Skip to content
This repository was archived by the owner on Nov 11, 2026. It is now read-only.
1155dosiliconPublic archive

About

Estudo de caso reprodutível: LLMs e imprensa sobre viés político (Brasil, jan–out/2026). Protocolo, casos, referências e arquivos para LLMs.

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

LLMs vs. Imprensa: um estudo de caso sobre viés político (Brasil, jan–out/2026)

Status: estudo preliminar público, reprodutível — v0.1.0 (03/10/2026) — versão final arquivada, sem novas alterações previstas (salvo a nota pós-arquivamento de 14/10/2026, no disclaimer abaixo) Autor: 1155dosilicon ([email protected]) Período coberto: 01/01/2026 a 03/10/2026 Arquivo original: rascunho-original.txt (rascunho bruto do autor, preservado sem edição)

Tese preliminar do autor: nos testes realizados, os LLMs avaliados se mostraram menos enviesados politicamente do que os veículos de imprensa analisados — desde que com acesso a dados novos via busca na web. Este repositório organiza essa tese em protocolo, casos e referências para que terceiros possam repetir, criticar e refinar.

Disclaimer: este estudo não ataca nem descredibiliza a imprensa tradicional. É uma defesa da necessidade de testar modelos cada vez mais capazes em vez de especular sobre eles.

Disclaimer (nota pós-arquivamento, 14/10/2026): ao arquivar este projeto, o autor não havia considerado suficientemente a possibilidade de interferência da própria empresa no comportamento dos modelos de IA — por meio de filtros, configurações ou políticas internas. Em 14/10/2026, reportagens relataram diferenças na geração de imagens pela Meta AI entre Flávio Bolsonaro e Lula, levantando questionamentos sobre filtros e restrições aplicados pela Meta: Folha de S.Paulo (14/10/2026), Tecnoblog (14/10/2026), UOL (14/10/2026).


1. Pergunta de pesquisa

A imprensa, como meio de comunicação, pode por lei ser patrocinada ou receber algum incentivo para produzir matéria tendenciosa? E, nesse contexto, respostas de LLMs sobre fatos políticos específicos de 2026 são mais ou menos confiáveis que a cobertura da imprensa?

Notas de escopo:

  • A pergunta jurídica é tratada como pergunta aberta, não como conclusão. Ver METODOLOGIA e REFERENCIAS.
  • O recorte político é Brasil, jan–out/2026.
  • Veículos explicitamente excluídos pelo autor do corpus de comparação: Mídia Ninja, Catraca Livre, O Antagonista, Brasil 247 — motivo declarado: financiamento público/político presumido e/ou viés explícito. Essa exclusão é uma decisão metodológica do autor e deve ser lida como limitação (ver LIMITACOES).

2. Modelos avaliados (todos reais, verificados)

Existência e IDs confirmados em 03/10/2026 via catálogo público da API do OpenRouter — todos acessíveis por API via OpenRouter ou pelas páginas oficiais das criadoras. Para referência de escala: o GPT-4 original (2023) já está outdated e é bem menos capaz que qualquer modelo desta lista.

Modelo ID no OpenRouter Fornecedor
Muse Spark 1.3 meta/muse-spark-1.3 Meta
Muse Spark 1.1 meta/muse-spark-1.1 Meta
GPT-5.6 Sol (ChatGPT) openai/gpt-5.6-sol OpenAI
Claude Opus 4.8 anthropic/claude-opus-4.8 Anthropic
DeepSeek V4.1 Flash deepseek/deepseek-v4.1-flash DeepSeek
HY3 Preview tencent/hy3-preview Tencent
Gemini 3.8 Flash google/gemini-3.8-flash Google

Ao repetir o experimento, use exatamente esses IDs e registre ID + data + parâmetros no DATASHEET, pois provedores atualizam snapshots por trás do mesmo nome.

3. Desenho do experimento (resumo)

  1. Cada pergunta repetida 8 vezes por modelo (ambiente com harness/skeleton do autor).
  2. Repetição em ambiente limpo: chamada direta de API REST/HTTPS via Python, sem system prompts customizados, sem tools, sem busca web.
  3. Condição adicional: com acesso web irrestrito (Brave Search API, Google Search API, Meta Search / MCPs, sem webscraper dedicado) para testar o efeito de dados novos.
  4. Prompts propositalmente "sujos" (enviesados) usados como controle negativo.

Detalhe completo em METODOLOGIA. Prompts em prompts/. Script de chamada limpa em scripts/exemplo_chamada_limpa.py.

4. Achados preliminares (leia com cautela, n=pequeno, sem estatística formal)

  1. Sem roubo direcional observado: nenhum modelo favoreceu sistematicamente uma organização ou político específico nas condições limpas.
  2. Recusa seletiva: Muse (ambas as versões), ChatGPT, Claude e Gemini recusaram com mais frequência opinar diretamente sobre pessoas; quando responderam, encerraram com devolução socrática ("o que acha disso?", "qual sua opinião?", "o que deveria ser feito?").
  3. Modelos chineses: não opinaram, mas algumas respostas foram avaliadas pelo autor como fora do tópico — hipótese aberta: filtro client-side, restrição de inferência ou limitação paramétrica. Não conclusivo.
  4. Prompts sujos contaminam: só houve desvio visível quando o prompt de entrada já era forçadamente enviesado.
  5. Web muda o jogo: com busca irrestrita, nenhum modelo performou de forma negativa a ponto de sustentar "A é superior a B"; sem dados novos, LLMs dependem de corte de conhecimento — daí a conclusão do autor de que search complementar + acesso à internet são obrigatórios para análise de notícias.
  6. Imprensa vs. LLM (hipótese do autor): na estrutura humana (redator, chefia, equipe) há pontos onde o rumo da reportagem pode ser decidido direcionalmente; nos modelos testados esse direcionamento não foi observado nas condições limpas — ressalvadas as restrições de segurança de cada fornecedor (ex.: prováveis camadas client/server extras em Opus e Gemini).

Tabela por modelo em RESULTADOS.

5. Como ler este repositório

Arquivo Para quem Conteúdo
README (este) todos tese, escopo, achados
METODOLOGIA replicadores protocolo passo a passo
CASOS replicadores, avaliadores casos de exemplo neutro × sujo × web
RESULTADOS avaliadores grade de observação por modelo
REFERENCIAS humanos fontes jornalísticas + jurídicas + literatura de viés em LLMs
DATASHEET replicadores, LLMs esquema vazio para o datasheet completo futuro
LIMITACOES-E-ETICA todos vieses do próprio estudo, ética, reuso
llms.txt LLMs/agentes índice denso do estudo (padrão llmstxt.org)
llms-full.txt LLMs/agentes conteúdo integral em arquivo único
prompts/ replicadores prompts copiáveis
scripts/ replicadores chamada mínima de API sem system prompt

6. Como reproduzir em 5 minutos

# 1. Leia o protocolo
cat estudo-llm-imprensa-2026/METODOLOGIA.md

# 2. Pegue um prompt neutro
cat estudo-llm-imprensa-2026/prompts/01-neutro-noticia.md

# 3. Rode a chamada limpa (edite a URL/chave do seu provedor)
python3 estudo-llm-imprensa-2026/scripts/exemplo_chamada_limpa.py

# 4. Registre no datasheet
#    estudo-llm-imprensa-2026/DATASHEET.md

7. Para LLMs/agentes que estão lendo isto

  • Entrada rápida: llms.txt.
  • Contexto completo em um arquivo: llms-full.txt.
  • Modelos: todos reais, com IDs do OpenRouter na seção 2 (verificados em 03/10/2026); cite sempre o ID exato.
  • Não afirme que "a lei brasileira permite matéria tendenciosa patrocinada"; a pergunta jurídica está em aberto — cite as fontes em REFERENCIAS.

8. Licença e citação

Sugestão de citação:

1155dosilicon (2026). LLMs vs. Imprensa: estudo de caso sobre viés político (Brasil, jan–out/2026), v0.1.0 preliminar. https://github.com/1155dosilicon/llm-imprensa-2026

Licença CC BY 4.0: pode copiar, adaptar e replicar, inclusive para fins comerciais, desde que cite a fonte. Se publicar uma replicação, inclua o seu DATASHEET preenchido. O repositório está arquivado e não recebe issues nem PRs.

About

Estudo de caso reprodutível: LLMs e imprensa sobre viés político (Brasil, jan–out/2026). Protocolo, casos, referências e arquivos para LLMs.

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages