Fake news: a brief tertiary review through health, deep learning, and emerging perspectives

Autores

DOI:

https://doi.org/10.56762/tecnia.v10i2.1672

Palavras-chave:

Notícias falsas, Revisão terciária, Saúde, Aprendizado Profundo

Resumo

Contexto: A proliferação de notícias falsas representa uma ameaça social significativa, especialmente em informações de saúde, problema agravado pela pandemia de Covid-19. Técnicas de Aprendizado Profundo (DL) são centrais nos esforços de detecção, com foco crescente em desinformação relacionada à saúde. Objetivo: Este artigo estende o trabalho anterior dos autores, sintetizando estudos secundários (ES) sobre detecção de notícias falsas, focando nos papéis do DL, no domínio da saúde e tendências recentes (2022-2023). Método: Foi realizada uma revisão terciária rápida analisando 15 ES publicados entre 2013 e agosto de 2023, categorizados por ênfase: aplicações de DL, desinformação em saúde ou publicação recente. Resultados: Identificou-se dependência consistente em DL e Processamento de Linguagem Natural para classificação de texto e detecção de mídia fabricada. Estudos em saúde ou tendências recentes abordaram desafios usando conjuntos de dados específicos. Principais desafios incluem câmaras de eco, aplicações interdomínio, necessidade de detecção precoce e ameaças de modelos generativos. Demandas por transparência, mecanismos de bloqueio e Inteligência Artificial Explicável foram destacadas. Conclusão: Esta revisão fornece uma visão sintetizada da pesquisa em detecção de notícias falsas, enfa- tizando interseções com DL e contextos de saúde, confirmando a prevalência de técnicas centrais apesar de metodologias diversas, e apontando desafios que requerem atenção urgente.

Biografia do Autor

Juliana R. S. Gomes, Universidade Federal de Goiás

Mestranda pela Universidade Federal de Goiás (UFG), filiada ao Centro de Excelência em Inteligência Artificial (CEIA). Meus interesses de pesquisa são obtenção e tradução de corpora ao português, verificação de fake news, sistemas de Question Answering, geração de texto.

Valdemar Vicente Graciano Neto, Universidade Federal de Goiás

Autor do livro "What Every Engineer Should Know About Smart Cities" (Taylor Francis, 2023). Professor Adjunto do Instituto de Informática (INF) da Universidade Federal de Goiás (UFG) desde 2014 em Goiânia. Coordenador do Curso de Sistemas de Informação do INF-UFG (2021-2023). Doutor por Dupla Titulação, titulado em Ciências da Computação e Matemática Computacional pelo Instituto de Ciências Matemáticas e Computação da Universidade de São Paulo (ICMC-USP) e em Ciências e Tecnologia da Informação, modalidade Informática, pela Universidade Bretanha Sul, França. Possui mais de 10 anos de experiência na docência, já tendo sido professor efetivo também do Instituto Federal de Educação, Ciência e Tecnologia de Goiás (IFG). Graduou-se e obteve seu título de Mestre em Ciência da Computação pelo INF-UFG. Ele é também membro efetivo do Programa de Pós-Graduação em Ciência da Computação da UFG, sendo orientador de mestrado e doutorado. É Avaliador de Credenciamento de Instituições de Ensino Superior (IES) do MEC e foi Parecerista das Análises de Contestação de Projetos da Lei de Informática pelo MCTIC no ano de 2020. O professor possui experiência na organização de eventos nacionais e internacionais, tendo sido coordenador geral do XI Simpósio Brasileiro de Sistemas de Informação (SBSI 2015), em Goiânia; o IV Worskhop em Aspectos, Sociais, Humanos e Econômicos em Software (WASHES 2019), o idealizador do Workshop em Modelagem e Simulação de Sistemas Intensivos em Software (MSSiS, com edições anuais desde 2019) e do International Workshop on Blockchain-based Software Architectures (BlockArch, com edições anuais desde 2020). Valdemar foi o chair do Comitê de Programa do SBSI 2022 e coordenador do Comitê Diretivo do Simpósio Brasileiro de Sistemas de Informação 2023. Foi também membro (2015-2017 e 2021-2023) e coordenador da Comissão Especial de Sistemas de Informação (CE-SI) da Sociedade Brasileira de Computação (SBC) no mandato 2018-2019. Prof. Valdemar também é membro do Comitê Editorial da iSys (Revista Brasileira de Sistemas de Informação) e do Journal of the Brazilian Computer Society. O professor foi palestrante convidado (keynote speaker) no SESoS/WDES@ICSE 2021, o principal workshop de sua área de pesquisa no mundo. O professor possui experiência em Engenharia de Software e Sistemas de Informação, com ênfase em Desenvolvimento e Arquitetura de Software, e conhecimentos específicos em Engenharia de Software Baseada em Modelos, Sistemas-de-Sistemas, Cidades Inteligentes e Engenharia de Software de Sistemas de Informação. Foi membro representante da área de Ciência da Computação no Comitê Assessor de Área (CAA) Formação Geral do Banco Nacional de Itens (BNI) para a realização do ENADE 2020 (executado em 2021) a convite do INEP. É também sócio da Sociedade Brasileira de Computação.

Jacson Rodrigues Barbosa, Universidade Federal de Goiás

Possui doutorado em Ciências de Computação pelo Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (2021), mestrado em Ciências de Computação pelo Instituto de Informática da Universidade Federal de Goiás (2011) e graduação em Bacharelado em Ciências da Computação pela Universidade Federal de Goiás (2007). Atualmente é docente no Instituto de Informática (INF) da Universidade Federal de Goiás (UFG). Tem experiência na área de Ciência da Computação, com ênfase em Engenharia de Software e Inteligência Artificial, atuando principalmente nos temas de Mineração de Repositórios de Software, aprendizado de máquina, mineração de dados e textos (data and text mining, predictive analytics, data science).

Eliomar Araújo de Lima, Universidade Federal de Goiás

Possui graduação em Ciência da Computação pela Pontifícia Universidade Católica de Goiás (PUC-GO, 2000), mestrado em Gestão de Negócios pelo Instituto Universitário de Lisboa (ISCTE, 2009) e doutorado em Engenharia Elétrica pela Universidade de Brasília (UnB, 2015). Atualmente é pesquisador da Universidade de Brasília e professor adjunto da Universidade Federal de Goiás. Tem experiência na área de Engenharia de Sistemas de Informação, com ênfase em Ontolotria e Orquestração de Sistemas de Informação, atuando principalmente nos seguintes temas: economia criativa, complexidade sistêmica, governança de TI, pensamento sistêmico e gestão estratégica.

Arlindo Rodrigues Galvão Filho, Universidade Federal de Goiás

Professor do Instituto de Informática da Universidade Federal de Goiás onde é membro permanente dos programas de Mestrado e Doutorado em Ciência da Computação. No campo de pesquisa e inovação atua nas áreas de aprendizado de máquina e deep learning, especificamente em Processamento de Linguagem Natural e Processamento de Audio e Voz. Contribuiu com captações de mais de 80 milhões de reais que proporcionam bolsas para os alunos (sete mil reais em média) em projetos de P,D&I com empresas tais como Copel Distribuição, Américas Health Labs, Natura, Moises.AI, Datamétrica, dentre outros. Todos os alunos de pós-graduação possuem bolsas de estudos provenientes de P&D com empresas que proporcionaram prêmios de excelência em pesquisas científicas e também de inovação. É coordenador de internacionalização no Centro de Excelência em Inteligência Artificial de Goiás (unidade Embrapii), contribuindo para a parceria acadêmica e empresarial em andamento em seis diferentes países. Possui como objetivo principal o desenvolvimento de inovação e geração de valor a partir das teses e dissertações. Como atividade de extensão, é atualmente coordenador da Olimpíada Brasileira de Robótica (OBR) no estado de Goiás para alunos do ensino fundamental e médio. Na robótica é um mantenedor e entusiasta do núcleo de robótica Pequi Mecânico para nível universitário.

Referências

ABOUT Us. Gossip Cop, [s. l.], c2019. Available from: https://web.archive.org/web/20190807002653/https://www.gossipcop.com/about/. Access from: 24 aug. 2025.AHMAD, T.; ALIAGA LAZARTE, E. A.; MIRJALILI, S. A Systematic Literature Review on Fake News in the Covid-19 Pandemic: Can AI Propose a Solution? Applied Sciences, [s. l.], v. 12, n. 24, 2022. ISSN 2076-3417. DOI: 10.3390/app122412727. Available from: https://www.mdpi.com/2076-3417/12/24/12727. Access from: may 22, 2025.

AIMEUR, E.; AMRI, S.; BRASSARD, G. Fake news, disinformation and misinformation in social media: a review. Social Network Analysis and Mining, [s. l.], v. 13, n. 1, p. 30, 2023. DOI: 10.1007/s13278-023-01028-5. Available from: https://pubmed.ncbi.nlm.nih.gov/36789378/. Access from: may 22, 2025.

ALI, I.; AUYB, M. N.; SHIVAKUMARA, P.; NOOR, N. F. B. M. Fake News Detection Techniques on Social Media: A Survey. Wireless Communications and Mobile Computing, [S.l.], v. 2022, 2022. https://doi.org/10.1155/2022/6072084. Available from: https://onlinelibrary.wiley.com/doi/10.1155/2022/6072084. Access from: may 22, 2025.

CARTAXO, B.; PINTO, G.; SOARES, S. Rapid Reviews in Software Engineering. In: FELDERER, M.; TRAVASSOS, G. H. (ed.). Contemporary Empirical Methods in Software Engineering. Cham: Springer International Publishing, 2020, p. 357–384. ISBN 978-3-030-32489-6. DOI: 10.1007/978-3-030-32489-6_13. Available from: https://content.e-bookshelf.de/media/reading/L-13432442-5babef3091.pdf. Access from: may 22, 2025.

CUI, L.; LEE, D. CoAID: COVID-19 Healthcare Misinformation Dataset, 2020. arXiv: 2006.00885 [cs.SI].

DAI, E.; SUN, Y.; WANG, S. Ginger Cannot Cure Cancer: Battling Fake Health News with a Comprehensive Data Repository. Proceedings of the International AAAI Conference on Web and Social Media, [s. l.], v. 14, n. 1, p. 853–862, may 2020. DOI: 10.1609/icwsm.v14i1.7350. Available from: https://ojs.aaai.org/index.php/ICWSM/article/view/7350. Access from: may 22, 2025.

DHALL, S.; DWIVEDI. A. D.; PAL, S. k; SRIVASTAVA, G. Blockchain-based Framework for Reducing Fake or Vicious News Spread on Social Media/Messaging Platforms. ACM Trans. Asian Low-Resour. Lang. Inf. Process, New York, NY, USA, v. 21, n. 1, Nov. 2021. ISSN 2375-4699. DOI: 10.1145/3467019. Available from: https://doi.org/10.1145/3467019. Access from: may 22, 2025.

DIXON, S. J. Most popular social networks worldwide as of January 2024, ranked by number of monthly active users. Statista, [s. l.], 2024. Available from: https://www.statista.com/statistics/272014/global-social-networks-ranked-by-number-of-users/. Access from: may 22, 2025.

GARG, D.; KHAN, S.; ALAM, M. Integrative use of IoT and deep learning for agricultural applications. In: SINGH, P. K.; SHARMA, S.; SHARMA, R.; SHARMA, S.; SHARMA, A. (ed.). Proceedings of ICETIT 2019. Cham: Springer International Publishing, 2020, p. 521–531. ISBN 978-3-030-30577-2. DOI: 10.1007/978-3-030-30577-2_46. Available from: https://link.springer.com/chapter/10.1007/978-3-030-30577-2_46. Access from: 24 aug. 2025.

HANGLOO, S.; ARORA, B. Combating multimodal fake news on social media: methods, datasets, and future perspective. Multimedia systems, Springer, [s. l.], v. 28, n. 6, p. 2391–2422, 2022. DOI: https://doi.org/10.1007/s00530-022-00966-y. Available from: https://dl.acm.org/doi/10.1007/s00530-022-00966-y. Access from: may 22, 2025.

HEALTH NEWS REVIEW, [s. l.], 2022. Available from: https://web.archive.org/web/20220707131651/https://www.healthnewsreview.org/. Access from: 24 aug. 2025.

ISLAM, M. R.; LIU, S.; WANG, X.; XU, G. Deep learning for misinformation detection on online social networks: a survey and new perspectives. Social Network Analysis and Mining, [s. l.], v. 10, dec. 2020. DOI: 10.1007/s13278-020-00696-x. Available from: https://www.researchgate.net/publication/344437686_Deep_learning_for_misinformation_detection_on_online_social_networks_a_survey_and_new_perspectives. Access from: may 22, 2025.

KIM, B.; XIONG, A.; LEE, D.; HAN, K. A systematic review on fake news research through the lens of news creation and consumption: Research efforts, challenges, and future directions. PLOS ONE, Public Library of Science, [s. l.], v. 16, n. 12, p. 1–28, Dec. 2021. DOI: 10.1371/journal.pone.0260080. Available from: https://doi.org/10.1371/journal.pone.0260080. Access from: may 22, 2025.

KONDAMUDI, M. R.; SAHOO, S. R.; CHOUHAN, R.; YADAV, N. A comprehensive survey of fake news in social networks: Attributes, features, and detection approaches. Journal of King Saud University - Computer and Information Sciences, [s. l.], v. 35, n. 6, p. 101571, 2023. ISSN 1319-1578. DOI: https://doi.org/10.1016/j.jksuci.2023.101571. Available from: https://www.sciencedirect.com/science/article/pii/S1319157823001258. Access from: may 22, 2025.

LIGTHART, A.; CATAL, C.; TEKINERDOGAN, B. Systematic Reviews in Sentiment Analysis: A Tertiary Study. Artif. Intell. Rev., Kluwer Academic Publishers, USA, v. 54, n. 7, p. 4997–5053, Oct. 2021. ISSN 0269-2821. DOI: 10.1007/s10462-021-09973-3. Available from: https://doi.org/10.1007/s10462-021-09973-3. Access from: may 22, 2025.

LTD, L. Litmaps: Your Literature Review Assistant. [S.l.: s.n.], 2023. Available from: https://www.litmaps.com/. Access from: may 22, 2025.

MEEL, P.; VISHWAKARMA, D. K. Fake news, rumor, information pollution in social media and web: A contemporary survey of state-of-the-arts, challenges and opportunities. Expert Systems with Applications, [s. l.], v. 153, p. 112986, 2020. ISSN 0957-4174. DOI: https://doi.org/10.1016/j.eswa.2019.112986. Available from: https://www.sciencedirect.com/science/article/pii/S0957417419307043. Access from: may 22, 2025.

MITRA, T.; GILBERT, E. Credbank: A Large-Scale Social Media Corpus With Associated Credibility Annotations. Proceedings of the International AAAI Conference on Web and Social Media, [s. l.], v. 9, n. 1, p. 258–267, 2015. DOI: 10.1609/icwsm.v9i1.14625. Available from: https://ojs.aaai.org/index.php/ICWSM/article/view/14625. Access from: may 22, 2025.

PETERSEN, K.; VAKKALANKA, S.; KUZNIARZ, L. Guidelines for conducting systematic mapping studies in software engineering: An update. Information and Software Technology, [s. l.], v. 64, p. 1–18, 2015. ISSN 0950-5849. DOI: https://doi.org/10.1016/j.infsof.2015.03.007. Available from: https://www.sciencedirect.com/science/article/pii/S0950584915000646. Access from: may 22, 2025.

POLITIFACT. The Poynter Institute, [s. l], c2020. Available from: https://www.politifact.com/. Access from: 24 aug. 2025.

REIS, J. C. S; CORREIA, A.; MURAI, F.; VELOSO, A. Supervised Learning for Fake News Detection. IEEE Intelligent Systems, [s. l.], v. 34, n. 2, p. 76–81, 2019. DOI: 10.1109/MIS.2019.2899143. Available from: https://www.researchgate.net/publication/332952191_Supervised_Learning_for_Fake_News_Detection. Access from: may 22, 2025.

SCHLICHT, I. B.; FERNADEZ, E.; CHULVI, B.; ROSSO, P. Automatic detection of health misinformation: a systematic review. Journal of Ambient Intelligence and Humanized Computing, [s. l.], p. 1–13, 2023. Available from: https://link.springer.com/article/10.1007/s12652-023-04619-4. Access from: may 22, 2025.

SHAHI, G. K.; NANDINI, D. FakeCovid - A Multilingual Cross-domain Fact Check News Dataset for COVID-19. [S. l.]: ICWSM, June 2020. DOI: 10.36190/2020.14. Available from: https://doi.org/10.36190/2020.14. Access from: may 22, 2025.

SHARMA, K.; OIAN, F.; JIANG, H.; RUCHANSKAY, N.; LIU, Y. Combating Fake News: A Survey on Identification and Mitigation Techniques. ACM Trans. Intell. Syst. Technol. Association for Computing Machinery, New York, NY, USA, v. 10, n. 3, Apr. 2019. ISSN 2157-6904. DOI: 10.1145/3305260. Available from: https://doi.org/10.1145/3305260. Access from: may 22, 2025.

SHU, K.; MAHUDESWARAN, D.; WANG, S.; LEE, D.; LIU, H. FakeNewsNet: A Data Repository with News Content, Social Context and Dynamic Information for Studying Fake News on Social Media. PubMed Disclaimer, [s. l.], v. 8, n. 3, p.171-188, jun. 2020. DOI: 10.1089/big.2020.0062. Available from: https://pubmed.ncbi.nlm.nih.gov/32491943/. Access from: may 22, 2025.

SNOPES. [s. l.], [2025?]. Available from: https://www.snopes.com/. Access from: 24 aug. 2025.

TACCHINI, E.; BALLARIN, G.; DELLA VEDOVA, M. L.; MORET, S.; DE ALFARO, L. Some like it hoax: Automated fake news detection in social networks. arXiv preprint arXiv:1704.07506, [s. l.], 2017. DOI: 10.48550/arXiv.1704.07506. Available from: https://arxiv.org/abs/1704.07506. Access from: aug. 24, 2025.

THE CORONA Virus Facts/ Datos Corona Virus Alliance Database. Pointer.50, [s. l. ], 2025. Available from: https://www.poynter.org/ifcn-covid-19-misinformation/. Access from: 24 aug. 2025.

VARMA, R.; VERMA, Y.; VIJAYVARGIYA, P.; CHURI, P. A systematic survey on deep learning and machine learning approaches of fake news detection in the pre-and post-COVID-19 pandemic. International Journal of Intelligent Computing and Cybernetics, Emerald Publishing Limited, [s. l.], v. 14, n. 4, p. 617–646, 2021. Available from: https://www.researchgate.net/publication/355057574_A_systematic_survey_on_deep_learning_and_machine_learning_approaches_of_fake_news_detection_in_the_pre-_and_post-COVID-19_pandemic. Access from: aug. 24, 2025.

WANG, W. Y. “Liar, Liar Pants on Fire”: A New Benchmark Dataset for Fake News Detection. In: Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). Vancouver, Canada: Association for Computational Linguistics, July 2017, p. 422–426. DOI: 10.18653/v1/P17-2067. Available from: https://aclanthology.org/P17-2067. Access from: aug. 24, 2025.

WANG, Y.; McKEE, M.; TORBICA, A.; STUCKLER, D. Systematic Literature Review on the Spread of Health-related Misinformation on Social Media. Social Science & Medicine, [s. l.], v. 240, p. 112552, 2019. ISSN 0277-9536. DOI: https://doi.org/10.1016/j.socscimed.2019.112552. Available from: https: //www.sciencedirect.com/science/article/pii/S0277953619305465. Access from: aug. 24, 2025.

WU, Y.; NGAI, E. W. T.; WU, P.; WU, C. Fake news on the internet: a literature review, synthesis and directions for future research. Internet Research, [s. l.], v. 32, p. 1662–1699, 5 jan. 2022. ISSN 1066-2243. DOI: 10.1108/INTR-05-2021-0294. Available from: https://doi.org/10.1108/INTR-05-2021-0294. Access from: aug. 24, 2025.

ZHOU, X.; MULAY, A.; FERRARA, E.; ZAFARANI, R. Recovery: a Multimodal Repository for COVID-19 News Credibility Research. In: PROCEEDINGS of the 29th ACM International Conference on Information & Knowledge Management. Virtual Event, Ireland: Association for Computing Machinery, 2020 (CIKM ’20). New York, USA: Association for Computing Machinery, 2020, p. 3205–3212. ISBN 9781450368599. DOI: 10.1145/3340531.3412880. Available from: https://doi.org/10.1145/3340531.3412880. Access from: aug. 24, 2025.

Secondary Studies Included in this Work

S1 AHMAD, T.; ALIAGA LAZARTE, E. A.; MIRJALILI, S. A Systematic Literature Review on Fake News in the COVID-19 Pandemic: Can AI Propose a Solution? Applied Sciences, [s. l.], v. 12, n. 24, 2022. ISSN 2076-3417. DOI: 10.3390/app122412727. Available from: https://www.mdpi.com/2076-3417/12/24/12727. Access from: aug. 24, 2025.

S2 AIMEUR, E.; AMRI, S.; BRASSARD, G. Fake news, disinformation and misinformation in social media: a review. Social Network Analysis and Mining, [s. l.], v. 13, n. 1, p. 30, 2023. DOI: 10.1007/s13278-023-01028-5. Available from: https://pubmed.ncbi.nlm.nih.gov/36789378/. Access from: aug. 24, 2025.

S3 ALI, I.; AYUB, N. B.; SHIVAKUMARA, P.; NOOR, N. F. M. Fake News Detection Techniques on Social Media: A Survey. Wireless Communications and Mobile Computing, Hindawi, [s. l.], v. 2022, 2022. Access from: aug. 24, 2025. DOI: 10.1155/2022/6072084. Available from: https://www.onlinelibrary.wiley.com/doi/10.1155/2022/6072084. Access from: Aug. 24, 2025.

S4 BEER, D. de; MATTHEE, M. Approaches to Identify Fake News: A Systematic Literature Review. HOESEL, S. van; GÓMEZ, J. M.; ZHU, Q. (ed.). Information and communication technologies in education, research, and industrial applications. Cham: Springer, 2021, p. 13–22. ISBN 978-3-030-49263-2. DOI: 10.1007/978-3-030-49264-9_2. Available from: https://doi.org/10.1007/978-3-030-49264-9_2. Access from: Aug. 24, 2025.

S5 HU, L.; WEI, S.; ZHAO, Z.; WU, B. Deep learning for fake news detection: A comprehensive survey. AI Open, [s. l.], v. 3, p. 133–155, 2022. ISSN 2666-6510. DOI: https://doi.org/10.1016/j.aiopen.2022.09.001. Available from: https: //www.sciencedirect.com/science/article/pii/S2666651022000134. Access from: aug. 24, 2025.

S6 ISLAM, M. R.; LIU, S.; WANG, X.; XU, G. Deep learning for misinformation detection on online social networks: a survey and new perspectives. Social Network Analysis and Mining, [s. l.], v. 10, dec. 2020. DOI: 10.1007/s13278-020-00696-x. Available from: https://link.springer.com/article/10.1007/s13278-020-. Access from: aug. 24, 2025.

S7 KAPANTAI, E.; CHRISTOPOULOU, A.; BERBERIDIS, C.; PERISTERAS, V. A systematic literature review on disinformation: Toward a unified taxonomical framework. New Media & Society, [s. l.], v. 23, n. 5, p. 1301–1326, 2021. DOI: 10.1177/1461444820959296. eprint: https://doi.org/10.1177/1461444820959296. Available from: https://doi.org/10.1177/1461444820959296. Access from: aug. 24, 2025.

S8 KIM, B.; XIONG, A.; LEE, D.; HAN, K. A systematic review on fake news research through the lens of news creation and consumption: Research efforts, challenges, and future directions. PLOS ONE, Public Library of Science, [s. l.], v. 16, n. 12, p. 1–28, dec. 2021. DOI: 10.1371/journal.pone.0260080. Available from: https://doi.org/10.1371/journal.pone.0260080. Access from: aug. 24, 2025.

S9 KONDAMUDI, M. R.; SAHOO, S. R.; CHOUHAN, L.; YADAV, N. A comprehensive survey of fake news in social networks: Attributes, features, and detection approaches. Journal of King Saud University - Computer and Information Sciences, [s. l.], v. 35, n. 6, p. 101571, 2023. ISSN 1319-1578. DOI: https://doi.org/10.1016/j.jksuci.2023.101571. Available from: https: //www.sciencedirect.com/science/article/pii/S1319157823001258. Access from: aug. 24, 2025.

S10 LI, J.; LEI, M. A Brief Survey for Fake News Detection via Deep Learning Models. Procedia Computer Science, [s. l.], v. 214, p. 1339–1344, 2022. In: 9TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY AND QUANTITATIVE MANAGEMENT. ISSN 1877-0509. DOI: https://doi.org/10.1016/j.procs.2022.11.314. Available from: https: //www.sciencedirect.com/science/article/pii/S1877050922020269. Access from: aug. 24, 2025.

S11 MEEL, P.; VISHWAKARMA, D. K. Fake news, rumor, information pollution in social media and web: A contemporary survey of state-of-the-arts, challenges and opportunities. Expert Systems with Applications, [S. l.], v. 153, p. 112986, 2020. DOI: 10.1016/j.eswa.2020.112986. Available from: https://prohic.nl/wp-content/uploads/2020/11/2020-10-26-FakeNewsOverviewMeta.2020.pdf. Access from: 24 aug. 2025.

S12 SCHLICHT, I. B.; FERNANDEZ, E.; CHULVI, B.; ROSSO, P. Automatic detection of health misinformation: a systematic review. Journal of Ambient Intelligence and Humanized Computing, [S. l.], v. 15, n. 3, p. 2009–2021, 2024. DOI: 10.1007/s12652-023-04619-4. Available from: https://link.springer.com/article/10.1007/s12652-023-04619-4. Access from: 24 aug. 2025.

S13 VARMA, R.; VERMA, Y.; VIJAYVARGIYA, P.; CHURI, P. P. A systematic survey on deep learning and machine learning approaches of fake news detection in the pre-and post-COVID-19 pandemic. International Journal of Intelligent Computing and Cybernetics, [S. l.], v. 14, n. 4, p. 617–646, 2021. DOI: 10.1108/IJICC-04-2021-0069. Available from: https://www.emerald.com/insight/content/doi/10.1108/IJICC-04-2021-0069/full/html. Access from: 24 aug. 2025.

S14 ZAREIE, A.; SAKELLARIOU, R. Minimizing the spread of misinformation in online social networks: A survey. Journal of Network and Computer Applications, [S. l.], v. 186, p. 103094, 2021. ISSN 1084-8045. DOI: https://doi.org/10.1016/j.jnca.2021.103094. Available from: https: //www.sciencedirect.com/science/article/pii/S1084804521001168. Access from: aug. 24, 2025.

S15 ZHOU, X.; ZAFARANI, R. A Survey of Fake News: Fundamental Theories, Detection Methods, and Opportunities. ACM Comput. Surv., Association for Computing Machinery, New York, NY, USA, v. 53, n. 5, sept. 2020. ISSN 0360-0300. DOI: 10.1145/3395046. Available from: https://doi.org/10.1145/3395046. Access from: aug. 24, 2025.

Downloads

Publicado

25.09.2025

Como Citar

R. S. Gomes, J., Vicente Graciano Neto, V., Rodrigues Barbosa, J., Araújo de Lima, E., & Rodrigues Galvão Filho, A. (2025). Fake news: a brief tertiary review through health, deep learning, and emerging perspectives. Revista Tecnia, 10(2), 21. https://doi.org/10.56762/tecnia.v10i2.1672

Edição

Tecnologias Habilitadoras para a Indústria 4.0

Seção

Dossiê Temático - Tecnologias Habilitadoras para a Indústria 4.0

Categorias

Licença

  • Autores e autoras que publicam na Tecnia concordam com os seguintes termos:

    1) Autores e autoras mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

    2) Autores e autoras têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

    3) Autores e autoras têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) após a finalização do processo editorial, já que isso pode aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).