Chrome FUD & Pseudoscience Detector

Este repositorio contiene un prototipo de extensión de Chrome que usa un LLM (ej. ChatGPT) para detectar:

• FUD (fear, uncertainty, doubt)
• Afirmaciones no verificadas / datos inciertos
• Marketing presentado como evidencia científica
• Pseudociencia y falacias comunes
• Sesgos y conflictos de interés

Archivos

• manifest.json — Declaración de la extensión
• background.js — Service worker que orquesta llamadas a la API
• content.js — Extrae texto y presenta anotaciones
• popup.html / popup.js / styles.css — Interfaz de usuario para configurar API key/backend

Cómo probar (desarrollo)

1. Guarda los archivos en una carpeta (por ejemplo chrome-fud-detector).
2. Abre Chrome > Extensions > Developer mode
3. Carga la carpeta como "unpacked extension".
4. Abre el popup y configura backendUrl (recomendado) o pega tu API key (riesgoso).
5. Navega a cualquier página y espera ~1s para que se ejecute el escaneo.

Seguridad y privacidad

• No se recomienda poner tu API key directamente en la extensión; cualquiera con acceso a tu navegador puede extraerla.
• Recomendación: desplegar un backend propio que contenga la API key y reciba peticiones desde la extensión. Ese backend puede implementar límites, caching y anonimización (extraer solo fragmentos relevantes).

Prompt design & parsing

El servicio manda al LLM un prompt estructurado que solicita JSON con campos: summary, scores (0-1), highlights (fragmentos), explainers (por cada tipo detectado), overall_warning.

Ejemplo de prompt (simplificado):

Eres un asistente crítico... Analiza el texto y devuelve JSON con: {"summary":"...","scores":{"fud":..},"highlights":[...]}

Limitaciones conocidas

• Detectar "pseudociencia" automáticamente es difícil: la extensión debe complementar con listas de verificación humanas (¿hay fuentes? ¿estudios replicados? ¿conflicto de interés?).
• El highlighting en el DOM es "naive" y puede romper páginas complejas. Para producción deberías usar Range/TreeWalker y no sobrescribir innerHTML.
• Costos: llamar al LLM frecuentemente puede ser costoso — implementa caching y límites por dominio.

Mejoras sugeridas

• Implementar un backend con rate-limiting y caching.
• Mejorar extracción de texto (usar heurísticas para distinguir contenido principal vs. chrome-like UI)
• Añadir calibración: el usuario puede marcar falsos positivos/negativos y recopilar un dataset para ajuste fino.
• Integrar listas confiables de verificación (Snopes, PubMed, CrossRef) para verificaciones automáticas.

Licencia

MIT