皮尤研究中心2018年美國人接觸的新聞來源調(diào)查分析[1]

據(jù)統(tǒng)計，2016年美國總統(tǒng)大選期間，報道選舉事件的前20名虛假新聞在Facebook上獲得871.1萬股贊和評論，超過前20名真實新聞獲得的736.7萬股贊和評論，嚴重誤導了選舉輿論。同年，“后真實”一詞也被牛津詞典選為年度詞匯，反映了“雄辯勝于事實”的網(wǎng)絡(luò)環(huán)境[3]。2011年，日本地震引發(fā)的核泄漏污染了海鹽，中國網(wǎng)絡(luò)媒體出現(xiàn)了大量“中國鹽資源也被污染”等虛假信息，導致人們瘋狂搶鹽，引發(fā)社會恐慌。

可見，互聯(lián)網(wǎng)上虛假信息的大規(guī)模傳播給社會和個人的發(fā)展帶來了嚴重的危害。因此，在當今互聯(lián)網(wǎng)時代，識別和檢測互聯(lián)網(wǎng)上的虛假信息尤為重要。

網(wǎng)上的虛假信息有哪些類型？

根據(jù)網(wǎng)絡(luò)虛假信息的內(nèi)容，可以分為兩類:基于觀點的虛假信息和基于事實的虛假信息。

基于觀點的虛假信息沒有絕對的事實標準，一般指發(fā)表虛假的個人觀點，如評論網(wǎng)站上的虛假評論。

基于事實的虛假信息有絕對的事實標準，一般是為了迷惑公眾而偽造事實，如假新聞、Wiki騙局等。

這兩種類型是我們需要關(guān)注和測試的對象。以一個當時廣為流傳的維基百科騙局為例。2008年7月，一名17歲的學生惡作劇地在維基百科的條目“coati(南美浣熊)”中添加了一個假名，稱“coatis也被稱為‘巴西土豚’”。之后這種虛假信息在維基百科上保留了六年，被數(shù)百家網(wǎng)站、報紙甚至一些大學出版的書籍傳播。

維基詞條“coati”的騙局

網(wǎng)絡(luò)上的虛假信息有哪些特點？

目前，國外已經(jīng)做了一些開創(chuàng)性的工作來定量分析互聯(lián)網(wǎng)上虛假信息的統(tǒng)計特征。研究發(fā)現(xiàn)，基于視點的虛假信息在文本、情感和時間三個方面具有明顯的特征:

(1)文字特征?；谟^點的虛假信息往往具有很強的文本相似性，并伴隨著明顯的語言特征。如果用第一人稱來表達個人經(jīng)歷，就要用感情強烈的詞和修飾副詞，比如“非?！薄胺浅！?。

(2)情感特征。虛假評論的情感存在強烈的“兩極分化”現(xiàn)象，“滿分評論”和“最低分評論”占據(jù)主導地位[4]。

(3)時間特性。虛假評論一般比真實評論更“突然”，虛假信息提供者發(fā)起連續(xù)評論的時間間隔更短[5]。

基于事實的虛假信息在語言、評論和溝通方式上具有突出的特點:

(1)語言特點。基于事實的虛假信息，為了增強關(guān)注度和吸引流量，往往在標題中提供大量信息，并表現(xiàn)出強烈的無關(guān)性特征，即所謂的“標題方”。

“標題黨”新聞

(2)評論的特點。虛假信息因其新穎性會在評論中引起更多的“驚訝”、“厭惡”等情緒[6]。

在虛假信息的評論中，“驚訝”和“厭惡”的情緒激增(紅色是虛假信息)[6]

(3)溝通特點。虛假信息呈現(xiàn)出一種“病毒式”傳播模式，往往比真實信息更遠、更快、更深、更廣[7]。

虛假信息比真實信息傳播得更遠、更快、更深、更廣[7]

為什么網(wǎng)上的虛假信息可以欺騙大眾？

有研究定量分析了為什么網(wǎng)絡(luò)上的虛假信息可以欺騙公眾，主要從虛假信息本身、網(wǎng)民個人和網(wǎng)民群體三個角度進行分析。

好奇的心態(tài)。如前所述，互聯(lián)網(wǎng)上的虛假信息本身在語言上具有鮮明的特點。為了吸引注意力，他們往往會提供更多新穎的觀點，展示更多獨特的信息[8]，而公眾則會因為“好奇”心態(tài)而更傾向于傳播這類信息。

虛假信息(紅色)與真實信息(綠色)在信息唯一性(IU)和差異性(KL)上的比較[8]

歧視性差。由于知識水平參差不齊，許多互聯(lián)網(wǎng)用戶往往沒有足夠的能力來區(qū)分信息的真實性。斯坦福大學的庫馬爾團隊曾經(jīng)做過一個實驗。他們雇傭了亞馬遜機械土耳其人的注釋者來區(qū)分320對真假文章，每對都展示給五個不同的注釋者。實驗表明，人們成功識別虛假文章的概率只有66%(略高于50%的隨機猜測)。再者，他們對容易識別和難以識別的虛假信息進行統(tǒng)計比較，發(fā)現(xiàn)虛假信息的長度越長，鏈接和標簽越多，越容易被識別為真實信息[9]。可以想象，如果虛假信息在長度、鏈接、標記等方面刻意模仿真實信息。，那就更難分辨了！

回音室效應(yīng)?；ヂ?lián)網(wǎng)形成了大大小小的網(wǎng)民網(wǎng)絡(luò)社區(qū)，回音室效應(yīng)會進一步誘導公眾被虛假信息所欺騙?；匾羰倚?yīng)是指，在一個相對封閉的環(huán)境中，類似觀點的聲音以夸張或其他扭曲的形式反復(fù)出現(xiàn)，使得這個相對封閉的環(huán)境中的大多數(shù)人認為這些扭曲的故事都是事實。如今在線社交媒體的個性化推薦算法不斷完善，不斷向用戶推薦內(nèi)容和興趣相近的人，進一步放大了互聯(lián)網(wǎng)社區(qū)的回音室效應(yīng)。在回音室效應(yīng)下，網(wǎng)民傾向于堅守與自己喜好和觀點一致的社交圈，切斷來自其他社交圈的信息輸入。

下圖反映了推特上關(guān)于#牛肉班(印度禁止吃牛肉)[9]的轉(zhuǎn)發(fā)網(wǎng)絡(luò)，紅藍點代表觀點相反的網(wǎng)友?？梢钥闯觯c組內(nèi)頻繁的互動相比，兩組之間的信息交流很少。

推特上轉(zhuǎn)發(fā)網(wǎng)絡(luò)關(guān)于#牛肉班的話題[9]

如何自動檢測虛假信息？

基于以上分析，我們可以發(fā)現(xiàn)，稍加包裝，虛假信息就很容易“蒙混過關(guān)”，在互聯(lián)網(wǎng)上大規(guī)模傳播。面對復(fù)雜的互聯(lián)網(wǎng)信息，人工專家檢測費時費力，與呈指數(shù)級增長的信息相比，這是一項不可能完成的任務(wù)。

好消息是，互聯(lián)網(wǎng)技術(shù)與計算機和人工智能技術(shù)齊頭并進。先進的人工智能技術(shù)為我們提供了自動檢測虛假信息的可能性。目前，國外許多研究者正在探索如何自動檢測虛假信息，并取得了一定的進展。

對特色工程的思考。一些研究者采用了特征提取的思想。根據(jù)總結(jié)出的虛假信息特征，如前面提到的語言特征和交流特征，他們使用支持向量機、隨機森林等機器學習方法將信息分類為真或假[10，11，12]，如下圖所示。這種基于特征提取的方法可以充分利用專家總結(jié)的經(jīng)驗和知識，但美中不足的是需要手動提取特征，無法從大規(guī)模互聯(lián)網(wǎng)數(shù)據(jù)中自動挖掘特征。但網(wǎng)絡(luò)虛假信息類似于垃圾郵件或廣告，其技術(shù)、手段和形式都在不斷更新。很難與時俱進，及時應(yīng)對新的虛假信息形式。

基于特征提取的傳統(tǒng)方法

對深度學習的思考。近年來，深度學習引發(fā)了全球人工智能發(fā)展的浪潮。深度學習的核心思想之一是采用分布式表示方案從大規(guī)模文本中自動學習和提取語義特征。分布式表示學習是指通過大規(guī)模數(shù)據(jù)集自動學習信息的低維特征向量表示。這些向量反映了我們所關(guān)心的對象(如單詞、句子、文檔、用戶、文章等)的位置信息。)在低維向量空中，它們之間的相對距離和位置反映了語義相關(guān)性。

下圖是從大規(guī)模文本語料庫中自動學習的一些單詞的二維向量表示[13]。可見深度學習技術(shù)可以自動學習單詞的語義相似度，即國名會聚在一起，而城市名會聚在一起。同時，該技術(shù)還可以找到“中國”—“北京”、“日本”—“東京”的語義關(guān)系，即可以自動挖掘出“國家首都”的隱含語義關(guān)系。

分布式表示學習[13]

分布式表示學習可以很好地解決社交計算中對象間的語義計算問題，將文本、用戶和對象映射到統(tǒng)一的低維向量語義空。這樣，專家就不再需要總結(jié)自己的特征，而是從海量的互聯(lián)網(wǎng)數(shù)據(jù)中自動挖掘特征，進而預(yù)測信息的真假[14，15，16]。

基于分布式表示的學習方法[13]

下面是利用深度學習技術(shù)自動從原文和評論文本中學習特征，自動檢測社交媒體平臺早期謠言的典型案例[17]。如上所述，社交媒體平臺中的評論文本包含豐富的反饋信息，以識別原始發(fā)布信息的真實性。如果能夠充分挖掘評論文本信息，可以大大提高信息檢測的及時性和準確性，實現(xiàn)謠言的早期自動檢測。

使用“可信檢測點”早期檢測謠言的示例[18]

如上圖所示，我們畫出了一個謠言轉(zhuǎn)貼序列和一條隨時間變化的預(yù)測概率曲線。因為轉(zhuǎn)帖中對原始信息有很多質(zhì)疑和反駁，不需要看全部評論就可以做出可信的預(yù)測。基于這一觀察，我們引入了“可信檢測點”的概念，并提出了一個謠言早期檢測模型。通過深度神經(jīng)網(wǎng)絡(luò)，不斷整合序列前評論的表達方式，自動學習如何確定每個轉(zhuǎn)發(fā)序列的“可信檢測點”，從而保證該時間點預(yù)測結(jié)果的可靠性，使得事后不會出現(xiàn)結(jié)果反轉(zhuǎn)?；谏疃葘W習方法，在新浪微博真實數(shù)據(jù)集上的實驗結(jié)果表明，與傳統(tǒng)模型相比，該謠言早期檢測模型的預(yù)測時間縮短了85%，檢測準確率更高。

總結(jié)與展望

在“后真實時代”，互聯(lián)網(wǎng)上虛假信息的定量分析和自動檢測是一個亟待解決的問題?；谏疃葘W習的自動檢測方法將是未來的主流趨勢，但該方法仍然存在準確率低、可解釋性和魯棒性差的問題。這是一個高度跨學科的方向，需要計算機科學、語言學、社會學、心理學、法學甚至腦科學等各個角度的綜合研究，才能實現(xiàn)對互聯(lián)網(wǎng)上虛假信息的“圍剿”。

從技術(shù)角度來說，現(xiàn)有的知識庫，如wiki數(shù)據(jù)、知網(wǎng)等，包含了豐富的群體智慧和人類知識。如果能將這些結(jié)構(gòu)化知識與深度學習技術(shù)相結(jié)合，引入虛假信息檢測模型，有望顯著提高信息檢測的準確率。如何提取復(fù)雜的網(wǎng)絡(luò)信息并將其與知識庫中的信息進行匹配將是挑戰(zhàn)和難點之一，也是一個值得今后進一步探索的問題。

此外，目前對網(wǎng)絡(luò)虛假信息的定量研究大多基于英文數(shù)據(jù)，而中文相關(guān)研究較少，這與中文網(wǎng)絡(luò)世界獲取相關(guān)數(shù)據(jù)困難以及缺乏標注數(shù)據(jù)有關(guān)。因此，如何在中文互聯(lián)網(wǎng)上建立一個相對大規(guī)模的虛假信息語料庫，如何在少量中文語料庫的基礎(chǔ)上建立一個有效的虛假信息自動挖掘和檢測能力是值得研究的。

本文結(jié)合以往的研究工作，對互聯(lián)網(wǎng)上虛假信息的影響、特點、成因、檢測等進行了簡要的總結(jié)和梳理，不涉及太多技術(shù)細節(jié)，旨在起到科普介紹的作用，希望能有利于大家對這個方向的初步認識和探索。限于作者水平，難免會有錯誤，歡迎批評指正。

參考數(shù)據(jù)

[1] Elisa Shearer，Katerina Eva Matsa。2018年跨社交媒體平臺的新聞使用。皮尤研究中心，2018

[2]克雷格·西爾弗曼。這一分析顯示了臉譜網(wǎng)上的虛假選舉新聞如何勝過真實新聞。Buzzfeed新聞。2016.

[3]“2016年度詞匯是……”牛津詞典。2016.