假新聞的散佈，是因為我們沒有「思考」！（圖片來源：Adobestock）
假新聞的散佈，是因為我們沒有「思考」！別丟下判斷訊息合理性的責任。
假新聞是個複雜的問題，沒有簡單的解決方法。競爭和隱私固然應該受到規範，錯誤訊息卻構成一種獨特的挑戰，因為我們需要選出真相仲裁者賦予他們定義真假的權利，政府通常不適合擔任這樣的角色。基於這個理由，對抗錯誤訊息的戰爭不會、也不該由政策制定者贏得，而是由平台和人民贏得。雖然沒有靈丹妙藥，但組合不同的方法可以抑制假新聞的擴散，並減輕這類新聞對社會的影響。
1、加上標記
第一個方法是加上標記。我們可以這麼想：在超市買東西時，產品上普遍都有標示。我們因此知道產品有多少卡路里、脂肪，以及製作過程是否會經過處理小麥或花生的設備（針對會過敏的消費者）。這種營養表上的標示是法律規定的。但當我們閱讀線上新聞時，沒有任何標記可以顯示我們付費閱聽消息的來源和真實性。消息中有什麼？消息來源可靠嗎？消息是如何蒐集的？這個期刊的編輯政策為何？需要多少個獨立消息來源來證實才能發表聲明？這個消息來源有多常發表經過事實查核的消息？我們對所吃的食物可以得到廣泛的訊息，可是對我們付費閱聽的新聞卻幾乎沒有任何資料。
研究顯示，加上標記可以抑制錯誤訊息的散播。例如，我的同事大衛．蘭德和葛登．潘尼庫克發現，在碰到假新聞時，消費者是「懶惰而不是有偏見」。他們如果用分析的角度來看新聞，就比較能夠區分真假。「人們看了假新聞會上當，是因為他們沒有思考，而不是因為他們帶著動機或以保護身份的方式去思考。」鼓勵人們思考付費閱聽的新聞，能改變他們對新聞的信任程度和分享意願。
貼標記和輕推人們、促使他們思考正確性，都不算冒犯，而是能逐步擴大的解決方案。但這些解決方案並不完美。在研究中，假新聞標記也降低人們對真新聞的信任，這意味著標記造成人們對新聞的普遍不信任。此外，假新聞的標記可以創造一種「暗示真實效應」（implied truth effect），只是因為假新聞沒有被揭穿，所以消費者認為沒有標記的新聞必然是正確的。在為假新聞貼上標記的同時，我們必須確保能有效辨別假新聞，同時避免執行上已知的困難。
2、處理製造和散播假訊息背後所蘊含的經濟誘因
其次，我們必須處理製造和散播假訊息背後所蘊含的經濟誘因。2016年美國總統大選期間，馬其頓冒出一波錯誤訊息，並且從出現在假內容旁的廣告賺到錢。這裡面並沒有政治動機。由於假新聞比真相傳播得更遠、更快、更深、更廣，根據我們的研究，再分享的機率多出70%。我們首先需要切斷散播錯誤訊息的經濟誘因，並減少製造錯誤訊息的經濟誘因。
YouTube也採用這個方法來對抗反接種疫苗錯誤訊息的散播。2019年二月，他們移除反接種疫苗影片上的廣告，並停止讓反接種疫苗帳號從影片得到收入，讓他們完全賺不到廣告收入。他們的群體指導原則現在是這樣：「有可能引發有害或危險行為（會造成嚴重的身體、情緒、心理傷害）的內容不適合刊登廣告。」這包含「促進或提倡有害的健康或醫療主張或做法」，如「反接種疫苗或愛滋病否認運動……暗示嚴重病況並不存在或只是刻意捏造的騙局」。
在停止為錯誤訊息提供廣告收入的同時，還攔截相關搜尋並禁止有害內容。他們比較可能成功斷絕錯誤訊息市場的經濟收入。
3、學會分辨事實
第三，雖然有關人們的媒體識讀能力（media literacy）能否有效對抗假新聞，相關研究仍處於初始階段，這種認識卻可以成為預防偏見和謊言的重要管道。對媒體的認識是設計來教導人們（透過初等和中等教育）以批判角度來思考付費閱聽和分享的訊息。這包括教他們如何分辨事實和意見、發現假新聞、瞭解媒體如何被用來說服大眾。
劍橋大學2018年推出一個名為「壞消息」（Bad News）的遊戲來教導網路使用者，如何用自己創造假新聞的方式來發現假新聞。在這個網頁遊戲中，玩家用推特機器人、 photoshop證據、散播開來的陰謀論吸引追蹤者，還要同時保持高「可信度分數」以維持自己的說服力。
劍橋大學社交決策實驗室主任桑德．范德．林登（Sander van der Linden）說，「我們的遊戲有類似心理上打預防針的效果。」即讓用戶接觸小劑量的謊言來達成預防效果。一項有15000個參與者的研究發現，這個遊戲讓假新聞的可信度平均下降21%，還不影響用戶對真實新聞的認知。而且，那些一開始被評估為較容易受到假新聞標題影響的人，從這個遊戲獲益更多。
4、採用科技解決方案
第四，我們應該採用科技解決方案來對抗錯誤訊息的散播。機器學習雖然不是靈丹妙藥，卻可以趕走線上的假訊息。最好的演算法會利用內容的特徵，如假訊息的語言、結構及主張，也會考量訊息以虛假訊號方式傳播時的特徵。例如，我們以前的學生、現在在達特茅斯擔任教授的賽洛希．烏蘇吉於2015年建立一個謊言預測器，它能正確的預測推特上75%謠言的真實性，速度比任何一種公眾消息來源都還要快，包括來自記者和執法官員的消息。
科技進展得很快，而現在主要平台所用的高科技演算法可能更有效。用來訓練新演算法的資料庫已經可供取用，例如數據科學競爭網站Kaggle上的資料。但科技不是靈丹妙藥，人類必須待在這個科技迴路中。這個問題大到不是人類能單獨解決的，但我們不能放棄判斷訊息合法性的責任。為了訓練機器學習演算法，以及確保人類判斷可以引領演算法對定義真假的判斷，人工標記是不可或缺的。
本文整理、節錄自思南．艾瑞爾（Sinan Aral）《宣傳機器》一書，文章僅代表作者個人立場和觀點。由天下文化授權轉載，欲閱讀完整作品，歡迎參考原書。
