Detecção de deepfakes em redes sociais por inteligência artificial: análise comparativa de técnicas e impacto da compressão

Abstract

O avanço dos modelos de inteligência artificial generativa viabilizou a produção de conteúdos sintéticos altamente realistas, conhecidos como deepfakes, que se disseminam rapidamente em plataformas como Instagram, TikTok, YouTube e X. Este artigo analisa as principais técnicas baseadas em Inteligência Artificial (IA) para detecção de deepfakes em redes sociais, avaliando eficácia, limitações e vulnerabilidades em condições reais de uso. A pesquisa adota abordagem de revisão bibliográfica comparativa de natureza qualitativa, com análise quantitativa indireta baseada em resultados reportados na literatura científica indexada em IEEE Xplore, ACM Digital Library e Google Scholar (2018–2024). Foram analisadas quatro abordagens: Redes Neurais Convolucionais (CNNs), Transformadores de Visão (ViT), rPPG e análise espectral, avaliadas por métricas como Acurácia, Precisão, Recall, F1-Score e AUC-ROC sobre os conjuntos de dados FaceForensics++, DFDC e Celeb-DF. Os resultados mostram que nenhuma técnica isolada supera as demais em todos os cenários avaliados, sendo a compressão de vídeo aplicada pelas plataformas o principal fator de degradação dos detectores. Como complemento à revisão bibliográfica, foi conduzido um experimento de verificação empírica que quantificou a degradação de sinais visuais sob compressão progressiva, corroborando os achados da literatura. A principal contribuição deste trabalho é consolidar comparativamente técnicas recentes considerando especificamente o impacto da compressão e do ambiente de redes sociais sobre o desempenho dos modelos. Conclui-se que abordagens híbridas e multimodais com generalização entre domínios representam o caminho mais promissor para a detecção eficaz de deepfakes em ambientes digitais públicos. Palavras-chave: deepfakes; detecção por inteligência artificial; redes sociais; segurança da informação; aprendizado profundo.

The advancement of generative artificial intelligence models has enabled the production of highly realistic synthetic content, known as deepfakes, which spread rapidly across platforms such as Instagram, TikTok, YouTube, and X. This article analyzes the main AI-based techniques for deepfake detection on social media, focusing on effectiveness, limitations, and vulnerabilities under real-world conditions. The research adopts a comparative bibliographic review of qualitative nature, supported by indirect quantitative analysis based on results reported in the scientific literature indexed in IEEE Xplore, ACM Digital Library, and Google Scholar (2018 2024). Four main approaches were analyzed: Convolutional Neural Networks (CNNs), Vision Transformers (ViT), rPPG, and spectral analysis, evaluated through Accuracy, Precision, Recall, F1-Score, and AUC-ROC metrics on the FaceForensics++, DFDC, and Celeb-DF datasets. Findings indicate that no single technique outperforms the others across all evaluated scenarios, with video compression applied by social media platforms being the primary factor degrading detector performance. As a complement to the literature review, an empirical verification experiment was conducted to quantify the degradation of visual signals under progressive compression, corroborating the findings reported in prior work. The main contribution of this work is a comparative consolidation of recent detection techniques, with specific focus on how compression and the social media environment affect model performance. It is concluded that hybrid and multimodal approaches combined with cross-domain generalization strategies represent the most promising path for effective deepfake detection in public digital environments. Keywords: deepfakes; artificial intelligence detection; social media; information security; deep learning.