真假資訊偵測器解構記

上一回我撰寫了《真相製造》與《新媒體判讀力》的讀後感，這次想來比較有挑戰性的延續文章。如果以下的內容出現任何不足，還請多多包涵。

在近這大半年來，我都是從上一篇提及過那位學者博客那裏學習一些與機器學習(Machine Learning，下稱ML)相關的程式語言。雖然我在讀書時期都曾經學習過程式語言，而且因為領悟能力差以致讀得一塌糊塗，但接觸ML方面的程式語言(Python)，卻是最近才開始。初次接觸這方面的編程，就算自己的電腦安裝了Python，因為安裝TensorFlow過程繁複，又因為毫無頭緒不知從何入手，一度打算放棄。所幸的是，這位學者介紹了一個操作簡單又可以免除安裝，並節省不少電腦記憶體的ML編程系統，我才能得以繼續接觸。這個系統，正是Google Colab。他亦曾經在其英文博客文章略為介紹過Colab的運作。

來到這裏，廢話不再多講，即管直接進入主題。我嘗試在網上搜尋有關偵測真假資訊的ML編程，但找來找去，儘管有不少教學，很多內容卻是千篇一律，又不是我想找的教學。就算找到一個以「BeautifulSoup」作主要編程，基於個人能力限制，現階段暫時未有進一步頭緒。直到找到這篇介紹的真假資訊偵測系統編程文章，再按進去裏面介紹的「The Greek Fake News Detector」了解。我嘗試從Facebook 部分網民的post找一些令我覺得可疑的關於疫苗新聞的連結進行測試，最後測試出有關連結是假資訊。另外，我又特意找信譽較高的非主流獨立網媒其中一篇新聞稿進行測試，結果發現有關新聞是真資訊。

到底這種偵測系統背後是如何運作? 我是時候根據個人有限的能力及認知，在Colab進行了以下簡單的實驗。

首先，我們安裝所需元件：

再分別導入偵測真資訊及假資訊資料庫：

導入資料庫後，可以分別顯示有關資訊文章標題及連結。由於篇幅設定限制，只能顯示五項。

另一種程式，就是將真/假資訊的用字數量及其所顯示的關鍵字製作成不同類別的統計。

關於真假資訊文字使用量，分別是以下程式：

由於從上述結果顯示，假資訊文字使用量遠比真資訊多，如果將前者的文字使用量多於20000的數據移除，可得出以下結果：

如果想顯示關鍵字的使用量，則可以用wordcloud作統計。

先導入wordcloud系統程式：

然後再分別顯示真、假資訊的關鍵字使用量結果。有關的字體愈大，顯示使用量愈多。

最後我要介紹的，是用topK作真假資訊文字使用量比較統計。

得出的結果如下：

以上雖然只是實驗性質，但從上述的實驗可以反映大量假資訊充斥，這種情況在近些年來更愈來愈嚴重，絕對有必要嚴加正視及警惕。如果大家對各大資訊有任何懷疑，可以前往一些事實查證網站進行求證。「MyGoPen」、 「Cofacts」對於台灣朋友來說不算陌生。對香港的朋友來說，則通常透過「求驗傳媒」及「事實查核實驗室(Factcheck Lab)」進行查證。在今時今日資訊真偽界線愈來愈模糊下，希望大家能多善用查證系統，對每一件接收的資訊都應該抱持懷疑、辨識及思考的態度，才不致被容易誤導。