AI查核假民調 學者：可依據AMITT進行初期探勘的歸類

照片为记者拍摄

每逢选举各种民调就纷纷出现，其中有许多民调让人怀疑是造假，学者建议可以参考「恶意不实资讯与影响力战略技术分析架构（AMITT）」来进行初期探勘的归类。

铭传大学广电系主任杜圣聪接受中华传播管理学会的访谈指出，从荷兰的「公共数据研究室」提供的打击假讯息来看，其程式可以分为以下阶段：输入URL到CrowdTangle，观看其中的假新闻报导网址、分享URL的Facebook页面和社团、观察每一页面或社团的互动次数、分享讯息发布的日期；完成上述步骤后借以辨识具有最高假新闻报导。

按照学者陈百龄归类，防制假新闻主要有惩假、制假、打假、辨假四端。。至于事实查核，陈百龄认为主要有四种工具：（1）消息来源查核工具（2）时间查核工具（3）空间位置查核工具（4）网路监看和典藏工具。

杜圣聪说，查找不实讯息与查找不实民调相仿，均是一种以数位鉴识、AI判读学习与影响力操作狙杀炼分析等相关技术为核心，建立数位信任侦测分析与防护机制。希望链结在地产学研能量，发展有效侦测、滤除、追踪与鉴别解析各类型不实讯息/民调的生成、散播等手法之核心技术；同时整合对应资安新兴应用（例如谣言检视、虚假帐号、内容农场等），接轨产业现有防护方案，落实于实务场域（例如如广电媒体、警政国安、企业运营、民生经济等)，促成对应数位鉴识/数位信任产业生态链。

杜圣聪表示，国内资策会的AI处理不实讯息的操作，主要有这八个项目。至于，形成不实讯息在看板层级部分，透过SJ Terp 与 Credibility Coalition 共同创立的不实讯息分析框架，特别是针对资安领域分析骇客时，归纳不同的攻击阶段与技术。也就是所谓的恶意不实资讯与影响力战略技术分析架构（AMITT），包括其阶段、目标与实际执行方式所建构的中文资讯看板，并参照性质层级的七个类目，分别置入不实讯息影响力狙杀链查找之标记，可以有以下的标志。

杜圣聪表示，查找不实民调的概念，也可以参酌AMITT的本土化看板，进行初期探勘的归类操作。未来，不实民调分类器的设计，可分为监督式学习(Supervised Learning)、非监督式学习(Un-Supervised Learning)和半监督式学习(Semi-Supervised Learning)等三种。监督式学习需要标记大量资料，实务上，资料标记需要大量人力，因此，非监督式学习，也引起大家的关注，较差的辨识效果是非监督式学习模式最大的缺点，而半监督式学习则介于两者之间，仅需标记少量资料，三者之间，各有其优缺点，如何在大量人力标记与辨识效果之间取得平衡点，会是实务操作上非常重要的议题。

杜圣聪认为，未来查找不实民调的作法，不妨归类为区块链、深度学习、统计法和传统机器学习等方法。每一项作法的特性说明如下：（一）区块链：顾名思义其为多个区块所组成，每个区块包含前个区块的密码杂凑函式和交易资料，这也使区块内容拥有难以窜改的特性。（二）统计法：通常这类方法会利用多种方法来查找资料中的特性，较为常见方法为资料探勘。（三）传统机器学习：相较于深度学习，这类方法须先将资料特征进行标记才能从资料中找出特定资料。（四）深度学习：为机器学习的一个子领域，由于计算方法类似于人脑中的神经元而得名，不同于传统的机器学习，在特征提取方面深度学习是不需要进行人工标记。

聚传媒