2023 10月到2024 6月美國總統大選協同群操作
摘要
美國總統選舉一直以來都吸引著全球的關注，對美國的國內政策和國際關係都產生了深遠的影響。這個每四年舉行一次的事件，引發了全世界的濃厚興趣，人們熱切地關注誰將進入白宮，以及這一變化將如何影響美國和全球的政策。
隨著俄烏衝突的持續、歐洲議會選舉中右翼勢力的崛起，以及川普再次作為候選人回歸，全球的社會局勢在近年來顯得相當動盪。這項研究將從2023年10月，即總統選舉前一年，至2024年6月進行詳細分析。研究共觀察到38,530個協同帳號，佔總社群聲量的15.1%，並檢視了131個戰場上的5,639篇與總統選舉相關的媒體報導。在這些報導中，有139篇（2.46%）與中國和俄羅斯的國家媒體有關。
我們在每個月的事件中，觀察了累積協同聲量達到50~60%聲量的事件，在這些事件中可以總結為七個主要的議題：川普的封口費醜聞、是否具有豁免權的判決、拜登的年齡問題、他的家人的刑責、援助烏克蘭以色列的爭議、邊境問題以及墮胎權問題。
在這些事件當中，我們觀察到協同群主要有三個操作的目標，分別是，攻擊美國總統候選人、操作境外議題與操作美國內政。
首先，協同團體針對美國總統候選人在司法案件中的爭議，質疑司法體系的公正性和有效性，進而影響選民的信任。例如，在封口費案件中，協同團體強調法官延後判刑的決定，質疑這是否是為了讓川普能夠透過上訴來拖延時間。同樣地，在國會暴動的豁免權案件中，最高法院認定川普在任期間享有部分豁免權，協同團體則利用這一點來批評最高法院存在政治偏見，進一步操作選民對司法體系的不信任（5.2%）。
針對候選者在認知方面的爭議，協同團體在美國民眾中附和認為不需要一個記憶差的人擔任總統（3.76%）；相反地，在中國民眾中，微博上的協同團體則直接點出美國總統的競爭候選者只有老人與罪犯，呼應中國官媒在報導川普刑事案件時所論述的「老人與罪犯之爭」。甚至提到這兩位候選者皆是為了不讓對方勝選而出來競選，並以此譏諷民主體制（12.75%）。這些行為顯示出協同團體在不同社群中使用不同策略來達到同樣的目標，即削弱對司法體系和候選人的信任，甚至延伸對民主體制的懷疑，從而加劇美國社會的分裂。
協同團體利用烏俄戰爭，操作美國民眾的反戰情緒與對政府援助法案的兩極風向。針對英文受眾，協同團體在支持與反對立場上都以偏激的言論來放大自身觀點，其中11.3%的論述烏克蘭應該被支持援助，而有8.9%的論述指出烏克蘭的腐敗，以及戰爭背後存在著西方國家的利益，進一步激化兩極化。針對中文社群，尤其是在微博上，協同團體的論述中有6.25%散播疑美論，將美國與北約描繪成俄烏戰爭背後的元兇。這種行為顯示出協同團體在不同語言和文化背景下使用不同策略，但其目標是一致的，即通過激化情緒和挑起矛盾來影響公眾輿論，削弱對政府和國際組織的信任。
在內政問題上，協同團體針對邊境議題、槍枝問題及女性墮胎權等熱點話題進行操作。在邊境法案上，同一個協同團體有8.37%的論述不僅攻擊民主黨在執政期間的失控移民潮，也有將近5.3%批評共和黨為了操作選舉而刻意阻撓法案的通過。他們透過炒作兩端不一致的觀點，加劇美國政黨的對立。
此外，協同團體利用德州移民湧入的情況，強調德州若無視聯邦的憲法，就是對法西斯的呼喚，並指控德州令人髮指的擴張，這樣類似的言論占比高達19.8%，甚至出現內戰的言論。在微博社群上的協同團體的更是有17%的言論炒作德州獨立。中文協同團體與英文協同團體的行為皆是利用內政問題來炒作政府與聯邦間的對立，不僅是在挑戰美國的體制，更是意圖分裂整個美國社會。
而在墮胎權事件中，協同團體有4.5%的論述將討論風向引導至對司法體系的質疑，攻擊法院的判決，認為其不應影響女性的權利。此外，同一協同團體（twitter@10946）也參與了與川普相關的刑事案件爭議，這表明協同團體刻意操作民眾對司法體系的不信任，從而加劇美國的反政府情緒。
從協同團體的整體操作來看，他們的目標是讓選民對候選者感到失望和不信任，並刻意放大兩黨的政治爭議，試圖極化美國民主社會。在國內議題上，他們通過炒作司法案件、邊境問題、槍枝問題及女性墮胎權等熱點話題，來激化對司法體系和政府的質疑，煽動反政府情緒。在境外議題上，他們則將西方國家描繪成戰亂的真兇，目的是分化民主社會，讓選民對民主感到疲憊和失望。協同團體在不同語言和文化背景下使用不同策略，但其目標是一致的，即通過激化情緒和挑起矛盾來削弱對政府和國際組織的信任，進而分裂美國社會。
在整個事件中，有四個最具代表性的協同團體，這幾個協同團體在每個月的事件中都不斷的出現。而這些協同團體除了參與上述的事件外，也涉足國外的政治活動。例如，Twitter #10946 和 Twitter #10968 參與了歐洲相關的政治事件，而 YouTube #253 和 YouTube #72 則在 TikTok 禁令事件中，呼應了中國官媒的論述。從這些跡象及協同團體操作的目的可以看出，這些協同團體並非來自某一政黨或民間組織，而是有境外勢力介入，試圖通過資訊戰影響美國選民的認知。
與過去相比，現在的協同團體已經相當成熟。他們不再僅僅依靠大量洗文章或機器人留言的方式。
Methodology
台灣人工智慧實驗室（Taiwan AI Labs）使用其分析工具「Infodemic」來檢視不同社交媒體平台上的資訊操作。
圖1 展示了本報告的分析流程，主要包括三個階段：
- 使用者特徵提取：我們評估並量化使用者的行為特徵，將這些特徵轉換為使用者向量，以供進一步分析。
- 使用者分群：利用這些使用者向量，我們建立具有相似行為模式的使用者網絡，並應用社群偵測演算法來識別高度相關的使用者群體，將其分類為協作單位進行更深入的研究。
- 群組分析：我們探討這些協作帳號的策略，重點關注他們的主題選擇、操作方法，以及他們傾向支持或反對的entity。
使用者特徵提取
為了有效捕捉社交論壇上的使用者信息，我們提出了兩組特徵集：
使用者行為特徵
準備數據以突出使用者行為特徵對於從資料集中獲取有意義的見解至關重要，其中包括有關社交媒體貼文（或影片）及使用者互動的各種詳細資料。我們收集了多種原始社交媒體數據，並將其轉換為結構化格式，這些格式的列描述了使用者行為的各個方面，如「使用者互動的目的地」（由post_id或video_id表示）、「使用者操作的時間」和「使用者分享的連結網域」等。這些使用者行為特徵將進一步轉換和結構化，以便於評估使用者相似性及進行分群分析。
共現特徵
共現特徵旨在找出經常涉及相似主題或與相同文章互動的使用者。為了量化這些使用者之間的特徵，我們使用了非負矩陣分解（NMF），這是一種應用於數據分析和降維的數學方法。此技術將給定的矩陣分解為兩個或更多的矩陣，確保這些矩陣中的所有元素都是非負的。
使用者分群
使用者相似度評估
在確立使用者特徵後，我們開始檢視使用者之間的協作關係。對於行為特徵，我們比較使用者對行為特徵的各種表現，並將結果縮放到0到1之間。例如，針對使用者活動的時間，我們記錄每個使用者在一週內活動的時間，並將其表示在一個7×24維度的矩陣中。隨後，我們計算基於這些活動時間矩陣的使用者之間的餘弦相似度。
在共現特徵方面，我們也使用餘弦相似度來評估使用者共現向量的相似性，這涉及計算這些向量之間角度的餘弦值，以確定使用者反應或行動的相似度。此方法在社交媒體研究中特別有效，能夠根據共享的行為模式將使用者分組。具有高餘弦相似度的使用者表明其行為模式密切協調，揭示出具有相似興趣或互動習慣的使用者群體。
使用者分群
在計算使用者特徵間的配對相似度後，我們會將超過設定閾值的使用者配對連結起來，形成使用者網絡。建立網絡後，我們使用Infomap演算法進行分群。Infomap是一種社群偵測演算法，基於信息流動來識別網絡結構。此網絡中的社群隨後被分類為「協同群」，以供進一步分析。這種方法讓我們能夠系統性地識別並分類表現出協作行為模式的使用者群體，這通常是「協同行為」的指標。
分群分析
意見分群
為了有效解讀各使用者群體提出的敘事，我們對「協同群」的評論使用文本分群方法。通過利用預訓練的文本編碼器，我們將每條評論轉換為向量形式，然後使用分層分群算法將相似的貼文組織成連貫的群組。這些分群後的貼文群組將在後續討論中進行進一步分析，提供一個結構化框架來檢視和理解協同群論述中盛行的敘事和主題。
立場檢測與敘事總結
大型預訓練語言模型已經展示出在識別文本內容中的entity並提供有洞見的解釋方面的有效性。這一功能有助於掌握話語的關鍵組成部分，特別是在分析評論和評估對這些已識別entity的影響時。
在我們的分析中，我們使用了台灣LLM進行文本檢查。台灣LLM是一個基於主要台灣語言語料庫預訓練的大型語言模型。它在理解繁體中文方面表現出色，尤其擅長識別和解釋與台灣相關的主題和entity。我們具體使用台灣LLM來辨別每條評論中提到的重要主題、entity及組織名稱。此外，它還評估評論作者對這些entity的觀點，並將其情感分類為正面、中立或負面。此方法系統地應用於所有意見群組。
最終，我們旨在計算意見群組中每個主要主題或entity被提及的比例，以及與每個主題或entity相關的正面或負面情感的百分比。此外，我們使用語言模型為每個意見群組生成摘要，幫助數據分析師快速理解事件的整體概況以及話語中盛行的情感。
