Sim. A ferramenta foi concebida em consonância com a LGPD, com tratamento de dados necessários à finalidade institucional, controle de acesso, segurança e rastreabilidade.

Sim. A ferramenta trata apenas informações públicas estritamente necessárias à atividade institucional, como nome de usuário/perfil público, texto e URL da publicação. Não acessa conteúdo privado.

A GuaIA não armazena dados pessoais sensíveis.

Encontra-se em discussão, no âmbito do Tribunal Pleno do TRE-GO, minuta de resolução regulamentadora do GuaIA.

Sim, a GuaIA observa a Resolução CNJ nº 615/2025. Para atividades administrativas, é classificada como solução de baixo risco.

A GuaIA oferece mecanismos de elucidação que podem revelar a natureza e a intenção inerentes a uma publicação. Não sugere nem induz ao cerceamento do direito à liberdade de expressão; não tem a capacidade de retirar uma publicação do ar nem de impedir que o cidadão se manifeste.

O processo de checagem pela GuaIA permite elucidar postagens em termos fáticos, o que requer supervisão humana para obter uma análise seguida de um veredito. Após cada classificação pela IA, existe a figura do "checador", alguém que irá avaliar qual o risco de um determinado conteúdo ser inverídico (ou não) e fará a rotulação.

A GuaIA será utilizada em duas frentes:

Administrativa: análise de desinformação e atos de ilicitude contra a Justiça Eleitoral; criação de página no Portal do Tribunal com avaliação de notícias; análise de conteúdo pelo Ministério Público Eleitoral para representação.

Judicial: suporte à decisão de magistrados em processos de propaganda eleitoral e em processos judiciais diversos; suporte à atividade do MP Eleitoral em investigações.

Após o cumprimento dos requisitos da Resolução CNJ nº 615/2025, especialmente a realização da auditoria externa e análise de impacto algorítmico, os resultados gerados pela GuaIA poderão ser utilizados para instrução processual.

Para ambas as situações. Além dos processos submetidos ao Tribunal, será realizado um monitoramento da rede, gerando informações e subsídios para os operadores da justiça eleitoral, bem como permitindo ações de esclarecimento à população.

A GuaIA apenas visualiza informações públicas.

Não participam.

Isso gerará uma ação de esclarecimento à população e também poderá ter implicações judiciais.

A classificação considera três critérios objetivos: sinais de desinformação no texto, análise factual do conteúdo e probabilidade prévia de falsidade. Conhecidos como MisInformation Features, esses fatores são combinados em um escore final ponderado. Quanto maior o escore, maior o risco potencial de desinformação.

Serve apenas como alerta. A GuaIA não tem o poder de bloquear ou excluir publicações.

Sim, a Justiça Eleitoral somente pode agir quando provocada pelo Ministério Público ou por uma das partes que se sentir ofendida, além da hipótese de ação baseada no Poder de Polícia, que é bastante restrita.

Não. A GuaIA não tem essa funcionalidade. Ela se limita a oferecer mecanismos de busca, detecção e classificação.

A GuaIA não foi concebida para realizar qualquer tipo de intervenção judicial ou extrajudicial. As notificações internas são endereçadas para os operadores da justiça eleitoral, apenas.

Sim. Será juntado aos autos um relatório contendo a análise da publicação e todos os elementos técnicos que levaram ao resultado alcançado.

A GuaIA possui uma taxonomia dos diversos tipos de desinformação, que permite uma classificação mais precisa de discursos e alegações.

A GuaIA diferencia opinião política de desinformação pela natureza da mensagem: opinião expressa julgamento ou posicionamento, enquanto desinformação envolve uma alegação factual notoriamente inverídica, enganosa ou sem base verificável.

Em situações em que o resultado é inconclusivo ou há baixa probabilidade de risco de desinformação, a GuaIA não deverá ser utilizada como suporte a uma decisão administrativa ou judicial.

Os analistas poderão discordar e rotular a publicação de forma diferente daquela feita pela GuaIA.

É utilizada uma abordagem baseada em modelos de linguagem de grande escala (LLMs) abertos (open source) e outros algoritmos de redes profundas para análise de distorções e identificação de conteúdo sintético.

Foi utilizada como piloto nas Eleições 2024 para acompanhamento do processo de desinformação, que se mostrou reduzido em relação às eleições anteriores.

A GuaIA não possui vieses, preferências políticas ou algoritmos tendenciosos.

Quando houver disparos em massa e produção ou disseminação em massa de conteúdos suspeitos, a ferramenta está preparada para analisar esse tipo de fenômeno que, geralmente, ocorre com o uso de bots sociais.

Sim. Atualmente a GuaIA está sendo avaliada pelo Instituto de Aplicações em Inteligência Artificial (AIA), utilizando o processo Z-Inspection — abordagem interdisciplinar para avaliação de sistemas de IA com foco na confiabilidade ética, técnica e social, inspirada nas diretrizes da União Europeia sobre IA confiável.

Será lançado um site contendo todas as informações sobre a ferramenta.

Está em curso uma validação pela Z-Inspection, organismo internacional reconhecido por seu processo holístico e analítico na avaliação de IA confiável, observando princípios éticos e direitos fundamentais.

Sim. Medidas estão sendo adotadas para orientar análise de dados, escolha de modelos e monitoramento. O sistema utiliza a ferramenta Langfuse para monitoramento e observabilidade do modelo, permitindo acompanhar execuções, prompts, respostas e métricas de desempenho.

A sociedade poderá verificar a precisão e a confiabilidade da ferramenta por meio do site público do projeto, que reunirá informações sobre o funcionamento, os critérios utilizados e as estatísticas de desempenho.

A GuaIA não realiza classificação efetiva de postagens de forma automática, apenas estima riscos de desinformação. Informações sobre a concordância entre análises automatizadas e os resultados da elucidação humana podem aparecer, de forma anonimizada, em relatórios ou artigos científicos.

Para mitigar esse risco, foram utilizados múltiplos datasets de diferentes origens, com balanceamento entre classes, além de critérios baseados em alegações factuais, e não em posicionamentos políticos ou opiniões.

Foram utilizados diversos datasets de notícias rotuladas, totalizando mais de 40 mil textos organizados de forma balanceada entre conteúdos verídicos e inverídicos. A definição dos limiares de certeza foi realizada com um dataset controlado e equilibrado, desenvolvido pela própria equipe.

Esse risco é minimizado pela avaliação contínua dos resultados dos modelos de IA.

Sim. Os dados são armazenados em banco de dados e monitorados por meio da ferramenta Langfuse, que permite acompanhar execuções, prompts e respostas do modelo.

A equipe de desenvolvimento da ferramenta, por meio do líder técnico do projeto e líderes de equipe.

Como a GuaIA é uma ferramenta de apoio utilizada dentro de um processo de avaliação de conteúdo, os canais de contestação são os do sistema principal no qual o processo tramita.

São adotadas quatro camadas de proteção: (1) apenas dados validados por perfis autorizados (RBAC) realizam a inserção; (2) curadoria e saneamento filtra anomalias antes de chegar ao modelo; (3) isolamento de infraestrutura com containers dedicados por projeto; (4) técnicas para mitigar prompt injection, com guardrails ao longo do pipeline para detectar comportamentos suspeitos.

Os conteúdos textuais das postagens cadastradas na GuaIA são transformados em texto simples e ficam disponíveis para visualização na plataforma, o que permite a verificação da existência de comandos ou códigos especializados inseridos.

Além da autenticação e autorização por perfis, a aplicação é protegida por um firewall que restringe os ambientes autorizados a acessar os serviços e por um proxy centralizado que garante a comunicação via criptografia SSL/TLS. O armazenamento seguro dos dados é isolado para cada ambiente.

A taxa de falsos positivos é de 2,63%, correspondendo a 4 casos em 300 análises. Vale ressaltar que a GuaIA não rotula um conteúdo como "verdadeiro" — o resultado apresenta um risco potencial (muito baixo, baixo, médio, alto, muito alto) de ser inverídico.

O site público do projeto deverá reunir estatísticas de desempenho e dados agregados sobre as análises realizadas, garantindo a transparência e o acompanhamento pela sociedade.

Extração de dados: subsistema que funciona sob demanda ou com coleta contínua de publicações em redes sociais. Dados persistidos em repositório de mídias e banco de dados relacional (Postgres). Backend em Python com containers Docker.

Classificação: baseada em LLMs (GPT, Gemini, LLaMA, Qwen, Mistral) com adaptação ao domínio via RAG (Retrieval-Augmented Generation) e engenharia de prompts.

Aplicação Web: integra todos os módulos com painel de indicadores, cadastro de buscas automatizadas, gerenciamento do fluxo de análise e gestão de usuários.

A GuaIA utiliza grandes modelos de linguagem: Gemma 2 (9b), GPT 5.1, Flash 3.0, llama3.2-vision (11b), qwen3-vl (32b), gemma3 (27b), qwen2.5vl (32b), llama4 (16x17b) e mistral-small3.2 (24b) para avaliação de veracidade e classificação de mensagens no domínio de discurso de ódio e discurso antidemocrático.

O desenvolvimento utiliza Python como base, com integração a LLMs. A inferência é realizada via Ollama e APIs externas. A arquitetura segue o paradigma RAG (Retrieval-Augmented Generation). Quando aplicável, são utilizadas bibliotecas do ecossistema NLP, como Hugging Face Transformers.

Visando a contínua customização, estamos utilizando modelos open source. O modelo GPT é utilizado como proprietário apenas a título de comparação de desempenho e qualidade de retorno de análises.

O sistema utiliza uma abordagem híbrida, baseada em LLMs zero-shot combinados com dados rotulados supervisionados para avaliação e definição de limiares de decisão.

Para avaliação de expressões verbais, 300 notícias textuais resgatadas de diferentes veículos, sendo 152 verídicas e 148 inverídicas.

Ainda não existe uma massa de dados confiável, equilibrada e sem vieses suficientes para adaptar modelos pré-treinados ao contexto eleitoral brasileiro.

Existe processamento semântico profundo. Ao utilizar LLMs com arquitetura Transformers, o sistema analisa o contexto completo de uma frase por meio de mecanismos de atenção, capturando relações entre palavras e representando significado contextual — indo muito além de uma simples análise por palavras-chave.

Precisão, Recall e F1-score.

A ferramenta apresentou acurácia de 95% para avaliação de risco de inveracidade. A taxa estimada de falsos positivos na classificação de desinformação foi de 2,63%, correspondendo a 4 casos em 300 análises.

Sim. Para validação e ajuste dos limiares, foi considerado um dataset independente.

Os modelos de linguagem utilizados já incorporam robustez a variações e manipulações de linguagem, pois foram pré-treinados em grandes bases multilíngues.

Sim. Os limiares de classificação foram criados de acordo com o comportamento da fase de validação.

Sim. O desempenho da ferramenta é continuamente comparado à avaliação de checadores humanos especializados, que podem divergir do resultado apresentado pelo modelo, contribuindo para o aprimoramento contínuo da ferramenta.

Ainda em implementação. Há previsão de realizar esse tipo de avaliação quando houver uma massa maior de dados validados e curados, que permita medir a performance de forma mais consistente em diferentes plataformas digitais.

Sim. A solução prevê recursos de explicabilidade, com registro estruturado de score, justificativas textuais, atributos extraídos, lógica analítica aplicada e identificação do modelo utilizado, permitindo compreender e revisar os fundamentos técnicos de cada classificação algorítmica.

Sim. Todas as MisInformation Features (características ou features) são exibidas na interface da notícia cadastrada.

Não. O sistema não utiliza métodos formais de explicabilidade como SHAP ou LIME. A explicação da decisão é realizada por meio da análise textual gerada pelo próprio modelo de linguagem, que identifica e descreve características de desinformação presentes no conteúdo.

Sim. As explicações são textuais e compreensíveis para operadores humanos, utilizando linguagem clara e adequada ao contexto em que o sistema é aplicado.

Sim. O sistema dispõe de trilhas de auditoria que registram ações dos usuários, parâmetros operacionais, resultados, histórico das publicações e metadados da avaliação algorítmica, inclusive identificação do modelo e marcação temporal.

As decisões são probabilísticas, pois o modelo estima a probabilidade de o conteúdo apresentar elementos de desinformação com base na análise textual realizada pelo modelo de linguagem.

Sim. Toda a saída do modelo e o operacional das respostas são persistidos.

Os algoritmos de IA utilizados se baseiam em métodos e motores amplamente conhecidos. A publicação ocorre prioritariamente para garantir a transparência algorítmica e a segurança jurídica nas seguintes situações: cumprimento legal (LGPD); auditoria de alto risco; transparência pública mediante contestação ou pedido de informação (LAI); ou ordem judicial no âmbito de perícias técnicas.