Documento de análise da CpC: Cidadãos pela Cibersegurança, agosto de 2026

1. Objetivo e hipótese testada

Este estudo testou uma hipótese específica: que a inteligência artificial, ao nível de desenvolvimento em que se encontra atualmente, é capaz de detetar com facilidade discurso de ódio racista e xenófobo e que, por isso, um sistema de moderação automático poderia sinalizar e barrar esse tipo de conteúdo de forma fiável, submetendo os casos duvidosos a revisão humana de moderadores e administradores para corrigir eventuais erros de classificação.

A hipótese foi testada com uma amostra de comentários recolhidos no núcleo “Areeiro” do grupo de Facebook “Vizinhos em Lisboa” (grupo com cerca de 21 mil membros, que partilha alguns administradores com a CpC), complementada por capturas de ecrã do próprio painel de administração da Meta, que documentam como o sistema de moderação trata denúncias e palavras-chave sinalizadas.

Na falta de um mecanismo automático fiável, é legítimo questionar se a Meta está a cumprir os preceitos do Regulamento dos Serviços Digitais (Digital Services Act, DSA): o regulamento da União Europeia criado para tornar o ambiente digital mais seguro, impedir conteúdos ilegais e proteger os direitos fundamentais dos utilizadores. A tese de partida é que já existe tecnologia automática ou semiautomática ao dispor da Meta que lhe permitiria fazer esta triagem de forma consistente.

2. Metodologia e amostra

Os comentários foram recolhidos e revistos ao longo do período de atividade do grupo entre 25/07/2026 e 20/08/2026, em três lotes sucessivos de capturas de ecrã (secções de comentários públicas e painel de administração). Os três lotes foram depois consolidados num corpus único de 50 comentários com conteúdo verbal analisável (excluindo reações sem texto, stickers e comentários vazios de conteúdo classificável).

Limitação metodológica central. Apenas um pequeno subconjunto das capturas (as que foram colocadas na fila “Para revisão” com contagem de palavras-chave ou denúncias explícitas registadas) confirma que o sistema da Meta efetivamente sinalizou o comentário. A maioria dos comentários da amostra era publicamente visível em seções de comentários normais, sem confirmação de que tenha sido avaliada ou removida por qualquer sistema automático. Isto é, em si, um dado relevante: significa que uma parte substancial do discurso mais problemático da amostra nunca chegou sequer a ser processada por um classificador: o que já limita à partida qualquer conclusão sobre a “facilidade” de deteção.

Note-se ainda que esta é uma amostra de conveniência (não aleatória) e de pequena dimensão (N=50). Os números que se seguem servem para ilustrar padrões, não para inferência estatística generalizável.

2.1 Dimensão da amostra face ao volume real do grupo

No mesmo grupo, o painel de estatísticas da Meta (Meta Business Suite Insights, métrica “Comentários”) regista 4.750 comentários no período 25/07–20/08/2026 (27 dias), um aumento de +72% face ao período anterior (28/06–24/07/2026). A média diária do mês ronda os 176 comentários/dia; a última semana completa disponível no gráfico (14–20/08) foi excecionalmente ativa, com cerca de 1.720 comentários (~246/dia em média), seguida de um colapso abrupto de atividade a 19–20/08 devida à moderação do próprio grupo nas duas publicações que geraram mais polémica (o vandalismo de um cartaz do CHEGA na Praça de Londres e a associação da presença de um grupo de estrangeiros a um surto local de baratas).

Os 50 comentários da amostra representam, portanto:

• ~2,9% do total de comentários da semana mais ativa do período (50 / ~1.720);
• cerca de um quinto do volume médio de um único dia dessa mesma semana (50 / 246 ≈ 20%);
• ~1,1% do total de comentários do período de quase um mês (50 / 4.750).

A amostra analisada é, portanto, reduzida face ao volume real de atividade do grupo e não chega a cobrir um dia médio de comentários na semana mais intensa do período observado. Isto é relevante para contextualizar o alcance da hipótese testada: se 50 comentários já foram suficientes para ilustrar falhas na deteção automática, o universo de comentários não analisados no mesmo período é dezenas de vezes maior, o que sugere que o problema identificado na amostra não é necessariamente um caso isolado.

3. O que a amostra mostra, por categoria

Categoria	N	%
Insulto político-partidário genérico	13	26,0%
Insulto pessoal (sem base protegida)	12	24,0%
Insulto político dehumanizante	5	10,0%
Dismissivo/genérico	4	8,0%
Insulto pessoal com metáfora animal	4	8,0%
Insulto institucional (corrupção)	3	6,0%
Ódio étnico/racial explícito	2	4,0%
Antirracista/irónico (falso positivo potencial)	2	4,0%
Ódio codificado (sem nomear grupo)	1	2,0%
Ameaça velada	1	2,0%
Trivialização de violência	1	2,0%
Nativismo vago	1	2,0%
Neutro	1	2,0%
Total	50	100%

3.1 Os casos em que a hipótese se confirma

Apenas dois comentários (4,0% da amostra) constituem discurso de ódio étnico ou racial inequívoco e diretamente identificável por um classificador semântico: o que associa “Romenos” a “baratas”, e o que descreve pessoas de etnia cigana como “raça rafeira sem escrúpulos”. Ambos combinam a nomeação explícita de um grupo protegido com uma metáfora desumanizante direta: exatamente o padrão que a literatura sobre deteção automática de discurso de ódio identifica como o caso mais fácil de classificar. Não surpreende que sejam também os únicos dois casos em que a hipótese inicial (a de que a IA deteta este tipo de discurso com facilidade) se confirma sem reservas.

3.2 Onde a hipótese falha: falsos negativos

Um terceiro caso (2,0% da amostra): a alusão a “ratos” que “se reproduzem” e a recomendação de que “continuem assim”, ilustra o problema oposto: é quase certamente uma referência à retórica de infestação associada a comunidades imigrantes ou ciganas, mas, isolado do fio da conversa, não nomeia qualquer grupo. É o género de discurso de ódio codificado que tende a escapar sistematicamente à deteção automática por não conter nenhuma palavra-chave proibida, e que só um classificador com acesso ao contexto completo da conversa (ou através da revisão humana) conseguiria identificar corretamente.

3.3 A zona cinzenta: dehumanização sem grupo protegido

A esmagadora maioria da amostra (94,0%, 47 em 50 comentários) não constitui discurso de ódio no sentido legal do termo, ainda que seja frequentemente agressiva, grosseira ou dehumanizante. Contam-se aqui insultos político-partidários genéricos (ataques a “esquerdalha”, ao “CHEGA”, a “comunistas” ou a apoiantes de um ou outro partido: 26,0%), insultos pessoais sem base em característica protegida (acusações de infidelidade, comentários sobre aparência ou cheiro, alcunhas depreciativas (24,0%), ameaças de violência física não qualificadas (2,0%, “um par de facadas bem dadas nas trombas”), e, de forma particularmente reveladora para o objetivo desta análise de dehumanização metafórica dirigida a indivíduos ou grupos políticos concretos através de comparação animal (“ratazanas”, “cão”, 8,0% quando dirigida a indivíduos, mais 10,0% quando integrada em insulto político dehumanizante), sem que o alvo seja uma categoria étnica, religiosa ou nacional protegida.

Um terço da amostra total (32,0%, 16 comentários) recorre a alguma forma de metáfora animal ou desumanizante (barata, rato, cão, touro, cornos, suíno, carneiro) mas a esmagadora maioria desses casos dirige-se a indivíduos ou grupos políticos identificáveis, não a categorias étnicas protegidas. É precisamente a zona cinzenta onde a lei de discurso de ódio não se aplica, ainda que o efeito social possa ser comparável.

Este grupo merece destaque porque testa o limite oposto da hipótese inicial. Num dos casos documentados, um comentário que classifica três membros identificáveis de um grupo cívico como “ratazanas” foi denunciado por um utilizador e, na decisão de moderação registada, a opção escolhida foi “Remover” embora do ponto de vista estritamente legal, esta decisão pudesse ter sido “Manter”: falta o elemento identificativo direto do grupo protegido que caracteriza o discurso de ódio na aceção da Diretiva 2000/43/CE (que exige a identificação de um grupo definido por raça ou origem étnica) e dos critérios habitualmente usados pelas próprias políticas de conteúdo da Meta. Mas o efeito cumulativo, quando comparado com a remoção automática e imediata de uma petição cívica legítima sob a política de “Cibersegurança”, num caso documentado separadamente pela CpC sobre o subgrupo Vizinhos de Santo António, onde uma publicação com o texto de uma petição parlamentar sobre venda de estupefacientes na Baixa de Lisboa foi removida com o fundamento de que “é possível que a publicação esteja a tentar recolher informações sensíveis de outras pessoas” é a perceção de um sistema que aplica critérios inconsistentes: mais permissivo com dehumanização política explícita do que com conteúdo cívico inócuo classificado erradamente como recolha de dados sensíveis. (O mesmo ecossistema “Vizinhos em Lisboa” partilha regularmente outras petições cívicas, como a relativa ao reservatório elevado da Penha de França; não há, contudo, confirmação de que essa petição em concreto tenha sido também removida sendo que o caso documentado de remoção automática refere-se especificamente à petição sobre venda de droga na Baixa.)

3.4 Falsos positivos: quando o filtro apanha quem denuncia o ódio

Um segundo achado relevante, e talvez o mais instrutivo do ponto de vista de desenho de sistemas de deteção: dois comentários (4,0%) são genuinamente antirracistas e irónicos, citando as próprias palavras “baratas” e “Romenos” para as ridicularizar. Um destes casos foi efetivamente sinalizado pelo filtro de palavras-chave do próprio grupo, exatamente pelas mesmas razões que apanhariam o discurso de ódio original. Isto demonstra, com um exemplo concreto e reproduzível, o limite estrutural da deteção por palavra-chave sem compreensão de intenção ou contexto: o mesmo mecanismo, no fundo, que classificou uma petição parlamentar sobre venda de estupefacientes como tentativa de “recolher informações sensíveis de outras pessoas”.

4. Dados complementares: quem escreve e como

Dos 50 autores identificáveis:

Género aparente	N	%
Masculino	37	74,0%
Feminino	10	20,0%
Indeterminado	3	6,0%

Cruzando género com uso de dehumanização (metáfora animal/étnica): 21,6% dos homens (8/37) recorrem a este recurso, contra 10,0% das mulheres (1/10), sendo certo que se trata de pequena amostra para conclusões robustas, mas que aponta numa direção que sugere maior incidência masculina.

Campos semânticos mais frequentes (uma mesma mensagem pode ativar mais do que um campo, pelo que as percentagens não somam 100%):

Campo semântico	Comentários com o campo	% da amostra
Dehumanização animal (barata/rato/cão/touro/cornos/suíno/carneiro)	16	32,0%
Político-partidário (esquerda/CHEGA/censura/democracia)	13	26,0%
Corrupção/parasitismo	6	12,0%
Insulto de inteligência (parvo/burro/neurónios)	6	12,0%
Escatológico (merda/caralho)	6	12,0%

Palavras mais frequentes (492 palavras-conteúdo no total):

Palavra	N	% do léxico
merda	5	1,02%
chega	4	0,81%
baratas	4	0,81%
vento	4	0,81%
esquerda	4	0,81%
andam	4	0,81%
romenos	3	0,61%
medo	3	0,61%

Erros ortográficos/gramaticais: 9/50 comentários (18,0%) têm pelo menos um erro identificável (“cabroës”, “eneficiência”, “intgernet”, “bue cartas”, entre outros). Não há associação clara entre erro gramatical e categoria de conteúdo: ao contrário do que por vezes se assume informalmente, a agressividade do discurso não correlaciona de forma visível com o nível de correção linguística.

Comprimento: a média geral é de 17,7 palavras por comentário (mínimo 3, máximo 72). Os três comentários de ódio explícito ou codificado têm, em média, 20,0 palavras, ligeiramente mais longos, plausivelmente por incluírem justificação retórica adicional; o resto da amostra (47 comentários) fica nos 17,5 em média.

5. O que a literatura sobre amplificação algorítmica acrescenta

A investigação jornalística e académica sobre o funcionamento dos sistemas de recomendação e moderação da Meta e do YouTube ajuda a situar os resultados desta amostra portuguesa num quadro mais amplo, e explica por que razão a deteção de conteúdo problemático continua a falhar de forma sistemática mesmo quando já existe tecnologia de classificação semântica mais avançada.

Myanmar:

Entre 2014 e 2018, a Meta manteve durante anos uma capacidade de moderação em língua birmanesa manifestamente insuficiente: um único moderador birmanês, sediado em Dublin, cobria todo o país em 2014; em 2015 esse número subiu para dois, e para quatro no final do ano. Já em 2015, peritos externos da sociedade civil birmanesa (nomeadamente David Madden, da associação local Phandeeyar) alertaram diretamente a Meta, comparando explicitamente o papel da plataforma no país ao da rádio no Ruanda durante o genocídio de 1994. Paralelamente, o programa Instant Articles, lançado no país em 2015–2016, remunerava sites de notícias segundo o volume de cliques e partilhas gerado, sem qualquer critério de veracidade: em 2015, antes da chegada do programa, 6 dos 10 sites com mais interações no Facebook local eram meios de comunicação legítimos; um ano depois de o Instant Articles chegar ao país, esse número caiu para 2 em 10; por 2018, os 10 principais eram todos classificados como sites de notícias falsas ou sensacionalistas. Quando finalmente reagiu, em 2017, ao uso da palavra birmanesa “kalar” como insulto racista contra os Rohingya, a Meta baniu indiscriminadamente o termo de toda a plataforma, sem perceber que a mesma sequência de carateres integra também palavras do vocabulário corrente birmanês em contextos completamente inofensivos, como “cadeira” (katar htaing) ou “ervilha partida” (kalar pae): o que deu origem a remoções em massa de conteúdo inócuo e, ironicamente, a novas formas de contornar o filtro. Este episódio é, em escala e gravidade totalmente distintas, o mesmo mecanismo de falha que a amostra portuguesa documenta: deteção por palavra-chave sem compreensão semântica ou contextual, que produz simultaneamente sobre-remoção de conteúdo inofensivo e sub-deteção persistente do problema real.

Brasil:

Documentação jornalística e académica (incluindo a reportagem “YouTube, the Great Radicalizer” da socióloga Zeynep Tufekci, no New York Times, e a cobertura da BuzzFeed News sobre “os youtubers do Congresso”) descreve como os algoritmos de recomendação do YouTube, otimizados para maximizar tempo de visualização, impulsionaram a partir de 2017–2018 a visibilidade de criadores de conteúdo político de direita muito para além do seu alcance orgânico, sendo o caso melhor documentado o de Kim Kataguiri, cofundador do Movimento Brasil Livre, que chegou ao Congresso em 2018 apoiado numa base de seguidores construída largamente através do YouTube. Documentos internos da Meta e nomeadamente uma análise interna de 2016 (“Rising Threat of Network Contagion”), que foi tornada pública em 2020 pelo Wall Street Journal, e reforçada posteriormente por revelações da denunciante Frances Haugen em 2021 reconhecem que 64% de todas as adesões a grupos extremistas na plataforma, em 2016, resultavam diretamente dos seus próprios sistemas de recomendação. É uma admissão interna que precede em vários anos qualquer resposta regulatória significativa.

6. Síntese: o que a amostra deste grupo de Lisboa confirma e o que refuta

A hipótese de que a IA atual deteta com facilidade discurso de ódio racista e xenófobo confirma-se apenas nos casos mais explícitos e literais: onde o grupo protegido é nomeado e a metáfora desumanizante é direta. Nesses casos (4,0% da amostra), a deteção automática seria efetivamente trivial para qualquer classificador semântico moderno.

Mas a hipótese falha em dois sentidos simultâneos e opostos: por um lado, falsos negativos sistemáticos perante discurso de ódio codificado ou dependente de contexto conversacional; por outro, falsos positivos que penalizam tanto conteúdo cívico legítimo (a petição sobre venda de droga na Baixa, removida sob a política de “Cibersegurança”) como discurso explicitamente antirracista que reutiliza vocabulário sensível para o contestar. Num terceiro plano, observa-se uma inconsistência de critério entre dehumanização política e conteúdo cívico neutro (removido automaticamente), que não decorre de qualquer distinção legal coerente, mas antes da forma como os classificadores de palavra-chave estão calibrados e conseguem compreender o contexto e a integração do comentário na publicação original.

O caso do Myanmar mostra que esta falha dupla, longe de ser uma limitação temporária ou uma imperfeição menor de calibração, é uma característica estrutural do desenho destes sistemas quando a moderação por palavra-chave substitui a compreensão semântica e contextual e que essa falha pode ter consequências que vão da irritação de um utilizador com uma petição cívica removida por engano até à cumplicidade documentada num processo de limpeza étnica. O caso do Brasil mostra, complementarmente, que o problema não se limita à moderação reativa: os próprios sistemas de recomendação, otimizados para envolvimento, amplificam de forma ativa o conteúdo mais indignado ou mais extremo, antes de qualquer classificador de discurso de ódio entrar em ação.

7. Recomendações à União Europeia e à ANACOM

1: A avaliação de risco sistémico exigida às plataformas de muito grande dimensão pelo artigo 34.º do Regulamento (UE) 2022/2065 (DSA) deveria incluir uma auditoria periódica e independente da capacidade linguística e contextual das equipas de moderação por Estado-Membro e por língua, com divulgação pública de rácios moderadores/utilizadores. O caso do Myanmar demonstra que a ausência desta capacidade é fator causal direto de dano sistémico grave; a amostra portuguesa sugere que o mesmo défice de compreensão contextual, em escala e gravidade incomparáveis, está presente na moderação de conteúdo em português.

2: A distinção entre deteção lexical (por palavra-chave) e deteção semântica (por intenção e contexto) deveria ser um requisito mínimo de qualidade exigível às plataformas de muito grande dimensão ao abrigo do artigo 34.º do DSA. O caso do comentário antirracista sinalizado pelas mesmas palavras que denunciava é prova concreta de que a deteção puramente lexical produz resultados que prejudicam precisamente o discurso que pretende proteger: um risco sistémico na aceção da norma, não um efeito colateral menor.

3: O artigo 17.º do DSA, que exige exposição de motivos clara e específica para cada decisão de moderação, deveria ser interpretado como exigindo indicação explícita do mecanismo de deteção utilizado (lexical ou semântico) sempre que a decisão resulte de meios automatizados. Isto permitiria ao utilizador contestar com fundamento apropriado e ao regulador escrutinar a proporção de decisões assentes em cada tipo de mecanismo, reduzindo a assimetria de informação que atualmente torna qualquer recurso quase impossível de fundamentar.

4: Dado que a amostra revela tolerância aparentemente maior para dehumanização política de indivíduos e grupos identificáveis do que para conteúdo cívico neutro removido automaticamente, há motivo para questionar formalmente a Meta (através da ANACOM, enquanto Coordenador de Serviços Digitais em Portugal, ou diretamente através do Parlamento Europeu) sobre os critérios internos que distinguem estas duas situações, e sobre se essa distinção resulta de política deliberada e proporcional ou de calibração de sistema não escrutinada externamente.

5: Tendo em conta que a evidência internacional mostra que sistemas de recomendação otimizados exclusivamente para envolvimento tendem a amplificar sistematicamente conteúdo mais extremo, os reguladores deveriam considerar exigir, ao abrigo do artigo 35.º do DSA (mitigação de riscos), a divulgação de métricas alternativas de sucesso algorítmico que integrem qualidade e veracidade: sob pena de o problema de moderação reativa continuar a ser tratado apenas a jusante de um sistema desenhado, a montante, para produzir precisamente o resultado que a moderação tenta depois corrigir.

6: A amostra documenta uma lacuna distinta das anteriores: quando um administrador de grupo tem ativadas as ferramentas de moderação proativa da Meta (alerta por palavra-chave, aprovação prévia de comentários), a única ação disponível perante um comentário que configure, pela sua gravidade, um ilícito criminal — ameaça (artigos 153.º e 155.º do Código Penal, este último quando a ameaça é de crime contra a vida, a integridade física, a liberdade ou bem patrimonial de valor elevado) ou incitamento ao ódio e à violência em razão de raça, etnia ou origem nacional (artigo 240.º do Código Penal) — é “manter” ou “recusar/bloquear” o próprio comentário. Não existe, dentro dessa mesma ferramenta, uma via para sinalizar à Meta que o conteúdo recusado ultrapassa uma simples infração aos Padrões da Comunidade e configura um indício de ilícito penal com potencial relevância para as autoridades.

Esta lacuna tem cobertura legal dupla e é, por isso, tecnicamente corrigível dentro do quadro já em vigor. Por um lado, o artigo 16.º do DSA obriga os prestadores de serviços de alojamento a disponibilizar a qualquer particular ou entidade um mecanismo de fácil acesso e utilização para notificar a presença de conteúdo especificamente identificado como ilegal, mecanismo esse que deve permitir apresentação por via eletrónica e ser processado de forma atempada, diligente, não arbitrária e não discriminatória, nos termos do artigo 20.º, n.º 4. O que a CpC documentou — tanto no caso da denúncia de dehumanização mantida sem resposta fundamentada (secção 3.3) como no caso da petição do “louro prensado” removida sem número de processo, prazo ou possibilidade de acompanhamento — é que, na prática, esta obrigação processual não está a ser cumprida em nenhum sentido: nem quando o utilizador denuncia conteúdo que devia ser removido, nem quando é o próprio conteúdo do utilizador que é removido por engano. Um mecanismo específico de sinalização de ilícito penal, distinto da simples opção binária “manter/recusar” das ferramentas de administração de grupo, e que gerasse obrigatoriamente um identificador de caso com prazo de resposta (SLA) e estado consultável, seria a forma mais direta de dar cumprimento ao artigo 20.º, n.º 4, precisamente no tipo de caso — ameaça ou incitamento ao ódio explícitos — em que a urgência da resposta é maior.

Por outro lado, o artigo 18.º do DSA impõe às plataformas em linha um dever autónomo e mais exigente: quando tomam conhecimento de informação que suscite a suspeita de uma infração penal que envolva uma ameaça à vida ou à segurança de pessoas, devem informar prontamente as autoridades policiais ou judiciárias do Estado-Membro competente, fornecendo toda a informação pertinente de que disponham. Este dever não depende de o utilizador ter feito, ele próprio, uma denúncia formal — basta que a plataforma “tome conhecimento”. Mas se a única interface disponível ao administrador de grupo para reportar um comentário deste tipo é uma opção de moderação de conteúdo (ocultar/recusar) que não distingue gravidade nem cria registo formal, então a Meta está, na prática, a desenhar o seu próprio sistema de forma a nunca “tomar conhecimento” no sentido exigido pelo artigo 18.º: o comentário é simplesmente apagado da vista, sem qualquer sinalização de que possa conter uma ameaça credível que devesse ser encaminhada às autoridades portuguesas competentes (PJ, PSP/GNR ou Ministério Público, consoante a natureza do ilícito). Isto tem uma consequência prática relevante para o utilizador que modera de boa-fé: ao “resolver” o problema com um simples bloqueio, o administrador acaba, sem essa ser a sua intenção, a eliminar o único registo que poderia servir de prova em caso de participação criminal apresentada em paralelo pela vítima.

Adicionalmente, o artigo 22.º do DSA prevê um estatuto de “sinalizador de confiança” (trusted flagger), atribuído pelo Coordenador dos Serviços Digitais a entidades com especial competência e cuja atividade de sinalização deva ser tratada com prioridade e sem demora injustificada pelas plataformas de muito grande dimensão. Nada no Regulamento impede a ANACOM de considerar, no âmbito da sua margem de apreciação, se administradores de grupos cívicos de grande dimensão — ou organizações civis que os apoiem, como a CpC — deveriam ter acesso facilitado a este estatuto ou a um mecanismo funcionalmente equivalente, precisamente para o tipo de conteúdo (ameaças, incitamento ao ódio) em que o intervalo entre deteção e resposta tem maior relevância para a segurança das pessoas visadas.

A CpC solicita, por isso, à ANACOM que questione formalmente a Meta sobre a existência (ou ausência) de um canal de sinalização de ilícito penal distinto da moderação de conteúdo comum, com número de caso, SLA e possibilidade de encaminhamento às autoridades nos termos do artigo 18.º do DSA; e que pondere, junto da Comissão Europeia, se o atual desenho dos artigos 16.º e 20.º — pensado sobretudo para litígios sobre remoção de conteúdo — cobre adequadamente o cenário inverso, em que é a ausência de um canal de escalonamento para conteúdo manifestamente criminoso que constitui a falha sistémica a corrigir.

8. O incumprimento do DSA à luz desta amostra

Esta análise reforça, com evidência adicional, o quadro de incumprimento que a CpC já identificou formalmente no caso da petição do “louro prensado” (ver documento “Bloqueado por cibersegurança”). O artigo 17.º do Regulamento (UE) 2022/2065 exige uma exposição de motivos clara e específica sempre que uma decisão de moderação seja tomada, incluindo indicação de meios automatizados e vias de recurso; os casos aqui analisados, em que decisões de “manter” ou remover por parte das moderações destes grupos nas plataformas Meta assentam em critérios humanos de difícil consistência em grupos muito ativos com milhares de comentários por semana, tornam ainda mais premente a exigência de que essa exposição de motivos seja, na prática, informativa e não meramente formal.

O artigo 34.º, relativo à avaliação de riscos sistémicos por parte de prestadores de serviços intermediários de muito grande dimensão, obriga a considerar riscos para o discurso cívico e para a liberdade de expressão; o exemplo do comentário antirracista sinalizado pelas próprias palavras que denunciava é uma demonstração empírica de um risco sistémico não mitigado, decorrente do desenho técnico do sistema de deteção.

O artigo 35.º, que impõe medidas de mitigação proporcionadas a estes riscos, permanece de aplicação questionável enquanto a Meta não divulgar dados verificáveis sobre a precisão dos seus classificadores em português e sobre os critérios de calibração entre diferentes categorias de discurso ofensivo.

Em suma: a amostra não confirma nem refuta de forma simples a ideia de que “a IA já consegue” detetar discurso de ódio; confirma-a apenas para os casos mais grosseiros e literais (4,0% da amostra), e revela, para todo o resto, um padrão de erro duplo (sob-deteção de ódio codificado e sobre-deteção de conteúdo cívico e antirracista) que é, em si mesmo, o argumento mais forte a favor de supervisão regulatória mais exigente e mais transparente sobre os sistemas automatizados de moderação em Portugal.

---

Notas metodológicas e fontes

Amostra e categorização: análise de conveniência, N=50, categorias atribuídas por um pequeno grupo de analistas da CpC, pelo que os números ilustram padrões mas não permitem inferência estatística generalizável.

Volume do grupo: Meta Business Suite Insights, métrica “Comentários”, 25/07–20/08/2026; valores diários estimados por leitura de gráfico (ver nota de dados dedicada).

Myanmar: moderação e Instant Articles: Erin Kissane, “Meta in Myanmar, Part I: The Setup” e “Part II: The Crisis”; Reuters, reportagens sobre moderação em língua birmanesa.

Myanmar: banimento de “kalar”: Global Voices Advox, “Facebook Bans Racist Word ‘Kalar’ in Myanmar, Triggers Collateral Censorship”.

Estatística de 64% (adesão a grupos extremistas via recomendação): reportagem do Wall Street Journal (2020) sobre investigação interna da Facebook “Rising Threat of Network Contagion” (2016); ver também MIT Technology Review, “Frances Haugen says Facebook’s algorithms are dangerous” e Engadget, “Facebook’s own research warned its algorithms exploit ‘divisiveness’”.

Brasil: YouTube e radicalização: Zeynep Tufekci, “YouTube, the Great Radicalizer” (comentário sobre o artigo original no New York Times); BuzzFeed News, “Brazil’s Congressional YouTubers”; Kim Kataguiri, Wikipédia.

Base jurídica: Regulamento (UE) 2022/2065 (Digital Services Act), artigos 17.º, 34.º e 35.º; Diretiva 2000/43/CE (igualdade de tratamento independentemente da origem racial ou étnica — um diploma com 19 artigos, sem artigo 21.º; a referência à ausência de “grupo protegido” reporta-se ao âmbito de aplicação geral da diretiva, não a um artigo específico).