Como as visões políticas mudam nas redes sociais: apresentado o novo modelo TSN4PI
O novo framework TSN4PI combina grandes modelos de linguagem e redes neurais de grafos temporais para identificar as visões políticas dos usuários e prever suas mudanças. Os autores também lançaram dois grandes conjuntos de dados e testaram a abordagem em dados do X e do Truth Social.

Por que as abordagens tradicionais não dão conta
As redes sociais se tornaram o principal palco para discussões políticas. Postagens, curtidas e compartilhamentos refletem como a visão de mundo das pessoas muda, mas é difícil para os pesquisadores acompanharem esse processo. Os principais obstáculos são conhecidos há muito tempo:
- Mensagens politicamente relevantes se perdem no fluxo de conteúdo de entretenimento e pessoal.
- A rotulagem manual para treinar algoritmos é cara e sofre de subjetividade.
- Os dados de diferentes plataformas são estruturados de maneiras distintas, então um modelo treinado em uma rede social não funciona em outra.
- O mais difícil é prever como as opiniões de uma pessoa vão mudar, já que elas são influenciadas por notícias, pelo círculo social e pelo comportamento de outros usuários.
Os métodos tradicionais de aprendizado de máquina frequentemente falham: ou não encontram os sinais necessários, ou se limitam a constatar as preferências atuais.
Como o TSN4PI funciona
O TSN4PI é um novo sistema para rastrear a evolução de opiniões políticas em mídias sociais. Sua arquitetura é dividida em duas partes, cada uma resolvendo uma tarefa específica.
Filtragem ideológica
O primeiro módulo (PIDN) é responsável por separar o conteúdo político do irrelevante. Ele utiliza grandes modelos de linguagem e técnicas de transferência de estilo, o que permite processar dados ruidosos de diferentes fontes sem rotulagem adicional. Em termos simples, o módulo aprende a entender sobre o que é realmente uma postagem e a não se distrair com publicações de entretenimento.
Previsão de mudanças
O segundo módulo (PIPN) olha para o futuro. Usando redes neurais de grafos temporais, ele analisa as conexões do usuário com outras pessoas e mensagens e avalia em que direção sua posição vai se deslocar: se a ideologia existente vai se fortalecer, enfraquecer ou até mesmo se inverter.

O que os testes mostraram
Os pesquisadores reuniram dois grandes conjuntos de dados relacionados às plataformas X e Truth Social e os disponibilizaram para pesquisas sem fins lucrativos. Os testes mostraram que o TSN4PI cumpre bem suas tarefas. O sistema não apenas encontra vestígios de convicções políticas, mas também detecta mudanças que ocorrem ao longo do tempo.
As diferenças entre as plataformas são particularmente interessantes. No X e no Truth Social, a polarização do público se manifesta de maneiras diferentes, e o modelo permite enxergar essas nuances. Isso é uma confirmação empírica de que as opiniões políticas na internet não são estáticas: elas derivam sob a influência do ambiente informacional.

Por que isso importa
A capacidade de rastrear com precisão a evolução das ideologias é importante não apenas para pesquisas teóricas. Ela ajuda a prever o sentimento público, identificar esquemas manipulativos e tornar os algoritmos de recomendação mais neutros. Graças aos conjuntos de dados abertos, outras equipes poderão testar suas próprias abordagens nos mesmos dados, o que torna os resultados mais fáceis de comparar.
O modelo não é perfeito — o comportamento político de uma pessoa é complexo demais para caber em uma única fórmula. Mas esse framework unificado estabelece um ponto de referência a partir do qual se pode partir em trabalhos futuros. O estudo já foi aceito para publicação na conceituada revista ACM Transactions on Intelligent Systems and Technology.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
OpenCollab: coordenação programável de agentes, ambiente de execução controlado e métrica de cumprimento das regras
O framework reúne a definição da estrutura de interação entre agentes, um ambiente comum para experimentos e o rastreamento detalhado de eventos, enquanto a métrica Adherence, introduzida agora, reflete o quanto a execução real corresponde ao esquema declarado. Nos benchmarks, a configuração Duo alcança um novo patamar de SOTA, enquanto a variante de agente único se destaca pelo menor consumo de tokens.
11 novembro 2026
Toollery: seleção de ferramentas para agentes LLM entre dezenas de milhares de opções sem fine-tuning
A Toollery cria um índice de pesquisa com base nas descrições de competências e ferramentas e, a cada consulta, transmite ao modelo apenas um conjunto limitado de candidatos. Em testes com bibliotecas de dezenas de milhares de funções, a abordagem permite manter a qualidade da seleção com um top-K fixo, embora o efeito final dependa do perfil de carga e do cache do fornecedor.
11 novembro 2026
Diagnóstico passo a passo de agentes GUI na análise de dashboards: benchmark DashAct
Apresentamos o DashAct — um benchmark com 348 trajetórias verificadas por humanos, que divide o trabalho de agentes GUI com painéis interativos em três etapas e quatro condições visuais. Os resultados revelam problemas persistentes na previsão de ações e na associação a alvos visuais, bem como a dependência das respostas dos agentes do suporte contextual e espacial.
11 novembro 2026