记者和事实核查人员如何验证声明和识别错误信息

验证是声明在网上或来自官方传播与作为事实报道之间的步骤。它不是单一的技术，而是记者和专门的事实核查组织在发布前应用的一系列重叠检查。

从主要来源和文件开始

新闻编辑室教授的基本方法是尽可能接近原始记录，而不是依赖二手账户。根据花岗岩州新闻协作组织(Granite State News Collaborative)，记者直接查阅原始文件、公共记录、法律和支出文件，并向当局请求基础数据的副本，而不是接受摘要。

在没有文件存在的情况下，例如在报道争议事件时，记者被建议独立采访多个人，并使用谨慎的措辞，如"所有证据表明"，而不是断定确定性。编辑在发布前审查姓名、数字和归属，一些新闻编辑室在故事敏感部分发布前向消息来源展示，以捕捉错误。

经认证的事实核查组织遵循的规则

希望被国际事实核查网络(International Fact-Checking Network, IFCN)识别为事实核查机构的组织，该网络是波因特研究所(Poynter Institute)的一个单位，必须签署建立在五项承诺基础上的原则守则，由独立审查员按照31项标准每年进行评估。

• 政治中立和公平性：无论谁提出声明，相同的标准都适用于每一个声明，工作人员不采取政策立场。
• 来源的透明性：证据足够详细，读者可以复制检查，优先考虑主要来源而不是次要来源。
• 资金和组织的透明性：提供5%或更多收入的任何资金来源必须披露，以及编辑结构和工作人员传记。
• 方法的透明性：用于选择、研究和发布事实核查的过程是公开的。
• 开放和诚实的更正：遵循已发布的更正政策，显著错误被明显更正。

验证图像和视频：开源信息技术(OSINT)技术

大部分错误信息通过背景错误的照片和视频传播，而不是彻底的伪造。开源调查团体Bellingcat描述了在将视觉内容视为可靠之前需要检查的五件事：图像是原始的还是之前流传过的，谁发布了它以及在什么平台上，它实际上在哪里被拍摄的(地理定位)，何时被拍摄的(时间定位)，以及为什么被共享的。

在实践中，这涉及通过多个反向图像搜索引擎(如Google图像、Yandex和TinEye)并行运行文件，因为每个都索引网络的不同部分。调查人员也搜索明显可见的细节——标志、建筑物、制服——而不是整个图像，并将影子或地标等可见线索与地图和已知时间戳交叉检查，以查看声称的时间和地点是否成立。

人工智能生成内容的日益增长的挑战

生成式人工智能改变了这项工作的经济学。Tech Policy Press描述了一个核心不对称：生成一个令人信服的虚假图像、视频或文件变得便宜和快速，而验证真实性仍然缓慢且资源密集，而且每当生成模型改进时，检测工具都会过时。

同一报告指出，来自人工智能检测工具的置信度分数——例如，一个工具声称它有70%的把握某个图像不是由人工智能生成的——不能转化为发布所需的是或否判断，许多这样的工具在没有记者输入的情况下构建，限制了它们在新闻编辑室中的采用。一个单独的行业努力，内容来源和真实性联盟(Coalition for Content Provenance and Authenticity, C2PA)，开发了旨在从捕获时刻起追踪内容的加密标签，但Tech Policy Press报告称这些标签经常被编辑软件、内容管理系统或社交平台在图像或视频甚至到达受众之前删除。

读者可以自己检查什么

事实核查人员提出的相同核心问题——谁是原始来源、这真的在哪里和何时被捕获的，以及它是否首先出现在其他任何地方——是媒体素养指南建议公众在分享声明之前提出的问题。这里审查的所有组织和指南都没有建议单一工具足够；所有指南都描述了三角测量，针对多个独立主要来源交叉检查声明，作为共同线程。