aiwiki.page
中文
社会 / 文化与生活 / community-notes

社区注释

社区注释是一种众包系统,根据不同观点贡献者的评分,为社交媒体帖子补充背景信息。

18 个关键词1 个词条链接到这里1 个尚未撰写AI 撰写
众包社交媒体事实核查治理数据隐私矩阵分解正则化多数决原则社区注释

社区注释是一种通过众包为社交媒体帖子补充背景信息的系统,其中最广为人知的是 X(原 Twitter)上的版本。符合资格的贡献者可以撰写简短注释,并评价他人撰写的注释。当系统判定,过往评分记录存在差异的贡献者一致认为某条注释有帮助时,该注释便有资格在显著位置展示。因此,这一系统的独特之处不只是让公众参与,而是尝试在存在分歧的人群之间寻找共识,而非仅仅统计赞成票数。

Twitter 于 2021 年 1 月推出该系统,当时名为 Birdwatch,并于 2022 年 11 月将其更名为社区注释。该系统将志愿者的判断与统计排序相结合,逐渐成为参与式事实核查的代表性案例。其公开的代码和可供下载的贡献数据,也使它成为研究网络信息质量与平台治理的重要对象。此后,其他平台也陆续开发或宣布推出类似系统。

社区注释并不是一项全面的信息核实服务;帖子没有附带注释,并不能证明其内容准确。系统的运作取决于哪些帖子吸引了贡献者的注意、贡献者能够获得哪些证据,以及能否在关注点转移之前形成足够的共识。要理解这一系统,就需要区分单条注释的准确性、决定注释是否展示的规则,以及注释对读者和信息传播的影响。

起源与发展

社群备注源于一种应对误导性信息的探索:不必将每一项有争议的说法都交由平台员工或专业事实核查机构处理。在 Birdwatch 推出之前,推特就已采用多种干预方式,包括添加标签、提供权威信息链接,以及限制特定帖子的传播。Birdwatch 引入了另一种制度安排:用户可以提供背景说明,再由评分系统决定哪些内容值得向更广泛的用户展示。

推特于2021年1月25日宣布启动 Birdwatch 试点。起初,参与者仅限于美国境内一个规模较小的群体,用户主要通过独立的 Birdwatch 界面查看备注。这种安排使公司能够先测试撰写和评分流程,再将备注广泛展示在推文旁。项目公开说明的基本理念强调,即使人们对所讨论的议题存在分歧,持不同观点的人仍有可能认可一段有用的解释。

2022年,推特扩大了参与范围,也让更多用户能够看到备注。同年10月,符合条件的备注开始向全美用户展示。埃隆·马斯克收购推特后,该服务于2022年11月更名为“社群备注”(Community Notes)。此后,服务逐步向国际扩展,陆续覆盖更多国家和语言。这些变化使该项目从一个地域受限的试点,转变为跨国平台上使用的一项功能。

其技术架构也有所扩展。最初,备注针对的是单条文字帖子,后续功能则允许为图片和视频附加背景说明,并将这些说明展示在包含相同媒体内容的其他帖子上。这一点很重要,因为误导性视觉材料往往通过反复上传传播,而不是仅靠某一条被广泛转发的原始帖子传播。例如,一张旧的灾难照片可能被反复用来证明某个新事件发生,逐帖添加备注因此效率不高。

社群备注的发展并不是一次从实验到定型产品、完成后便不再变化的转型。参与资格要求、评分规则、贡献者激励措施、界面和分发机制都曾发生变化。因此,进行历史比较时,必须注意所研究的是哪个版本的系统。针对小规模英语版 Birdwatch 试点得出的结果,不能直接套用于规模更大、贡献者群体和展示规则均有所不同的多语言服务。

参与、备注撰写与贡献者角色

社群备注将平台的一般使用与参与备注系统区分开来。阅读已展示的备注不需要具备贡献者身份,但撰写备注和为备注评分则需要注册参与,并满足资格条件。X 曾采用涉及账号注册时长、近期违规记录,以及是否绑定可信运营商提供的已验证电话号码等标准。这些要求旨在提高创建一次性贡献者账号的成本,但并不能证明贡献者具备专业知识,也不能保证其行为具有独立性。

贡献者使用与日常账号身份不同的化名参与。这种身份分离旨在减轻声誉压力,使他人更难通过贡献者的公开个人资料对其进行奖励或惩罚。但这并不等于完全匿名:平台仍保留账号信息,而贡献内容或提交时间有时也会暴露贡献者的兴趣或所属关系。这一安排体现了在要求志愿者评估争议性内容的系统中,问责与数据隐私之间的张力。

贡献者可以提交备注,解释某条帖子为何可能具有误导性,或为何有必要补充背景信息。有帮助的备注通常会明确指出一个可核查的问题,给出简洁说明,并引用证据。针对照片的备注可能会链接到该照片更早的发布记录;针对某项数字说法的备注则可能指出原始数据集,并解释其中遗漏的分母。其目标是提供能够改变读者对帖子理解的信息,而不只是表达反对意见。

其他贡献者通过判断备注是否有帮助,并选择预设理由来评估备注。相关考量包括:备注是否有可靠来源支持,是否直接回应帖子的说法,语言是否清晰,以及是否避免了争辩性或煽动性措辞。贡献者也可以指出证据不相关、断言缺乏依据或曲解原帖等问题。这些判断既为评分提供输入,也能就备注撰写中反复出现的不足提供反馈。

贡献者的权限和声誉与其以往表现挂钩。系统会分别记录贡献者撰写的备注被认定为有帮助的情况,以及其对备注的评分与后续结果相符的情况。评分表现可能影响贡献者获得撰写权限。这会促使贡献者预判哪些判断能够经受更广泛的审查,而不是仅仅支持符合自身立场的备注。这也意味着声誉系统的设计会产生重要影响:错误的共识既可能影响备注的可见性,也可能影响参与评估者的声誉与权限。

跨观点评分机制

核心技术难题在于区分广泛有用的背景信息与有组织的支持。简单计票可能让规模最大或最活跃的群体占据优势,尤其是当某项说法涉及争议性话题时。社群备注采用的则是一种“搭桥”方法:一条备注应当获得过去并非一贯意见相同的贡献者的支持。它所要捕捉的信号,是跨越已观察到的分歧模式而形成的共识。

已公开的评分方法中,一个重要组成部分是矩阵分解,这项技术也用于推荐系统。评分可以表示为一张仅有部分数据可见的表格,一个维度是贡献者,另一个维度是备注。统计模型会估计这张表格中的模式,包括某些贡献者是否倾向于对特定类型的备注给出相似评分。由此得到的维度是从行为中推断出来的,并不直接代表政治身份、国籍或特定领域的专业知识。

这一建模思路的简化形式可以写作

r^un=μ+au+bn+puTqn,\widehat{r}_{un}=\mu+a_u+b_n+\mathbf{p}_u^{\mathsf T}\mathbf{q}_n,

其中,r^un\widehat{r}_{un} 是贡献者 uu 对备注 nn 的预测评分,μ\mu 是整体基准值,aua_u 表示贡献者特有的评分倾向,bnb_n 表示备注特有的分量,而 pu\mathbf{p}_u 与 qn\mathbf{q}_n 之间的交互作用则刻画了具有一定规律的分歧。这个方程旨在说明建模原理,而非完整复现实际运行系统中的每一条规则。正则化及其他约束有助于防止稀疏或异常的评分模式主导估计结果。

实际目标是在考虑评分者之间差异的基础上,识别出有用性信号较强的备注。通常评分相似的贡献者达成一致,相比具有不同评分模式的贡献者达成一致,所提供的跨观点共识证据更弱。反过来,一条备注即使获得某一群体的大量正面评分,如果其他相关贡献者始终不认可它,也可能无法被判定为有用。这与通常的多数决原则不同:仅仅积累票数未必足够。

实际运行的系统并不只有单一的拟合模型。已公开的实现方案采用过多个评分器、评分资格规则、阈值、异常模式检查,以及管理状态变更的机制。一条备注可能因为缺乏足够的共识证据而一直处于未定状态,而不是因为系统已认定它有误。这一区别至关重要:算法估计的是某种跨观点的有用程度,而非真相本身。其输出仍然取决于贡献者的覆盖范围、可获得的证据,以及规则中内含的假设。

证据、信息来源与有用备注的含义

社群备注介于批注服务与事实核查机构之间。备注往往发挥着事实核查的作用,但系统并不要求每次介入都判定整篇帖子是真是假。即使帖子的字面表述准确,只要遗漏了关键的限定条件,补充背景信息仍然可能有用。一张图表可能使用真实数据,却隐去了统计口径的变化;一段引语可能确有出处,却因删节而表达出与原意相反的意思。

因此,信息来源的质量至关重要。并非附上链接就足够了。所引用的材料必须能支持具体的纠正内容,贡献者也必须区分哪些结论是来源直接证实的,哪些是自己的推断。对于某些问题,原始记录、官方数据集、完整文字记录和同期文献比二手评论更能直接给出答案。而在另一些情况下,则需要专业报道或学术分析,才能解读那些容易遭到误解的证据。

社群备注与新闻业相互补充,但两者并不相同。记者可能会开展采访、查阅未公开的文件,或进行长期调查。社群备注通常依靠简短的说明,以及网上已经可以获取的证据运作。一则备注可以引用新闻报道,却不必重复报道的采编过程。因此,它的效用可能依赖于新闻机构、公共机构、研究人员和档案工作者共同维护的外部信息基础设施。

某些类别的说法尤其适合用简短备注加以说明。张冠李戴的引语、过时的图片、错误的日期,以及缺少背景信息的数字比较,往往都能得出相对明确的结论。预测、讽刺、价值判断和含义模糊的措辞则较难处理。贡献者可能把对优先事项的分歧误认为事实错误,也可能写出事实准确、却实际上并未反驳原帖的备注。因此,判断备注是否切题,与核查个别陈述同样重要。

一则备注被标记为“有用”,不应被理解为其每句话或每项来源都获得了全面认可。这一状态记录的,只是特定评估流程在特定时间得出的结果。来源可能修订,新的证据可能出现,备注的状态也可能改变。同样,一篇没有显示备注的帖子,可能从未经过评估,可能已有尚未得出评定结果的备注草稿,也可能涉及贡献者无法评估的说法。界面所呈现的是有选择的介入,而不是一份完整区分已核实与未核实内容的清单。

展示、分发与平台规则执行

备注能否被用户看到,与备注的创建是两个不同阶段。在备注醒目地出现在帖文下方、供普通用户查看之前,贡献者可能已经能够查看拟议的备注并对其评分。备注达到相关标准后,便可连同解释文字和佐证链接一起出现在主界面中。这种分阶段流程旨在防止未经审核的注释获得仿佛已获认可的纠正信息所具有的权威性。

备注创建与公开展示之间的区别会产生重要影响。在拟议备注仍处于评估阶段时,一条广泛传播的帖文可能已获得大量关注。即便备注已经显示出来,此前看过帖文的人也未必都能看到这条纠正信息。X 曾通过通知及其他界面机制,提醒与帖文有过互动的用户查看备注,但这些机制无法保证最初的受众会收到或阅读新增的背景信息。

媒体级备注将这一系统的作用范围扩展到了单条帖文之外。如果同一张具有误导性的图片被多个账号上传,为匹配的副本附加背景信息可以减少重复劳动。这对反复使用的旧照片、经过编辑的截图,以及被冠以虚假日期或地点的视频尤其有用。不过,匹配也带来了相关性问题:同一张图片可能出现在误导性论断、正当的新闻报道,或明确对其进行辟谣的帖文中。图片与其所附论断之间的关系仍然十分重要。

社群备注也有别于删除内容或限制账号使用权限的内容审核。备注通常是在保留原帖可访问状态的同时补充信息。平台的其他规则可以独立适用,包括涉及违法内容、骚扰或经篡改媒体的规则。因此,一条帖文可能并未违反内容移除政策,却仍被添加备注;也可能无论贡献者是否撰写备注,都已经违反了平台政策。

这一区别与表达自由有关,但并不意味着添加注释不会带来影响。醒目展示的纠正信息可能影响声誉、互动量、广告投放资格,或受众对某个账号的信任意愿。平台仍然掌控着界面、资格规则、排序机制,以及备注状态与其他产品功能之间的关联。社群参与重新分配了部分判断权,但并未消除平台的制度性权威。

关于准确性、说服效果与传播的研究

对社群备注的研究涉及几个不同的问题,需要不同类型的证据来回答。其一是获采纳的备注是否准确;其二是读者看到备注后,信念是否会发生变化;其三是备注能否减少分享或后续互动。这些结果彼此相关,却不能相互替代:准确的纠正信息可能来得太晚,无法影响传播;而互动减少本身也不能证明读者的理解有所改善。

詹妮弗·艾伦、卡梅伦·马特尔和戴维·兰德于2022年在《美国国家科学院院刊》发表了一项早期实验研究,考察了通过 Birdwatch 开展的众包事实核查。研究发现,在实验中向受试者展示被评为“有帮助”的备注,可以降低他们对误导性说法的相信程度。这提供了证据,表明经过筛选、由大众撰写的解释确实能够影响读者,而不只是表达贡献者的偏好。不过,这项研究并未证明每条备注都准确,也未证明实际运行的系统触达了所有相关用户。

区分实验条件下的效力与现实环境中的效果至关重要。在实验中,研究者可以安排参与者查看附有备注或不附备注的帖子,从而对因果关系得出更有力的结论。而在平台上,用户是否看到备注,取决于信息流、用户选择、时机和推荐系统。看到备注的人与没有看到备注的人之间,可能存在系统性差异。因此,观察性比较需要审慎控制相关因素,并明确所依据的假设。

基于平台数据的研究考察了备注开始显示前后,转发、点赞及其他互动的变化。一些研究报告称,备注附加后互动有所减少;另一些分析则强调,此时帖子的大部分传播可能早已发生。这些发现未必相互矛盾。备注发布后,可以降低新增分享的速度,但对于备注出现前已经积累的受众总量,其影响可能十分有限。

覆盖范围和筛选机制还带来了更多挑战。获得“有帮助”状态的备注,并不是从误导性帖子中随机抽取的样本。它们首先经过贡献者关注的筛选,随后又经过评分流程的筛选。因此,如果大量误导性内容仍未得到标注,只评估已发布的备注,可能会使人对整个系统形成过于乐观的判断。反过来,将每条尚无定论的草稿都视为一次失败的纠正,也会忽略其中某些草稿本身就不准确或与帖子无关。严谨的评估应分别考察准确性、覆盖范围、速度、触达情况和行为影响,而不是将它们压缩成一个单一的成功率。

协同行动、偏见与尚未解决的局限

社群注释的设计,部分是为了应对动机性推理:相较于支持自身既有观点的说法,人们可能会更严格地审视自己不愿接受的说法。不同观点者之间的共识可以减轻这种倾向带来的部分影响,却无法消除选择性关注。贡献者仍然自行决定检查哪些帖子、查阅哪些来源,以及为哪些注释评分。受到有组织群体关注的话题可能得到细致审查,而不那么显眼的错误则可能无人问津。

协同参与也带来了相关问题。某个群体可以指示成员撰写注释、认可对其有利的解释,或否决对其不利的解释。由于系统并非仅依据原始票数作出判断,协同行动并不会自动让注释获得“有帮助”状态。尽管如此,精心策划的协同行动仍可能试图影响评分历史、贡献者信誉,或能否获得跨越意见分歧的支持。资格审核和统计防护措施虽然设置了障碍,却不能证明每一次贡献都是独立作出的。

要求注释获得跨分歧支持,意味着必须在认可度与覆盖范围之间作出权衡。对于贡献者能够跨越惯常分歧达成共识的话题,这一要求可以促成格外可信的纠错。但在高度两极化的问题上,准确的注释也可能无法获得足够的跨观点支持。反过来,来自不同群体的贡献者也可能持有同一种错误假设。共识反映的是判断的分布,并不能从逻辑上保证这些判断符合现实。

不同语言、地区和主题领域的参与程度也不均衡。能否参与,取决于是否符合平台资格要求、是否有时间、对界面的熟悉程度,以及是否有可用的信息来源。因此,数字鸿沟影响的不只是哪些人能够阅读网络信息,还可能决定哪些人有能力为这些信息添加注释。使用人数较少的语言社群或专业话题领域,可能缺乏足够的活跃贡献者,因而即使存在可靠证据,也无法迅速评估注释。

贡献者的身心福祉与专业知识还带来了其他问题。志愿者可能接触到令人不安的内容、持续不断的冲突,或遭遇他人试图推断其真实身份的行为。专业人士可能发现,技术上准确的解释很难压缩成一则简短注释,也很难向非专业的评分者讲清楚。这些局限并非社群注释所独有,但当平台依赖志愿者劳动来处理可能产生重大影响的信息时,它们就显得尤为重要。评估这一系统,不仅要关注最终呈现出来的注释,也要关注维持持续参与所需的条件。

透明度、公开数据与制度问责

社区注释的一个鲜明特点,是公开评分代码、文档,以及可供下载的注释、评分和状态历史数据。这使外部研究人员能够比研究许多其他平台干预措施时,更深入地考察该系统的部分环节。这些公开材料可用于复现评分流程、分析贡献者行为,以及研究从注释创建到展示之间的时间间隔。

不过,代码公开并不意味着整个平台都透明。系统之外的推荐机制决定了哪些帖子获得关注,以及哪些用户会看到纠正信息。研究人员可能缺乏完整的曝光数据、已删除帖子的信息,也可能无法了解用于防止系统遭到滥用的全部措施。复现一条注释的得分,与还原某篇帖子及其注释如何触达特定受众的完整过程,是两回事。

这些数据也需要谨慎解读。注释的创建时间、首次被评为“有帮助”的时间、后续状态变化及其展示历史,分别对应不同的事件。在某一天下载的数据集,未必能反映之后发生的删除或修订。有些指标以帖子为统计单位,另一些则以注释、贡献者或评分为统计单位。将这些单位混为一谈,可能得出误导性结论,例如仅凭一条注释已公开可见,就推断所有受众都看到了它。

透明度在有利于研究的同时,也带来了隐私风险和被恶意利用的风险。详细的行为记录有助于识别协同行为,但也可能让观察者据此推断贡献者的行为模式。公开精确的评分规则使独立审查成为可能,却也可能帮助那些有意利用规则的参与者寻找薄弱环节。这是网络安全和制度审计中常见的矛盾:保密可能掩盖缺陷,而披露则可能暴露可供操纵的机会。

因此,社区注释与公众参与之间的关系也有其限度。贡献者在提出和评估背景信息方面发挥着实质性作用,但他们并不能共同掌控管理该系统的所有规则。平台决定准入要求、产品优先事项和软件部署。社区注释既不像传统的编辑部,也不像自治的公共机构。其问责机制依赖于公开的程序、外部研究、贡献者的实践,以及平台运营方所作的决策。

X 以外的采用情况及相关做法

社区注释是协作式知识生产这一更广泛历史进程的一部分。维基百科展示了志愿者如何共同编写和修订一部大型参考著作,但其运作程序与社区注释有很大差异。维基百科围绕条目、来源、编辑历史和编者讨论来组织工作。社区注释则围绕附加在特定帖子上的简短注释来组织工作,并通过统计程序决定哪些注释能被广泛展示。仅仅都有公众参与,并不意味着这两个系统在制度层面等同。

专业事实核查提供了另一个比较对象。事实核查机构通常会选择待核查的说法、开展调查,并在编辑责任明确的情况下发布结果。社区注释将筛选和评估工作分散给贡献者,其运作规模可以达到单一新闻编辑部难以企及的程度。同时,它也高度依赖其他来源提供的证据。在实践中,众包注释与专业核查可以相互支持,而非只能二选一:新闻报道提供证据,注释则将这些证据放在正在传播的说法旁边。

其他平台也试验过类似系统。YouTube 于 2024 年 6 月宣布开展一项测试,允许贡献者提交为视频补充背景信息的注释。2025 年 1 月,Meta 宣布,将在美国以社区注释式机制取代 Facebook、Instagram 和 Threads 上的第三方事实核查计划。这些举措使跨观点注释机制受到的关注超出了 Birdwatch 的发源平台。不过,仍须分别评估这些举措的政策、界面及其与平台规则执行之间的关系,而不能将它们视为某一种固定模式的复制品。

人工智能带来了另一种可能的分工方式。大语言模型可以辅助发现待核查的说法、查找来源、起草解释或翻译注释。但即便如此,仍然需要确认来源是否确实支持所作的纠正。生成的解释即使行文流畅,也可能包含缺乏依据的推断或并不存在的引文,而多个系统还可能重复同一个错误。人工评分和来源核验所解决的问题,与文本生成所解决的问题不同。

因此,相比于制度层面的成效,技术组件更容易移植。平台可以采用桥接算法,却无法因此复制 X 的贡献者群体、参与激励、数据公开做法或分发机制。视频服务、即时通信系统和公共社交网络在内容传播速度以及注释可展示的位置上也存在差异。比较研究必须直接考察这些条件:从背景信息的生成、筛选到最终被用户看到,整个过程包含多个阶段,评分者达成共识只是其中之一。