Para mudar o lado da maioria numa rede social, não é preciso alterar diretamente a opinião de ninguém. Basta que os algoritmos de recomendação sugiram novas conexões nos lugares certos. É o que mostra um estudo com simulações em redes reais, publicado nesta quinta-feira (15) no repositório arXiv, ainda sem revisão por pares, por quatro pesquisadores do Instituto de Informática e Telemática do Conselho Nacional de Pesquisa da Itália (IIT-CNR), em Pisa.
No artigo Rewiring the Majority: Structural Median Opinion Control in the Friedkin-Johnsen Model, Elisabetta Biondi, Chiara Boldrini, Andrea Passarella e Marco Conti analisam o poder dos recursos de “quem seguir” das plataformas digitais. Em vez de tentar mudar a opinião de pessoas específicas, eles mediram o efeito de acrescentar novas ligações entre perfis (quem segue quem) sobre a opinião que a rede atinge quando se estabiliza.
Em bases de dados reais de discussões políticas, a inclusão direcionada de conexões inverteu a posição da maioria com um acréscimo de 5% a 27% sobre o total original de ligações. No cenário mais polarizado, a estratégia virou a maioria onde todas as técnicas testadas para agir sobre usuários individualmente haviam falhado.
Por que a mediana importa mais que a média
Para simular a evolução das opiniões, a equipe usou o modelo proposto pelos sociólogos Noah Friedkin e Eugene Johnsen em 1990. Modelos anteriores previam que toda discussão termina em consenso. O de Friedkin-Johnsen atribui a cada pessoa dois parâmetros: uma opinião inata, à qual ela continua parcialmente presa, e um grau de suscetibilidade à influência dos perfis que acompanha. É essa combinação que reproduz a polarização persistente observada nas plataformas.
A maior parte das pesquisas sobre controle de opinião buscava deslocar a média da rede. O problema, apontam os autores com base em um trabalho de 2025 sobre dinâmicas eleitorais, é que a média pode subir ou cair só porque uma minoria ficou mais radical, sem que a maioria mude de lado. Em eleições, referendos ou disputas de reputação, quem decide é a mediana: a posição que divide a população exatamente ao meio.
Interativo
Média e mediana não contam a mesma história
Nove pessoas, com opiniões numa escala de 0 a 1. Quem fica acima de 0,5 está de um lado; quem fica abaixo, do outro. Arraste os pontos ou use os botões.
Algoritmos de recomendação contra um problema intratável
Os pesquisadores provam que escolher o conjunto exato de novas conexões capaz de levar a mediana além de 0,5, numa escala de opinião que vai de 0 a 1, é um problema NP-difícil. Na ciência da computação, o termo designa problemas para os quais não se conhece método capaz de encontrar a solução ótima em tempo razoável quando a rede cresce. A dificuldade está no número de combinações possíveis de conexões e persiste mesmo no caso mais simples, com opiniões restritas a 0 ou 1 e todos os usuários igualmente suscetíveis. Os métodos aproximados enfrentam ainda outro complicador: cada nova conexão reduz o peso relativo de todos os perfis que o usuário já seguia.
Para contornar o obstáculo, o grupo desenvolveu duas famílias de algoritmos. A primeira usa otimização matemática contínua, com variantes que levam o nome das funções Huber e sigmoide. A segunda reúne heurísticas rápidas que consideram a opinião de cada usuário (OAES e OAES-Aware) e exigem um único cálculo do equilíbrio da rede.
A lógica das heurísticas é localizar usuários com opinião próxima de 0,5 e recomendar que passem a seguir fontes mais alinhadas ao resultado desejado do que os perfis que já acompanham. A variante OAES-Aware dá preferência a fontes firmemente alinhadas a esse resultado.
Simulador
Vire a maioria só com sugestões de quem seguir
Uma rede fictícia de 24 perfis. À esquerda, um grupo com opiniões perto de 0; à direita, outro perto de 1; no meio, seis perfis indecisos. Ninguém muda de opinião por ordem: cada perfil só mistura a própria opinião com a média de quem segue. Toque em um perfil e depois em outro para fazer o primeiro passar a seguir o segundo.
Simulação com o modelo Friedkin-Johnsen e a suscetibilidade usada no estudo (0,8). A sugestão do algoritmo segue a lógica da heurística OAES-Aware: escolhe o perfil mais perto de 0,5 e indica uma fonte mais favorável que as que ele já segue. A rede é ilustrativa e não reproduz os números do artigo. A seta aponta para quem é seguido.
O efeito em redes políticas reais
A diferença entre convencer indivíduos e redesenhar conexões aparece nos testes com três bases de dados reais: 1.224 blogs políticos dos Estados Unidos ligados por 19.184 hiperlinks (Polblogs), uma rede do Reddit com 553 usuários e 17.938 conexões e uma amostra do Twitter, hoje X, com 548 contas e 7.276 ligações. As duas últimas levam o nome de Uthsav Chitra, que as usou com Christopher Musco num estudo de 2020 sobre bolhas de filtro.
No Reddit, onde a mediana inicial já estava perto da linha divisória, um acréscimo de 5% nas conexões bastou para inverter a maioria. No Twitter, com distância inicial maior, foram necessários 27%.
Gráfico
Quanto de rede nova foi preciso para virar a maioria
Conexões adicionadas, em relação ao total original, até a mediana passar de 0,5. Melhor método em cada rede.
Fonte: Biondi, Boldrini, Passarella e Conti (IIT-CNR), arXiv:2610.21933. Suscetibilidade igual para todos os perfis (0,8).
O caso mais revelador foi o da blogosfera política americana. Segundo os autores, como os blogs se dividem em comunidades ideológicas que quase só se linkam entre si, tornar alguns usuários mais ou menos influenciáveis pouco altera a influência de um grupo sobre o outro. Nenhum método de intervenção individual testado virou a mediana nessa rede. A intervenção estrutural, ao criar ligações diretas entre as comunidades, inverteu a maioria com cerca de 11% a mais de links.
Os testes com o modelo de blocos estocásticos (SBM), que simula comunidades fechadas, mostram que as bolhas agem nos dois sentidos. Quando uma posição está concentrada numa única comunidade, a rede começa em desvantagem para ela, porque essa opinião circula só ali dentro. Ao abrir conexões para fora do grupo, porém, o deslocamento da mediana é maior do que quando as mesmas opiniões estão espalhadas ao acaso pela rede.
A distribuição da suscetibilidade também decide o resultado. Na rede do Twitter, os perfis do lado que se quer fortalecer, 25,5% do total, estão entre os mais centrais. Quando esses perfis são também os mais influenciáveis, eles cedem às opiniões ao redor e perdem força como fonte, e nenhum dos métodos testados inverteu a maioria. Quando são os menos influenciáveis, vários métodos superam a linha divisória com menos conexões.
Quando mexer na rede sai mais barato
Na parte final, os autores comparam custos. Partem da premissa de que agir sobre uma conta de grande alcance custa mais do que sobre um usuário comum: cada perfil manipulado custa um fator multiplicado pelo número de seguidores, enquanto cada conexão sugerida custa 1. Medidas pela fração da rede alterada, as intervenções sobre indivíduos costumam produzir efeito maior. A vantagem diminui quando entra o custo do alcance. Com fator 1 ou 2, atuar sobre indivíduos sai mais barato no Reddit e no Twitter. Com fator 5, as conexões passam a ser a opção mais econômica no Twitter; com fator 10, também no Reddit. Na rede de blogs, a comparação não chega a se colocar: só a intervenção nas conexões atingiu o alvo.
Interativo
Quando mexer na rede sai mais barato que agir sobre pessoas
No modelo de custo do estudo, cada conexão sugerida custa 1. Agir sobre um perfil custa um fator multiplicado pelo número de seguidores dele. Mova o controle para encarecer o alcance e veja qual estratégia fica mais barata em cada rede.
Fonte: Tabela 3 do estudo, com custos medidos nos fatores 1, 2, 5 e 10. Os valores intermediários são estimados por proporcionalidade.
O mecanismo fora do modelo
Um experimento publicado na Nature em fevereiro observou esse mecanismo com pessoas reais. Germain Gauthier, Roland Hodler, Philine Widmer e Ekaterina Zhuravskaya sortearam 4.965 usuários americanos do X entre o feed algorítmico e o cronológico durante cerca de sete semanas de 2023. Quem foi para o algoritmo “Para você” passou a adotar prioridades políticas mais conservadoras e a seguir mais contas de ativistas conservadores. Quem fez o caminho inverso quase não mudou de posição nem de hábitos: as contas seguidas continuaram lá depois que o algoritmo foi desligado.
O resultado ajuda a explicar por que estudos de 2023 com dados do Facebook e do Instagram na eleição americana de 2020 não encontraram efeito na polarização ao trocar o feed algorítmico pelo cronológico. Desligar a recomendação não desfaz as conexões que ela já criou. A escala dessas conexões é grande. Em 2013, engenheiros do Twitter descreveram o serviço “Who to Follow” como responsável por milhões de novas conexões por dia.
Limites e o que o estudo indica para auditorias
O trabalho se apoia em simulações de um modelo matemático aplicado a redes de algumas centenas a pouco mais de mil perfis, não em experimentos dentro de plataformas. O modelo Friedkin-Johnsen foi validado com pessoas reais, mas em grupos de duas a quatro: com os pesos de influência declarados pelos participantes, previu as opiniões finais com correlação de 0,87, segundo estudo de 2016. Num levantamento com 1,66 milhão de usuários de uma rede on-line, outro pesquisador encontrou comportamentos que o modelo não reproduz, como a perda de influência quando as opiniões estão muito distantes. Os autores também supõem que toda conexão sugerida é aceita e dão o mesmo peso a todas as ligações. A estratégia não funciona em qualquer rede: em parte das configurações simuladas, a maioria não virou nem com um acréscimo de 50% nas conexões. As bases reais são antigas; a de blogs políticos reúne links da campanha presidencial americana de 2004.
Para governos, empresas e pesquisadores de comunicação, o resultado indica onde olhar. A manipulação de maiorias não depende só de campanhas de persuasão ou de desinformação dirigidas a grandes formadores de opinião: pode ocorrer de forma silenciosa na arquitetura que decide quem aparece na tela de quem. Na União Europeia, a Lei de Serviços Digitais já obriga as maiores plataformas a avaliar os riscos de seus sistemas de recomendação, inclusive para processos eleitorais, e a se submeter a auditorias independentes. A lei também obriga as plataformas a abrir dados a pesquisadores habilitados para estudar esses riscos. Em dezembro de 2025, a Comissão Europeia multou o X em € 120 milhões, em parte por negar esse acesso. No Brasil, a resolução do TSE para as eleições deste ano proíbe provedores de sistemas de inteligência artificial de ranquear ou recomendar candidatos e partidos.