BRACE.br: uma base de desinformação em português, construída automaticamente e auditada

BRACE.br — Boatos e Reportagens de Agências, Coletados em Escala Base de dados para detecção de desinformação em português, construída automaticamente a partir de portais de checagem de fatos (classe FALSO) e da Agência Brasil (classe VERDADEIRO), e auditada quanto aos seus limites de validade. Resultado do Trabalho de Conclusão de Curso de Ciência da Computação no Instituto de Computação da Universidade Federal de Alagoas (UFAL). Conteúdo da versão 1.0.0 27.891 instâncias: 14.745 falsas e 13.146 verdadeiras, de 2014 a 2026. Subconjunto pareado: 11.838 falsas e 11.838 verdadeiras, com o mesmo número de instâncias por classe em cada combinação de tema, ano e parte da divisão. Divisão temporal: treino até 25/07/2023, validação até 05/08/2024 e teste a partir de 06/08/2024, para avaliar modelos em boatos posteriores aos de treino. Cada instância falsa é uma mensagem que circulou e foi verificada e desmentida por um checador (99,6% do Boatos.org), acompanhada da URL do artigo de checagem e de um resumo das evidências usadas no desmentido. Cada instância verdadeira é o título e o lide de uma matéria da Agência Brasil. Para cada instância, a base traz também uma versão refinada do texto: uma frase neutra com a alegação central, gerada por um modelo de linguagem local com um único prompt, cego à classe. Auditoria A construção foi acompanhada de experimentos pré-registrados, com as previsões escritas antes da execução. Eles mediram os atalhos que a base oferece aos modelos (estilo, tamanho, fonte e época dos textos), a transferência para o Fake.br nas duas direções, com treze modelos, a qualidade das entradas por leitura humana (94,5% das falsas são a mensagem que circulou) e a invenção de texto pela extração por LLM. As 111 entradas inventadas foram retiradas desta versão. Nada mais foi apagado por regra: os problemas detectados estão disponíveis como marcações. Limitações As verdadeiras são matérias jornalísticas, e não mensagens virais: a diferença de gênero textual entre as classes é o primeiro padrão que os modelos captam. 99,6% das falsas vêm de um único portal, o Boatos.org. A data registrada é a da checagem, e não a da circulação da mensagem (diferença mediana de 2 dias, medida numa amostra validada). A base é apenas textual e binária. Uso A base se destina à pesquisa em detecção de desinformação e em explicabilidade de modelos. O campo de justificativa existe apenas na classe FALSO e não deve ser usado como entrada de um classificador de veracidade, pois revelaria o rótulo. A descrição completa dos campos está no arquivo LEIAME.md. Licença e procedência Os textos verdadeiros são da Agência Brasil, sob a licença CC BY 3.0 BR. Os textos falsos são mensagens transcritas pelos portais de checagem, disponibilizadas apenas para fins de pesquisa, com o link para cada artigo de checagem. O texto integral dos artigos de checagem não é redistribuído. O código foi desenvolvido com o auxílio do assistente Claude (Anthropic), sob revisão do autor; nenhum dado da base foi rotulado ou gerado por ele. Código e documentação: https://github.com/FSMota/BRACE.br