Comparison of algorithms for detecting social bots in the 2018 Brazilian presidential elections using user characteristics
DOI:
https://doi.org/10.5335/rbca.v13i1.11199Keywords:
Bot, Classification, Social networks, Twitter, Elections, Machine learningAbstract
The use of social bots for political purposes has become an increasingly relevant concern and has raised warningsabout the impact on democratic discussions. This paper presents a case study on the use of bots in politicaldiscussions during the second round of the 2018 Brazilian elections, aiming to build an automatic detection modelfor bots and comparing the use of explainable and non-explainable artificial intelligence algorithms. First, adataset was built by manually labeling accounts as bots or humans. Then linear regression algorithms, randomtrees, naive Bayesian, multilayer perceptron, and random forest were applied. It was identified that even simpleand explainable algorithms, such as random tree, perform similarly to more complex algorithms such as randomforest. Using only user’s characteristics, it was possible to identify more than 46% of the bots, but all modelsshowed a precision not greater than 52% in this task.
Downloads
Downloads
Published
Issue
Section
License
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém 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.
b) Autores 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.
c) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
