle (2017) enumera sete formas de desordem da informação — incluindo conteúdo enganador, contexto falso e conteúdo manipulado — nem todo o conteúdo falso é totalmente inventado.\n
    • \n
  • Determinar a intenção a partir do exterior é empiricamente difícil. Sem acesso ao estado de conhecimento e à motivação de quem partilha, a linha entre desinformação e misinformação muitas vezes não pode ser traçada de forma definitiva.\n

    É por isso que o quadro pede aos formandos que expliquem por que razão a fronteira entre a desinformação e a desinformação é frequentemente difícil de determinar na prática.

    \n
    • \n
\n
\n
\n
\n
\n\n
\n
\n
\n

Alucinação / Confabulação da IA

\n

A tendência sistemática dos sistemas de IA generativa para produzir conteúdos que parecem plausíveis, mas que são factualmente incorretos, inventados ou não verificáveis — incluindo referências inventadas, estudos inexistentes, citações mal atribuídas, estatísticas inventadas e detalhes biográficos, históricos ou científicos falsos.

\n

As alucinações ocorrem porque os sistemas de IA generativa produzem resultados prevendo continuações plausíveis a partir de padrões aprendidos durante o treino, e não recuperando informação verificada de uma fonte de conhecimento. O sistema otimiza a fluência e a plausibilidade, e não a precisão. O conteúdo inventado é normalmente apresentado com a mesma confiança que o conteúdo preciso — não existe um sinal interno que distinga de forma fiável os dois.

\n

O termo «confabulação» é por vezes preferido a «alucinação» em contextos de investigação, uma vez que, em psicologia, a confabulação denota a construção de relatos falsos, mas sinceramente acreditados, sem intenção de enganar — mais próximo do que os sistemas generativos realmente fazem. «Alucinação» continua a ser o termo dominante no discurso público e técnico e é aqui mantido.

\n

As alucinações não são erros ocasionais. São uma característica estrutural do processo de geração subjacente, não erros que possam ser eliminados de forma fiável através de melhores prompts (Kalai & Vempala, 2024). Ocorrerem em todos os sistemas generativos — incluindo ☑ RAG AI, onde a invenção também pode afetar a forma como as fontes recuperadas são resumidas, citadas ou atribuídas.

\n

Posicionamento didático: As alucinações podem ser situadas conceptualmente como uma quarta categoria, a par da desinformação, da informação errada e da má informação. Ao contrário destas duas últimas, não são produzidas por uma fonte humana com intenção ou erro em mente, mas emergem do próprio processo de geração — conteúdo falso gerado pelo sistema sem uma fonte intencional. Esta distinção tripla é aqui apresentada como um enquadramento pedagogicamente útil, e não como terminologia consensual estabelecida.

\n

Tipos comuns:

\n
    \n
  • referências inventadas — citações de artigos, livros ou estudos que não existem\n
    • \n
  • citações mal atribuídas ou inventadas\n
    • \n
  • estatísticas inventadas ou alegações numéricas\n
    • \n
  • detalhes biográficos, históricos ou científicos imprecisos apresentados com convicção\n
    • \n
  • resumos incorretos apresentados com convicção de fontes reais\n
    • \n
\n
\n
\n\n

Trate qualquer afirmação factual proveniente de um sistema de IA generativa como não verificada até que seja contrastada com uma fonte independente. Referências e citações são particularmente fáceis de verificar — pesquise se a fonte citada existe e se contém o que a IA afirmou.

\n
\n
\n
\n
\n\n
    \n
  • \nBender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). Sobre os perigos dos papagaios estocásticos: Os modelos de linguagem podem ser demasiado grandes? Atas da Conferência ACM de 2021 sobre Equidade, Responsabilidade e Transparência (FAccT '21)\n, 610–623. https://doi.org/10.1145/3442188.3445922\n
    • \n
  • \nJi, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Inquérito sobre alucinações na geração de linguagem natural. ACM Computing Surveys, 55\n(12), Artigo 248. https://doi.org/10.1145/3571730\n
    • \n
  • \nKalai, A. T., & Vempala, S. S. (2024). Os modelos de linguagem calibrados devem alucinar. Atas do 56.º Simpósio Anual da ACM sobre Teoria da Computação (STOC 2024)\n, 160–171. https://doi.org/10.1145/3618260.3649777\n
    • \n
  • \nSmith, A. L., Greaves, F., & Panch, T. (2023). Alucinação ou confabulação? A neuroanatomia como metáfora em grandes modelos de linguagem. PLOS Digital Health, 2\n(11), e0000388. https://doi.org/10.1371/journal.pdig.0000388\n
    • \n
\n
\n
\n

Deturpação de conteúdo

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
FormatoManipuladoInventado
Textocitação genuína retirada do contexto, título adulteradocitação inventada, artigo fictício, texto gerado por IA
Imagemfotografia retocada, original recortadaimagem gerada por IA, «fotografia» falsa pintada
Áudiogravação original editada ou aceleradaclone de voz, discurso gerado por IA
Vídeofalsificação barata, clipes reeditadosvídeo deepfake totalmente sintético
Documentopapel timbrado falsificado em modelo modificadocarta «oficial» inventada
\n

Conteúdo fabricado

\n

Conteúdo fabricado é informação — texto, imagem, áudio, vídeo, documento ou outro formato — que foi inteiramente inventada, sem qualquer material de origem genuíno. Pode ser produzida manualmente (citações inventadas, artigos de notícias fictícios) ou gerada sinteticamente por sistemas de IA (vídeos sintéticos, clones de voz, imagens geradas por IA, texto escrito por IA).

\n

Conteúdo manipulado

\n

Conteúdo manipulado é informação genuína — texto, imagem, áudio, vídeo, documento ou outro formato — que foi alterada com o intuito de enganar. O material de origem é real, mas é modificado através de edição, recorte seletivo, ajuste de velocidade, recontextualização, alterações de enquadramento, substituição de voz ou outras transformações que alteram o seu significado ou contexto aparente.

\n

Falsificação barata

\n

Uma falsificação barata é um conteúdo multimédia que foi alterado utilizando ferramentas convencionais e amplamente disponíveis — software de edição de imagem, software de edição de vídeo ou recontextualização básica — em vez de métodos generativos baseados em IA. O termo foi cunhado por Paris e Donovan (2019) para chamar a atenção para o facto de que as formas mais consequentes de conteúdo multimédia manipulado no discurso público não são, tipicamente, deepfakes sofisticados gerados por IA, mas sim técnicas simples e de baixo custo que qualquer pessoa pode aplicar.

\n

As técnicas comuns de falsificação barata incluem:

\n
    \n
  • manipulação da velocidade (por exemplo, o vídeo de Pelosi em câmara lenta, 2019)\n
    • \n
  • recorte e edição seletiva de áudio ou vídeo\n
    • \n
  • recontextualização (meios de comunicação reais apresentados com uma legenda ou enquadramento falsos)\n
    • \n
  • retoque, recorte ou composição de fotografias\n
    • \n
  • legendas trocadas e capturas de ecrã manipuladas\n
    • \n
  • emenda de áudio\n
    • \n
\n

O facto de uma falsificação barata constituir desinformação, desinformação ou má informação depende do conhecimento e da intenção do autor (→ Desordem da Informação), e não da técnica em si. O mesmo vídeo editado pode servir para sátira, ficção, educação ou engano.

\n

Em comparação com os Deep Fakes, as falsificações baratas requerem menos competências técnicas, mas não são necessariamente mais fáceis de detetar — uma recontextualização bem executada ou uma edição seletiva podem ser extremamente difíceis de identificar sem acesso ao material de origem original.

\n
\n
\n\n
\n
\n
\n
\n
\n\n

Ferramentas de verificação de falsificações baratas:

\n
\n
\n
\n

Deep Fake

\n

Deep Fake

\n

Um deepfake é um conteúdo sintético gerado por inteligência artificial — especificamente utilizando técnicas de aprendizagem profunda, tais como redes adversariais generativas (GANs), modelos de difusão ou geradores baseados em transformadores. O termo é uma combinação de «deep learning» (aprendizagem profunda) e «fake» (falso), tendo surgido em 2017 em comunidades online que produziam vídeos de troca de rostos gerados por IA. Desde então, a tecnologia expandiu-se por vários tipos de meios de comunicação e é agora amplamente acessível através de ferramentas ao nível do consumidor.

\n

As formas mais comuns incluem:

\n
    \n
  • Troca de rostos: substituir o rosto de uma pessoa pelo de outra num vídeo\n
    • \n
  • Clonagem de voz: sintetizar a voz de um locutor a partir de uma pequena amostra de áudio\n
    • \n
  • Vídeo totalmente sintético: imagens geradas por IA que mostram pessoas, eventos ou cenas que nunca ocorreram\n
    • \n
  • Fotografia sintética: imagens estáticas geradas por IA de pessoas ou eventos fictícios\n
    • \n
  • Texto para vídeo e texto para áudio: geração de conteúdos multimédia a partir de instruções escritas\n
    • \n
\n

O facto de um deepfake constituir desinformação, desinformação ou informação maliciosa depende do conhecimento e da intenção do autor (→ Desordem da Informação), e não da técnica em si. Os métodos de deepfake também são utilizados de forma legítima na produção cinematográfica, em ferramentas de acessibilidade (vozes sintéticas para pessoas que perderam a sua), na dobragem, na sátira, na educação e nas artes.

\n

Em comparação com as falsificações baratas, as deep fakes requerem mais capacidade técnica para serem produzidas de forma convincente e podem alcançar um maior realismo visual ou auditivo. No entanto, não são a forma dominante de manipulação dos meios de comunicação no discurso público — Paris e Donovan (2019) observam que as técnicas mais simples de falsificação barata continuam a ser mais comuns e, muitas vezes, mais consequentes. A deteção é uma área de investigação ativa; as abordagens atuais combinam análise de artefactos, verificações de inconsistências biológicas e verificação de proveniência (por exemplo, credenciais de conteúdo C2PA).

\n
\n
\n\n
    \n
  • \nParis, B., & Donovan, J. (2019). Deepfakes e falsificações baratas: a manipulação de provas audiovisuais\n. Instituto de Investigação Data & Society.https://datasociety.net/library/deepfakes-and-cheap-fakes/\n
    • \n
  • Chesney, R., & Citron, D. K. (2019). Deep fakes: Um desafio iminente para a privacidade, a democracia e a segurança nacional. California Law Review, 107(6), 1753–1820.\n
    • \n
  • \nVaccari, C., & Chadwick, A. (2020). Deepfakes e desinformação: Explorando o impacto do vídeo político sintético no engano, na incerteza e na confiança nas notícias. Social Media + Society\n, 6(1), 1–13. https://doi.org/10.1177/2056305120903408\n
    • \n
\n
\n
\n
\n
\n\n

Ferramentas de verificação de deepfakes:

\n
\n
\n
","UPDATEDAT":"2026-05-11T20:49:09.513Z","LANG":"pt","ID":"3a2e66d9-94a9-482d-a20b-3c977e896fa3","TITLE":"Desinformação e manipulação","SOURCELANG":"en"}