Não está nada claro que a desinformação tenha, até à data, influenciado umas eleições que de outra forma teriam corrido de outra forma. Mas há uma forte sensação de que teve um impacto significativo, no entanto.



Com a IA a ser agora utilizada para criar vídeos falsos altamente credíveis e para espalhar desinformação de forma mais eficiente, temos razão em temer que notícias falsas possam mudar o curso de uma eleição num futuro não muito distante.

Para avaliar a ameaça e responder adequadamente, precisamos de uma melhor noção do quão prejudicial o problema pode ser. Nas ciências físicas ou biológicas, testaríamos uma hipótese desta natureza repetindo uma experiência muitas vezes.

Mas isto é muito mais difícil nas ciências sociais porque muitas vezes não é possível repetir experiências. Se quisermos saber o impacto de uma determinada estratégia, por exemplo, numa próxima eleição, não podemos repetir a eleição um milhão de vezes para comparar o que acontece quando a estratégia é implementada e quando não é implementada.

Você poderia chamar isso de problema de uma história:há apenas uma história a seguir. Não se pode atrasar o relógio para estudar os efeitos de cenários contrafactuais.

Para superar essa dificuldade, um modelo generativo torna-se útil porque pode criar muitas histórias. Um modelo generativo é um modelo matemático para a causa raiz de um evento observado, juntamente com um princípio orientador que informa de que maneira a causa (entrada) se transforma em um evento observado (saída).

Ao modelar a causa e aplicar o princípio, pode-se gerar muitas histórias e, portanto, estatísticas necessárias para estudar diferentes cenários. Isto, por sua vez, pode ser utilizado para avaliar os efeitos da desinformação nas eleições.

No caso de uma campanha eleitoral, a causa primária é a informação acessível aos eleitores (input), que se transforma em movimentos de sondagens de opinião que mostram mudanças na intenção do eleitor (output observado). O princípio orientador diz respeito à forma como as pessoas processam as informações, que é minimizar as incertezas.

Assim, ao modelar como os eleitores obtêm informações, podemos simular desenvolvimentos subsequentes num computador. Por outras palavras, podemos criar num computador uma “história possível” de como as sondagens de opinião mudam desde agora até ao dia das eleições. Apenas com uma história não aprendemos praticamente nada, mas agora podemos executar a simulação (a eleição virtual) um milhão de vezes.

Um modelo generativo não prevê nenhum evento futuro, devido à natureza ruidosa da informação. Mas fornece estatísticas de diferentes eventos, que é disso que precisamos.

Modelando a desinformação

Tive pela primeira vez a ideia de utilizar um modelo generativo para estudar o impacto da desinformação há cerca de uma década, sem qualquer antecipação de que o conceito se tornaria, infelizmente, tão relevante para a segurança dos processos democráticos. Os meus modelos iniciais foram concebidos para estudar o impacto da desinformação nos mercados financeiros, mas à medida que as notícias falsas começaram a tornar-se um problema maior, o meu colega e eu alargámos o modelo para estudar o seu impacto nas eleições.

Os modelos generativos podem dizer-nos a probabilidade de um determinado candidato vencer uma eleição futura, sujeito aos dados de hoje e à especificação de como a informação sobre questões relevantes para a eleição é comunicada aos eleitores. Isto pode ser usado para analisar como a probabilidade de vitória será afetada se os candidatos ou partidos políticos mudarem as suas posições políticas ou estratégias de comunicação.

Podemos incluir a desinformação no modelo para estudar como isso irá alterar as estatísticas dos resultados. Aqui, a desinformação é definida como um componente oculto da informação que gera um preconceito.

Ao incluir a desinformação no modelo e ao executar uma simulação, o resultado diz-nos muito pouco sobre como mudou as sondagens de opinião. Mas executando a simulação muitas vezes, podemos utilizar as estatísticas para determinar a variação percentual na probabilidade de um candidato vencer uma eleição futura se estiver presente desinformação de uma determinada magnitude e frequência. Por outras palavras, podemos agora medir o impacto das notícias falsas através de simulações informáticas.

Devo sublinhar que medir o impacto das notícias falsas é diferente de fazer previsões sobre os resultados eleitorais. Esses modelos não foram projetados para fazer previsões. Em vez disso, fornecem estatísticas suficientes para estimar o impacto da desinformação.

A desinformação tem impacto?

Um modelo de desinformação que considerámos é um tipo que é divulgado num momento aleatório, ganha força durante um curto período, mas depois é atenuado (por exemplo, devido à verificação de factos). Descobrimos que uma única divulgação desse tipo de desinformação, muito antes do dia das eleições, terá pouco impacto no resultado eleitoral.

No entanto, se a divulgação de tal desinformação for repetida persistentemente, então terá um impacto. A desinformação tendenciosa em relação a um determinado candidato mudará ligeiramente a votação a favor desse candidato cada vez que for divulgada. De todas as simulações eleitorais em que aquele candidato perdeu, podemos identificar quantas delas tiveram o resultado invertido, com base em uma determinada frequência e magnitude de desinformação.

Notícias falsas a favor de um candidato, exceto em raras circunstâncias, não garantirão a vitória desse candidato. Os seus impactos podem, no entanto, ser medidos em termos de probabilidades e estatísticas. Quanto as notícias falsas mudaram a probabilidade de vitória? Qual é a probabilidade de inverter o resultado da eleição? E assim por diante.

Um resultado que surpreendeu é que, mesmo que os eleitorados não saibam se uma determinada informação é verdadeira ou falsa, se souberem a frequência e o preconceito da desinformação, isso será suficiente para eliminar a maior parte do impacto da desinformação. O mero conhecimento da possibilidade de notícias falsas já é um poderoso antídoto para os seus efeitos.

Os modelos generativos por si só não fornecem medidas de combate à desinformação. Apenas nos dão uma ideia da magnitude dos impactos. A verificação dos fatos pode ajudar, mas não é extremamente eficaz (o gênio já saiu da garrafa). Mas e se os dois forem combinados?

Dado que o impacto da desinformação pode ser amplamente evitado informando as pessoas sobre o que está a acontecer, seria útil se os verificadores de factos oferecessem informações sobre as estatísticas de desinformação que identificaram - por exemplo, "X% das alegações negativas contra o candidato A eram falsas ." Um eleitorado equipado com esta informação será menos afetado pela desinformação.

Fornecido por The Conversation


Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.