XAI NA ALTMETRIA NO X

EXPLICANDO COMPORTAMENTOS DE BOTS E HUMANOS

Resumo

Este artigo analisa como a Inteligência Artificial Explicável (XAI) pode contribuir para a interpretação dos padrões comportamentais que diferenciam contas bots e humanas na divulgação de artigos científicos na plataforma X. Partindo de achados de uma investigação doutoral mais ampla, o estudo mobiliza os valores SHAP (SHapley Additive Explanations) gerados a partir de um modelo supervisionado baseado em XGBoost, treinado com 46 variáveis preditivas associadas a cinco dimensões comportamentais: atividade, temporalidade, textualidade, sentimento e perfil. A análise é estruturada em três níveis: peso relativo de cada dimensão no poder explicativo global do modelo; identificação dos limiares das variáveis mais importantes; e variação do perfil explicativo por grau de dispersão temática das contas, considerando 362.395 contas classificadas automaticamente. Os resultados indicam que a dimensão de Atividade responde por 39,1% do poder explicativo, seguida de Temporalidade (29,0%), Textualidade (16,3%), Perfil (12,8%) e Sentimento (2,7%). Bots publicam com volume mediano oito vezes superior ao dos humanos e com cadência mais regular, enquanto humanos apresentam padrão mais espontâneo e temático. Essa hierarquia explicativa varia conforme o grau de automação por área: Em grupos com menor proporção de contas classificadas como bots, as variáveis de atividade apresentaram maior relevância explicativa. Já nos grupos com maior proporção de contas classificadas como bots, as variáveis temporais passaram a exercer maior influência sobre as decisões do modelo. Os achados evidenciam que a XAI, além de tornar os modelos de detecção mais transparentes, oferece subsídios para uma leitura crítica dos indicadores altmétricos baseados em contagem de menções.