異言網：資料收集與處理經驗分享 China Dissent Monitor: Experiences in Data Collection and Processing

筆記

計畫目的

• 計畫主要目的是系統性地收集中國的抗議事件，範圍限縮在中國本土，香港、澳門不在範圍之內。
• 定義「抗議」時，用了比較寬鬆的方式
  • 行動者在中國本土表達不滿、維護權益、促進自身或公共利益，都在紀錄的抗議事件範圍中。我們希望盡可能搜集到不同類型的活動，從最基本的勞工抗議、到白紙運動，都會紀錄
  • 包括線上跟線下的抗議，希望盡可能被政府刪掉的資訊留下來，主要還是以線下為主，線上是紀錄比較指標性的網路抗議為主
  • 但什麼是「抗議」？有時候規模比較大、金額比較大的消費者糾紛，我應該把其他的消費者糾紛也放進來？常遇到這樣的問題。目前解決方式就是分析師討論，達成共識

起因

• 希望能填補資訊的缺口
  • 2003-2007 年中國有發佈「群體性事件」的統計資料，有 10 萬起
  • 1990 年開始也有相關的資料，只是不是從官方發佈
  • 2008 中國停止公布，到 2014 之間就比較沒有看到資料
  • 直到 2014 年「非新聞」的創立，盧昱宇、李婷玉兩個人工作十幾個小時，在中國常用的社群平台上收集抗議事件，做基本的核實之後記錄下來，包括貼文內容、影片、照片，紀錄的案件大約 7 萬多筆
  • 2016 年盧昱宇、李婷玉兩人被判刑，後來就沒有類似的計畫
  • 紀錄這件事的主體從官方變成個人，資料量是有下降的；但非新聞紀錄的事件還是蠻多的
  • 2022 年異言網發佈，目前是 5 千多筆資料，從此差距可以看到網路資訊環境有很大的變化
  • 以前容易取得的抗議事件資料消失得愈來愈快，也更難想像可以從哪裡找到這些資料
  • 但我們剛好遇到中國抗議事件比較蓬勃的期間，從 6 月開始記錄，7 月就遇到河南銀行的抗議事件，儲戶的錢被官股銀行的理事拿走，這個錢到現在都還沒找回來。他又剛好在 covid-19 的期間。有好幾次儲戶想要去北京上訪抗議，但他們的健康馬就變成紅碼（被認為跟感染者接觸需要隔離，可參犯我者虽远必朱 ）。後來就有比較大的抗議在鄭州，有國際報導。
  • 7 月之後也有各種大小的反封控抗議，接下來是白紙運動，會看到幾萬人上街抗議的盛況
  • 當天我只是想看有沒有新的河南銀行抗議事件，發現微博被抗議政府封控政策的文章洗版，我週末就在電腦前坐了兩天
  • 後來有人說自由之家是白紙運動的幕後黑手，因為我們發布計畫之後幾個月就有白紙運動，但我們只有三個人…不可能做到這個大的改變

資料處理流程

• 線索表：彙整檢查由不同來源收集的抗議事件線索
  • google sheet
• 資料表：依照計畫鎖定欄位標示每一起抗議事件
  • google sheet
• 網站：將編碼後資料與影音檔案上傳

使用線索表的原因

• 但目前從線索表到上架可能需要幾個月的時間，是我們目前正在努力解決的問題
• 人力問題影響很大，我們能找到的資料量都遠超過能夠紀錄的量，需要有個地方把來不及紀錄的資料留下來，方便其他人可以處理
• 搜集資料是從社群平台、信賴的新聞網站，需要有個地方（線索表）讓大家不要在同樣的來源重複做工

線索表除了人工蒐集以外，還有以下資料來源

• 跟 double think 合作的機器學習模型和微博爬蟲，DT 會用我們提供的關鍵字清單，每天固定時間把想找的資料記錄下來，並 AI 判斷他是我們想找的抗議事件的機率有多高，我們每半個月處理一次 DT 傳回來的資料，並把高於 70% 機率的資料手動再確認一次，判斷我們的貼文是不是我們想找的，是的話再放到線索表裡。也會將確認後的結果放回訓練模型裡，讓他表現得更好
• 合作夥伴的提供：無論是由分析師自己找的資料、DT 的爬蟲，能找到的都是相對比較一般的抗議事件。西藏或新疆的事件，無法在我們平常使用的平台上找到資訊。另外我們也不會講當地的語言，需要夥伴標註這些抗議事件為什麼是抗議，會包括文化跟政策背景的差異
• 中國對於 LGBTQ 的活動壓制愈來愈大，活動不那麼公開，在性別議題上有其他單位合作，讓我們可以得到這些資訊

線索表的格式

• 建立事件指紋：省份/地級市 時間 抗議時間簡述［專有名詞］
• 建立事件指紋的重要性：當資料量一大你會忘記自己記過什麼東西，當同時有好幾個人一起做資訊收集時，問題會更嚴重，你可能會紀錄到其他人已經紀錄的東西
• 專有名詞，如果是抗議建商，會紀錄建商的名字；勞工抗議，會紀錄業主的名字，方便查詢

資料表的格式

• 從線索表的資料編碼，成為資料表：至少有 20 個欄位，包括時間、地點、模式（抗議標語）、群體（不同產業勞工）、議題、對象（抗議對象）、規模（線上／線下）等等
• 有中英文標籤，後來有把轉譯英文的部分自動化

官網

• 如果抗議事件有其他的文件或圖片會一併上傳
• 網站上有簡單的視覺化儀表板，有數量、地點、發生機率等等，但是是提供參考而已，因為從發生到上架會有幾個月的延遲
• 資料可以提供下載（除了照片跟影片沒有）
• 點進事件中有詳細資料
• 去年做了照片牆，考量到一般人對資料可能沒有那麼強烈的需求，想提供視覺化一點的內容（游標指過去影片就會動等等）
• 也用資料做了分析報告，每一季做一次
• 5 月底會辦圓桌論壇，大家有空的話可以來參加

困難

• 中國網信辦的網路審查的力道，從 1990 年到我們收集資料的期間，感覺到你能在網路上收集的資料愈來愈少

Q&A

Q. 如何避免東西消失？被中國政府刪掉？

• 至少有四份備份，兩份實體、兩份線上，分析師自己的電腦、每週會對做的內容備份

Q. 有沒有碰過阻斷攻擊？

• 還沒遇過。不太確定其他在做類似資料的單位（例如中國勞工通訊）有沒有，但好像大家都沒有，可能還算蠻安全的