「誤信假新聞」是不是一種病？研究顯示：要達到對假新聞「群體免疫」有撇步

假新聞經由 2016 年的美國總統大選，展現了它強大而讓人驚懼的殺傷力，到了 2020 年美國總統大選，更讓大眾發現它不只是「錯誤的訊息」而竟是一種武器[1][2]。

另一方面，政府與民間認知到假新聞的危險與影響力，也誓言「打擊」假新聞，提出了不少對應的措施，如建立台灣事實查核中心供民眾查詢，或是開發 LINE 假新聞查證機器人「美玉姨」等。

在這段期間，科學家研究了許多偵測假新聞的方法[3]，然而現實生活中，我們多半只感受到「有假新聞的存在」、「我們可以去某處查證是否為假新聞」，以及「時不時有人會出來澄清假新聞」。假新聞就如同傳染力強大的瘟疫，大部分的人對它不瞭解，卻又暴露在這個瘟疫中，不知不覺被它影響。

我們夠瞭解假新聞嗎？

要能夠了解假新聞，首先要知道它有哪些型態。一般而言，我們會認為假新聞就是「非真實」的新聞，是一種統稱。但真的是這樣嗎？

假新聞這個名詞最早由英文的「fake news」直接翻譯而來，名稱非常淺顯易懂，但用久了大家卻發現這個名稱有些地方容易讓人誤會。首先，在英文中，新聞「news」這個詞，就隱含了「真實」的意義，因此假新聞（fake news）一詞本身就存在矛盾，也因為如此，假新聞這個「俗名」之後就被正名為「不實資訊 ／錯誤資訊（misinformation）」。

不實資訊包括不知道有錯而傳遞的訊息，以及刻意被傳播的錯誤訊息，其中刻意傳播的一類特別被稱為「虛假訊息（disinformation）」。

除此之外，我們現在也理解到，假新聞不一定是「假」的，而可能只是過時的訊息，也就是內容本身是真的，但卻是過去發生的事情。無論是哪一種不實資訊，在正確理解一件事情的過程中，都是極大的妨礙。

誤信假新聞是一種疾病？

早在 2010 年，《科學》（Science）雜誌網頁的新聞就曾經揭露，資訊的傳播與疾病的傳播模式有相似之處，都能快速的從接觸到的人一傳十、十傳百，如同社群網路一樣[4]。

但是與疾病傳播不同的是，我們發現，因為媒體平台會依照使用者的個人喜好，推薦類似的內容，造成接觸假新聞者持續接收假新聞，距離澄清新聞十分遙遠。

假新聞與澄清新聞的距離對大眾來說有多遠呢？

我們曾經統計台灣數個新聞閱讀網站在 2018 年四月到 2019 年一月的使用者網路足跡，發現所有的使用者中，只有 2.6% 曾經同時閱讀過假新聞跟相對應的澄清新聞，有高達 97.4% 的使用者在單一事件中只看過假新聞或者澄清新聞其中之一，也就是對於特定事件，大部分的人只看過單方面說法的報導[5]。

研究認為，接觸事件的面向被限縮，正是造成假新聞擁有巨大殺傷力的原因[6]。

而這還只是公開的新聞網頁瀏覽，可以想像若是在社群媒體之中，使用者間的關聯更強，資訊更限縮在同一個群體內，接觸的視野更受限的時候，「同溫層」將使得假新聞的問題越發嚴重。

近期社群媒體如 Twitter、Facebook 等注意到這個問題，也紛紛開始使用強硬的手段，將某些他們認為有爭議性言論的使用者停權或禁言，然而卻又引發了更重大的爭議：誰來定義「具有爭議性」、「偏頗」的言論？而取消使用者的發言權是否跨越了言論自由的界線？

更有甚者，具有強大力量的社群媒體採取了特定立場，是否可能圖利特定人士？

這些問題都非常值得關注。以上種種線索告訴我們，雖然我們知道「誤信假新聞」不真的是一種疾病，但是假新聞的傳播及影響，跟疾病現象非常相似，而這也啟發了我們可以從疾病的角度來思考假新聞的議題。

假新聞與疾病：以COVID-19為例

這一年（2020 年）以來，由於 COVID-19 全球疫情，造成生活巨大的影響與改變，假新聞在這一事件中也扮演了重要角色。經由觀察可以發現，許多假新聞影響了人們的行為，例如「喝酒精可以預防新冠病毒」的假新聞就造成許多人死亡[7]。

我們特別對 COVID-19 的假新聞感興趣，於是想經由統計，看看假新聞的數量與確診人數的關係，下圖顯示了各國的數據：

從這兩個圖我們可以發現，若比較各個國家的狀況，假新聞澄清的數量（圖一），與確診人數（圖二）有著正向變化的趨勢，這也顯示了兩者的「共現」關係。

我們可以猜測，可能是公權力處理假新聞的方式不對或能力不夠，就也拿不出好的方法處理性質很類似的傳染病問題；或者是大量的假新聞影響了許多人，使他們採取了不適當的防疫措施，造成疫情擴大。

然而無論如何，在沒有進一步證據時，我們不能說假新聞是新冠病毒快速傳播的原因之一，否則我們也會落入誤把共現關係上綱成因果關係的假新聞大陷阱。

其實有專治「誤信假新聞」的處方

目前大部分對於假新聞的處理方式，不外乎是偵測後刪除或是標註警告 （warning tag），兩者都是消極的處理方式，只處理內容本身，而並未對受內容影響的人們有任何幫助。

假新聞就算很快地被刪除，仍然有部份的人已經閱讀過該新聞，刪除本身無法對這些閱讀過假新聞的人採取任何補救措施；同樣地，標註警告的措施對於該新聞被標註前就看過的人來說，除非他們回頭看第二次的時候看到警示，否則也沒有任何幫助，然而重複看新聞的情況卻很少發生。

標註警示的好處是能夠提醒標註後才接觸到該新聞的人，同時也能夠使用較為軟性的警告性文字，例如「可能有」等字樣，於某些只是懷疑而尚未確認為假新聞的新聞上，避免可能的誤導。

然而，標註警告的方式，雖能起到提醒的功能，但卻不是幫助人們更好地辨識假新聞，而是在人們的心裡無差別植入了懷疑的種子。

我們的實驗發現，在標註警告的設定中，使用者雖較能察覺出假新聞的存在，但是也更常將正確的新聞誤認為假新聞，不只如此，因警示的存在，人們會變得懶得思考，認為沒有被標註警示者都是真實的新聞[8]。

換句話說，明顯的警告標示改變了使用者的閱讀環境，並進一步改變了他們的閱讀行為。

一篇篇地閱讀後找到假新聞，再將它標記出來，這樣的工作若由人來做，相當耗時耗力，原因是一個人一天能夠閱讀的新聞數量有限，再加上求證新聞是否為假需要找資料佐證，所花的時間遠超過閱讀內容的時間，因此效率很低。

近年來，人工智慧由於機器學習與深度學習的技術提升，又向前跨進了一大步，這些學習方法也被用於學習偵測假新聞。

只是，學術型的模型看起來雖可行，移植到不同的國家卻遇到不同的困難[9]，使得偵測效果不如預期。再者，即使正確偵測出假新聞並且標上警示，送到讀者面前，讀者相不相信這是個假新聞還是個大問題。這也就是有名的「逆火效應」：當人們本身的立場不同時，會傾向只相信對自己立場有利的說法，而抗拒另一種說法 [10]。

在努力對抗假新聞的同時，我們必須時時提醒自己，送出正確訊息，不代表它會被接受。

找到假新聞只是開始，只有當讀者相信它真的是一篇假新聞，並且改變想法，才能算是成功傳遞了訊息。因此，「抵抗假新聞」不能只停留在電腦與資訊層面，還需要大量使用者的協助進行實驗，才能驗證效果。

一般而言，當一件事情有多種說法的時候，人們才會被迫選擇站隊，也才會開始思考最合理的解答，否則經常會直接接受唯一看過的說法。

要解決這個問題，一個方法是訓練思考方式，使其能夠破解假新聞中邏輯的謬誤，但是這個方法需要長期的訓練，使大眾能說明假新聞錯誤的地方；另一個方法則是給出更多面向的說法迫使人們思考，並選擇其中更正確的說法，相對之下較為容易且可行。

為了要提供多面向、正確、已經澄清的資訊給使用者刺激思考，並且避免警告標示所帶來的困擾，中央研究院的自然語言處理與情感分析實驗室，結合人工智慧技術，提出了「隱性的澄清新聞導引」。

當知道有使用者暴露在假新聞的危險之下（例如點閱了假新聞），無論此時假新聞是否仍然存在，導引模型將在接下來十次的閱讀行為中，依照使用者的興趣，在不對新聞作任何標記的情況下，於適當時機持續推播對應的澄清新聞讓使用者選擇閱讀。

我們在使用者實驗中發現，這樣的方式能夠達到與直接警示相同的正確資訊接收效果，但卻又能避免警示所造成的「疑神疑鬼」副作用。

「誤信假新聞」的群體免疫

劍橋大學的一群學者提出了一系列研究[10]，他們將假新聞的傳播類比為疾病的傳播，並且將對抗假新聞的層級從「發現」與「治療」提高到「免疫」。

的確，長期而言當「疾病」影響很大，傳播範圍很廣的時候，只是「治療」並不能改善狀況。我們應該朝向「讓群眾免疫」的目標努力，也就是不再只是告知群眾哪些是假新聞，而是讓群眾自己能有更好的假新聞辨識能力，從而拒絕相信假新聞。

劍橋學者所提出的方法，是從教育角度出發，設計出一款遊戲，讓人們能夠在遊戲上練習辨識較容易分辨的假新聞，就像讓身體認識減毒或非活性病毒一樣，藉此將假新聞辨識技巧潛移默化給普羅大眾。

「免疫」在對抗假新聞上是一個新的概念，然而，劍橋學者提出的方法需要人們自發性的練習，「自發性」的方法，例如新聞查證網站，通常只在特定的群體上有效果。

用疾病的概念來說，就是「有病識感」的群體，才會主動前往尋求治療或其他更好的預防方法。

回應這個概念，我們正在研究如何讓人們在不需要做額外工作的前提下，只靠平常的瀏覽行為，由推送新聞的一端，改變那些可被選擇閱讀的新聞，就能夠讓使用者對假新聞有更強的分辨能力。

也就類似「送疫苗到家」的方法，期待讓更多人對假新聞「免疫」，從而彼此影響「停止傳遞」假新聞[11]，互相澄清錯誤認知，最後成功達到群體對假新聞「免疫」的效果。

文章出處：新興科技媒體中心，本文獲授權刊登，未經同意請勿轉載

註釋及參考資料：

[1] Towers-Clark, C. (2019). “Unleashing New Weapons In The War On Fake News” Forbes.com, October 15, 2019.

[2] Bovet, A., & Makse, H. A. (2019). “Influence of fake news in Twitter during the 2016 US presidential election.”  Nature communications, 10(1), 1-14.

[3] Zhou, X., & Zafarani, R. (2020). “A survey of fake news: Fundamental theories, detection methods, and opportunities.” ACM Computing Surveys (CSUR), 53(5), 1-40.

[4] Arnold, C. (2010). “Social Network Predicts Flu Spread.” Science News, September 15, 2010.

[5] Lo, K.-C., Dai, S.-C., Xiong, A., Jiang, J. & Ku, L.-W. (2021). “All the Wiser: Fake News Intervention Using User Reading Preferences.” In Proceedings of the 14th ACM international conference on web search and data mining. Demo paper.請參考此篇研究的影片說明。

[6] Sharma, K., Qian, F., Jiang, H., Ruchansky, N., Zhang, M., & Liu, Y. (2019). “Combating fake news: A survey on identification and mitigation techniques.” ACM Transactions on Intelligent Systems and Technology (TIST), 10(3), 1-42.

[7] Daily Sabah (2020). “30 die after drinking pure alcohol to ward off coronavirus in Istanbul, 20 more hospitalized”, May 25. Retrieval Date: 2021/1/27

[8] Pennycook, G., McPhetres, J., Zhang, Y., Lu, J. G., & Rand, D. G. (2020). “Fighting COVID-19 misinformation on social media: Experimental evidence for a scalable accuracy-nudge intervention.” Psychological science, 31(7), 770-780.

[9] 編註：模型使用在不同的國家會有不同的困難，例如，不同國家的假新聞主題不同，新加坡有政策上的假新聞，但幾乎沒有主題為政治人物的假新聞；而中國則完全沒有政治相關的假新聞，另外，假新聞的寫作方式，在歐美國家與亞洲國家也有所不同。

[10] Garrett, R. K., & Weeks, B. E. (2013, February). “The promise and peril of real-time corrections to political misperceptions.” In Proceedings of the 2013 conference on Computer supported cooperative work (pp. 1047-1058).



[10] Roozenbeek, J., & Van Der Linden, S. (2019). “The fake news game: actively inoculating against the risk of misinformation.”  Journal of Risk Research, 22(5), 570-580.



[11] Vo, N., & Lee, K. (2020). “Where Are the Facts? Searching for Fact-checked Information to Alleviate the Spread of Fake News.” In Proceedings of EMNLP 2020.