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

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.