記者和事實查證員如何驗證聲明並識別錯誤信息

驗證是一個聲明在網絡上或來自官方流傳與作為事實被報告之間的步驟。它不是一種單一的技術，而是記者和專門的事實查證組織在發布前應用的一套重疊的檢查。

從原始資料來源和文件開始

新聞編輯室教授的基本方法是盡可能接近原始記錄，而不是依賴二手帳戶。根據Granite State News Collaborative，記者直接查閱原始文件、公開記錄、法律和支出文件，並從當局請求基礎數據的副本，而不是接受摘要。

在沒有文件的情況下，例如在報導爭議事件時，建議記者獨立採訪多人，並使用謹慎的語言，如「所有證據表明」，而不是聲稱確定性。編輯隨後在出版前審查名稱、數字和歸因，一些新聞編輯室會預先向資料來源展示故事的敏感部分以捕捉錯誤。

經認證的事實查證組織遵循的規則

想要被國際事實查證網絡（IFCN）（Poynter Institute的一個部門）認可為事實查證員的組織必須簽署建立在五項承諾基礎上的原則代碼，由獨立審查員根據31項標準每年評估。

• 非黨派性和公平：對每項聲明應用相同的標準，無論誰提出，員工不持政策立場。
• 資料來源的透明度：證據足夠詳細，供讀者複製檢查，優先考慮原始資料來源而不是次要資料來源。
• 資金和組織的透明度：任何提供5％或以上收入的資金來源必須披露，以及編輯結構和員工傳記。
• 方法論的透明度：用於選擇、研究和發布事實查證的過程是公開的。
• 開放和誠實的更正：遵循已發布的更正政策，顯著錯誤被明顯更正。

驗證圖像和視頻：開源情報技術

大部分錯誤信息通過脫離上下文的照片和視頻傳播，而不是完全偽造。Bellingcat（一個開源調查組）描述了在將視覺內容視為可靠之前要檢查的五件事：圖像是否是原始的或之前流傳過、誰發布了它以及在什麼平台上、它實際上是在哪裡拍攝的（地理定位）、它何時被拍攝的（時間定位），以及為什麼要共享它。

在實踐中，這涉及通過多個反向圖像搜索引擎（如Google Images、Yandex和TinEye）並行運行文件，因為每個索引網絡的不同部分。調查人員還搜索獨特的可見細節—標誌、建築物、制服—而不是整個圖像，並將可見的線索（如陰影或地標）與地圖和已知的時間戳交叉核實，以查看聲稱的時間和地點是否成立。

人工智能生成內容的日益增長的挑戰

生成式人工智能改變了這項工作的經濟學。Tech Policy Press描述了一個核心的不對稱性：製作令人信服的虛假圖像、視頻或文件變得便宜和快速，而驗證真實性仍然緩慢且資源密集，每次生成模型改進時檢測工具都會過時。

同一份報告指出，人工智能檢測工具的置信度分數—例如，一個工具聲稱它有70％的信心認為圖像不是由人工智能生成的—不能轉化為出版所需的是或否的判決，許多這樣的工具是在沒有記者輸入的情況下建造的，限制了它們在新聞編輯室的採用。一個獨立的行業努力，內容來源和真實性聯盟（C2PA），開發了密碼標籤，旨在從捕捉內容的那一刻起追蹤內容，但Tech Policy Press報告說，這些標籤經常被編輯軟件、內容管理系統或社交平台在圖像或視頻甚至到達受眾之前被去除。

讀者可以自己檢查什麼

事實查證員提出的相同的核心問題—誰是原始資料來源、這實際上是在哪裡和何時捕捉的，以及它是否首先出現在其他任何地方—是媒體素養指南在公眾分享聲明之前推薦的問題。本文審查的所有組織和指南都沒有提出單一工具是足夠的；所有人都描述三角測量，將聲明與多個獨立的原始資料來源交叉核實，作為共同的線索。