A computational framework for auditing targeted advertising

• Ano de defesa: 2024
• Autor(a) principal: Márcio Aparecido Inácio da Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Misinformation; Political ads; Social networks; Transparency mechanisms; Computação – Teses; Redes sociais on-line – Teses; Desinformação – Teses; Propaganda política – Teses
• Link de acesso: http://hdl.handle.net/1843/68158; https://orcid.org/0009-0000-1214-4245

Desde a eleição presidencial dos Estados Unidos em 2016 e o escândalo Cambridge Analytica, o conteúdo patrocinado político tornou-se uma forma eficaz de campanha política. No entanto, essa eleição foi marcada pelo abuso de publicidade direcionada em Redes Sociais Online (RSOs). Preocupados com a possibilidade de abuso semelhante nas eleições brasileiras de 2018, desenvolvemos e implementamos um framework computacional para instanciar sistemas de auditoria de publicidade direcionada a fim de detectar anúncios políticos em RSOs. Primeiramente, em resposta ao abuso de publicidade direcionada no Facebook durante as eleições presidenciais dos Estados Unidos em 2016, selecionamos a plataforma do Facebook para validar nosso framework. Para alcançar isso, adaptamos um plugin de navegador para coletar anúncios nas linhas do tempo de voluntários que utilizam o Facebook. Conseguimos contar com o apoio de mais de 2000 voluntários para o nosso projeto, que instalaram nossa ferramenta. Posteriormente, utilizamos uma Rede Neural Convolucional (CNN) para a detecção de anúncios políticos no Facebook usando incorporações de palavras. Para avaliar a eficácia de nossa abordagem, rotulamos manualmente um conjunto de dados com 10.000 anúncios como políticos ou não políticos. Em seguida, realizamos uma avaliação extensiva de nossa abordagem proposta para identificação de anúncios políticos, comparando-a com métodos clássicos de aprendizado de máquina supervisionado. Em conclusão, nós desenvolvemos um framework computacional para auditoria de publicidade direcionada e instanciamos esse framework em diferentes cenários (por exemplo, anúncios do Facebook, postagens públicas de grupos e páginas). Notavelmente, no Facebook, observamos que nem todos os anúncios políticos que detectamos estavam presentes na Biblioteca de Anúncios do Facebook para anúncios políticos. Também aproveitamos o modelo treinado no Facebook para identificar propaganda política antecipada no Twitter. Mesmo que as postagens no Twitter, assim como as postagens em grupos e páginas no Facebook, não sejam impulsionadas, ainda podem ser orquestradas para criar um efeito de amplificação. Nossas descobertas destacam a importância de mecanismos de fiscalização para declarar anúncios políticos e a necessidade imperativa de plataformas de auditoria independentes.