COVID-19 Misinformation Analysis

In March 2020, during the early days of COVID-19 pandemic, we initiated a project that aimed to understand how COVID-19 misinformation were spreading in Thailand and how to stop them. We collected thousands of public messages in social media platforms such as Facebook, Twitter, Youtube, and Pantip (the most famous Thai webboard) that contained some keywords related to misinformation statement such as COVID-19 was a biological weapon, one can prevent COVID by simply keeping the moisture in the throat, or wearing a mask would make the blood acidic. We then asked human volunteers to classify each message whether it was meant to be a misinformation spreader (the one who spreads false information) or corrector (the one who corrects the false information).

The result was eye opening. From eight topics that we analysed, not only we found that almost all COVID-related misinformation spread in clusters, we also found that the presence of a strong group of correctors who had high engagement (“super-correctors”) was highly correlated to the stop of misinformation in each cluster, especially where the presence of super-correctors were many and early. It therefore strongly suggested that a coordinated planning and execution of misinformation correctors such as fake news detection communities, news channels, and highly-influential individuals (“micro-inflencers”) is needed if we want to better a chance of prompt mitigation of misinformation. This finding is being used to inform the coordinated planning of misinformation mitigation network in Thailand led by Cofact Thailand.

The full analysis is available in Thai here.

เราจะหยุดยั้งการระบาดของข่าวลวงด้วย Super-corrector ได้อย่างไร

ผลการวิเคราะห์ข่าวลวงเรื่อง COVID-19 ชี้ให้เห็นว่าข่าวลวงจะแพร่กระจายน้อยลงเมื่อมีองค์กรสื่อและโซเชียลมีเดียที่มีผู้ติดตามมาก เป็นผู้แก้ข่าวนั้นพร้อมๆ กันทันทีหลังพบ Super-spreader

ชิตพงษ์ กิตตินราดร และทีมวิจัย
สถาบันเชนจ์ฟิวชั่น (ChangeFusion)
เมษายน 2563

ปัญหาการแพร่กระจายของข้อมูลเท็จ หรือที่เรียกว่าข่าวลวง เป็นปัญหาที่มีความรุนแรงมากขึ้นเรื่อยๆ และส่งผลต่อชีวิตและสังคมอย่างจับต้องได้ ตัวอย่างเช่นในช่วงเวลาปัจจุบันที่โรค COVID-19 กำลังแพร่ระบาดไปทั่วโลก ข่าวลวงและข้อมูลเท็จเกี่ยวกับการตรวจหาโรค การป้องกันตัว และการรักษา ล้วนส่งผลกระทบต่อชีวิตของคน เพราะถ้าผู้รับข่าวนำเนื้อหาในข่าวลวงไปปฏิบัติ ก็จะทำให้เกิดความเสี่ยงที่จะเกิดปัญหาทั้งต่อตนเอง ชุมชน และสังคมได้

การแก้ปัญหาข่าวลวง จึงเป็นวาระที่สำคัญของสังคม องค์กรสื่อ ภาคประชาชน และรัฐบาล ต่างเริ่มตื่นตัวจริงจังในการแก้ปัญหา โดยเกิดศูนย์ข่าวที่มีภารกิจในการแก้ไขข่าวลวงโดยเฉพาะ ควบคู่ไปกับการดำเนินการคล้ายคลึงกันของเพจที่ได้รับความนิยมบนเครือข่ายสังคม อย่างไรก็ตาม ในสังคมไทยแทบจะยังไม่มีการศึกษาเกี่ยวกับธรรมชาติของข่าวลวงว่ามีคุณลักษณะด้านต่างๆ อย่างไร และวิธีการไหนจะสามารถหยุดหรือป้องกันการแพร่กระจายของข่าวลวงได้ดีที่สุด การขาดความรู้นี้ทำให้การดำเนินการต่างๆ เกี่ยวกับข่าวลวงขาดความมั่นใจและสิ่งยืนยันว่าดำเนินการอย่างตรงจุดและได้ผล

เมื่อต้นปี 2563 ในช่วงที่ COVID-19 เริ่มระบาด ผู้เขียนได้มีโอกาสร่วมพัฒนาโครงการ Cofact ประเทศไทย ซึ่งมีเป้าหมายในการสร้างกลไกการตรวจสอบข่าวลวง ผ่านเว็บไซต์ cofact.org ควบคู่ไปกับการสร้างเครือข่ายออนไลน์ของอาสาสมัครที่ทำงานตรวจสอบข่าวลวง หนึ่งในปัจจัยสำคัญที่จะทำให้ Cofact บรรลุถึงเป้าหมายนี้ได้ คือการพยายามตอบคำถามว่า “ข่าวลวงเป็นอย่างไร มีพฤติกรรมอย่างไร และจะหยุดยั้งการระบาดได้อย่างไร” ผู้เขียนจึงได้พัฒนากระบวนวิธีที่จะทำให้ได้มาซึ่งคำตอบดังกล่าว

กระบวนการ เริ่มด้วยใช้ข้อมูลจากโซเชียลมีเดีย เช่น Facebook, Twitter, Instagram, Youtube, บล็อก และเว็บข่าวต่างๆ ซึ่งรวบรวมโดยบริการ Zocial Eye ของบริษัท Wisesight โดยข้อมูลแต่ละรายการ ประกอบด้วยวัน เวลา, ข้อความ, แพลตฟอร์ม, URL, Engagement เป็นต้น

จากนั้น นำข้อมูลโซเชียลมีเดียที่มีคำหรือกลุ่มคำตามหัวข้อที่สนใจ มาพล็อตดูรูปแบบการกระจายตัวหรือการกระจุกตัวของข้อความ โดยรูปแบบนี้จะพิจารณาเทียบกับเวลาที่นับตั้งแต่ข้อความแรกปรากฏ ร่วมกับจำนวนปฏิสัมพันธ์ (Engagement) ของแต่ละข้อความ เช่นตัวอย่างหัวข้อ “COVID-19 เป็นอาวุธชีวภาพ” พบว่ามีข้อความที่เกี่ยวข้อง กระจุกตัวเป็นสองกลุ่ม นั่นคือกลุ่มแรก รวมศูนย์อยู่ที่ประมาณวันที่ 10 หลังจากที่พบข้อความแรก และกลุ่มที่สอง รวมศูนย์อยู่ที่ประมาณวันที่ 30 หลังจากที่พบข้อความแรก

เพื่อทำให้การวิเคราะห์เกิดประโยชน์ จึงจำแนกข้อความข่าวแต่ละข้อความเป็นสี่ประเภท ได้แก่

1. Super-spreader คือข้อความที่เผยแพร่ข้อมูลที่ผิด ที่มี Engagement มากกว่า 30 ครั้ง หรือเผยแพร่โดยสำนักข่าวหรือเว็บไซต์ที่มีชื่อเสียง

2. Spreader คือข้อความที่เผยแพร่ข้อมูลที่ผิด ที่เผยแพร่โดยบัญชีเครือข่ายสังคมหรือกระทู้บนเว็บบอร์ดโดยคนทั่วไป

3. Super-corrector คือข้อความที่แก้ไขข้อมูลที่ผิด ที่มี Engagement มากกว่า 30 ครั้ง หรือเผยแพร่โดยสำนักข่าวหรือเว็บไซต์ที่มีชื่อเสียง

4. Corrector คือข้อความที่แก้ไขข้อมูลที่ผิด ที่เผยแพร่โดยบัญชีเครือข่ายสังคมหรือกระทู้บนเว็บบอร์ดโดยคนทั่วไป

ทั้งนี้ การจำแนกประเภทของข้อความจะดำเนินการโดยการอ่านและวิเคราะห์เนื้อหาข่าวลวงทีละเรื่อง

เมื่อแบ่งประเภทข้อความตามเกณฑ์ข้างต้น พบว่าจาก 194 ข้อความที่พบ เป็น Super-spreader 11 ข้อความ (5.67%), Spreader 119 ข้อความ (61.34%), Super-corrector 42 ข้อความ (21.64%), และ Corrector 22 ข้อความ (11.34%)

เห็นได้ว่า ในบรรดากลุ่มข้อความที่แพร่ข่าวลวง Spreader ทั่วไปมีจำนวนมากกว่า Super-spreader มาก ในขณะที่สัดส่วนของกลุ่มผู้แก้ข่าวนั้นเป็นทางตรงกันข้าม นั่นคือ Corrector มีจำนวนน้อยกว่า Super-corrector นั่นหมายถึงว่าคนทั่วไปมีแนวโน้มที่จะกระจายข่าวลวงที่ได้รับมา แต่ไม่ค่อยจะเป็นผู้แก้ข่าวเมื่อได้รับข้อมูลใหม่ที่เป็นความจริง

ต่อมา เมื่อพิจารณาดูสัดส่วนของแพลตฟอร์มที่พบข่าวลวงและการแก้ข่าวลวง พบว่า Facebook และ Twitter เป็นแพลตฟอร์มยอดนิยมของทุกกลุ่ม อย่างไรก็ตาม พบว่า Super-corrector มีสัดส่วนที่จะอยู่บนเว็บข่าวสูง ซึ่งชี้ให้เห็นว่า องค์กรสื่อมีบทบาทสูงในการเป็นผู้แก้ข่าวลวง

สัดส่วนแพลตฟอร์มของข่าวลวงเรื่อง COVID-19 เป็นอาวุธชีวภาพ ส่วนมากพบใน Facebook แต่สังเกตว่ากลุ่ม Super-corrector มีสัดส่วนของเว็บข่าว (news) มากกว่าในกลุ่มอื่น

สัดส่วนแพลตฟอร์มของข่าวลวงเรื่องการใส่หน้ากากอนามัยทำให้เลือดเป็นกรด ส่วนมากพบใน Facebook แต่สังเกตว่ากลุ่ม Super-corrector มีสัดส่วนของเว็บข่าว (news) มากกว่าในกลุ่มอื่น

ขั้นตอนต่อมา คือการพิจารณาปฏิสัมพันธ์ระหว่างข้อความที่อยู่ในบทบาทต่างๆ โดยดูรูปแบบการปรากฏและความสัมพันธ์ของข้อความในบทบาทต่างๆ ภายในกลุ่มกระจุกตัว (Cluster) เดียวกัน พบข้อสังเกตที่น่าสนใจ คือการระบาดของข่าวลวงในกลุ่มกระจุกตัวหนึ่งๆ มีแนวโน้มที่จะยุติลง (จำนวน Spreader ลดลงจนแทบจะหายไป) หากกลุ่มกระจุกตัวนั้นมี Super-corrector จำนวนมากแก้ข่าวในเวลาไล่เลี่ยกันหลังจากที่พบข้อความประเภท Super-spreader ในทางกลับกัน หากกลุ่มกระจุกตัวนั้นขาด Super-corrector ข่าวลวงก็จะระบาดต่อไปโดย Spreader ที่มีจำนวนไม่ลดลง

ข่าวลวงเรื่อง COVID-19 เป็นอาวุธชีวภาพ พบการระบาดสอง Cluster โดย Cluster แรกมี Super-corrector จำนวนมากแก้ข่าวพร้อมๆ กันจึงหยุดระบาด ในขณะที่ Cluster ที่สอง มี Super-corrector ในช่วงแรกๆ ก็จริง แต่มี Super-spreader ภายหลัง ทำให้การระบาดต่อเนื่องออกไปโดย Spreader

ข่าวลวงเรื่องการป้องกัน COVID-19 ด้วยการรักษาความชุ่มชื้นของลำคอ พบการระบาดสอง Cluster โดย Cluster แรกมี Super-corrector จำนวนมากแก้ข่าวพร้อมๆ กัน จึงหยุดระบาดอย่างชัดเจน ในขณะที่ Cluster ที่สองยังไม่พบผลการทำงานของ Super-corrector ณ วันที่วิเคราะห์ข้อมูล

ข่าวลวงเรื่องการกลั้นหายใจ 10 วินาทีเพื่อตรวจว่าติด COVID-19 หรือไม่ พบการระบาดสาม Cluster โดย Cluster แรกไม่พบ Super-spreader คาดว่ามาจาก LINE และมี Super-corrector จำนวนมากหยุดการแพร่ ต่อมา Cluster ที่สองพบ Super-spreader เล็กน้อย แต่ Super-corrector รีบแก้ไขร่วมกัน ทำให้หยุดระบาดไปอีกช่วง มาระบาดอีกครั้งใน Cluster ที่สามซึ่ง ณ วันที่เก็บข้อมูลพบ Super-corrector กำลังทำงานอยู่

ข่าวลวงเรื่องการใส่หน้ากากอนามัยทำให้เลือดเป็นกรด พบการระบาดสอง Cluster โดยแต่ละ Cluster มีที่มาจากคำพูดของดาราและคนดัง การระบาดรุนแรงมากในช่วงแรก แต่ละ Super-spreader มี Engagement สูง (เพราะเป็นข่าวคล้ายข่าวดารา) ต้องใช้ Super-corrector จำนวนมากทำให้การระบาดชะลอลง แต่ก็มาระบาดใหม่จากแหล่งข่าวใหม่ ซึ่งหยุดยั้งได้อย่างรวดเร็ว อาจเป็นเพราะ Super-corrector ช่วงแรกได้วางรากฐานแก้ข่าวนี้ไว้ก่อนแล้ว

ข่าวลวงเรื่องการรักษา COVID-19 ด้วยการดื่มน้ำกระเทียมต้ม พบการระบาดสาม Cluster แต่ละ Cluster พบผู้แพร่จำนวนไม่มาก แสดงว่าที่มาน่าจะอยู่บน LINE ทำให้ Super-corrector และ Corrector ต้องทำงานเป็นระยะๆ

ข่าวลวงเรื่องการรักษา COVID-19 ด้วยการฉีดสเปรย์เบตาดีน พบการระบาดสอง Cluster โดยการระบาดจบที่ Cluster ที่สองภายในเวลาเพียง 12 วันนับจากวันแรกที่พบข้อความ ถือว่าเป็นข่าวที่ผู้แก้ข่าวทำงานได้ผลอย่างเบ็ดเสร็จเด็ดขาด สังเกตว่าพอ Super-corrector ทำงาน จะมี Corrector ที่เป็นคนทั่วไปโพสต์แก้ข่าวตาม Super-corrector ทันทีภายในวันเดียวกันหรือวันถัดไป

นั่นหมายความว่า การทำงานร่วมกันอย่างเป็นระบบ (Coordinated effort) และทันท่วงที (Timely) ขององค์กรสื่อและสื่อโซเชียลมีเดียที่มีผู้ติดตามจำนวนมากในการแก้ข่าวลวง เป็นเงื่อนไขที่สำคัญในการหยุดยั้งการระบาดของข่าวลวง

สุดท้าย เราสามารถวิเคราะห์เนื้อหา (Text analysis) ของข้อความในการระบาดแต่ละระยะ โดยแบ่งการระบาดภายในกลุ่มกระจุกตัวแต่ละกลุ่มออกเป็นสองระยะ คือระยะเริ่มต้น กับระยะพัฒนา

จะพบว่าในระยะเริ่มต้น การระบาดมักจะเริ่มโดย Spreader ในลักษณะการพูดลอยๆ เป็นความคิด ข่าวลือ ในขณะที่การระบาดในระยะพัฒนา เนื้อหาจะดูมีความน่าเชื่อถือ เป็นวิชาการ หรืออ้างว่ามีที่มาที่เป็นความลับ เป็นต้น อย่างไรก็ตาม ข้อสังเกตนี้ไม่ได้เป็นจริงในทุกกรณี ขึ้นอยู่กับลักษณะเนื้อหาของข่าวนั้นๆ

นอกจากเรื่อง COVID-19 เป็นอาวุธชีวภาพแล้ว ผู้เขียนได้ใช้วิธีการนี้วิเคราะห์ข่าวลวงเรื่อง COVID-19 สามารถติดทางจดหมายหรือพัสดุได้, การตรวจ COVID-19 ด้วยการกลั้นหายใจ 10 วินาที, การป้องกัน COVID-19 ด้วยการรักษาความชุ่มชื้นของลำคอ, การใส่หน้ากากอนามัยทำให้เลือดเป็นกรด, การรักษา COVID-19 ด้วยการดื่มน้ำกระเทียมต้ม, การรักษา COVID-19 ด้วยการฉีดสเปรย์เบตาดีน, และการดื่มน้ำอุ่นเพื่อฆ่าเชื้อ COVID-19 รวมแปดเรื่อง ซึ่งได้ผลใกล้เคียงกับข้อสังเกตจากเรื่องแรกที่ได้อธิบายไป (ยกเว้นการวิเคราะห์เนื้อหาที่แตกต่างกันไปตามลักษณะเนื้อหาของแต่ละข่าว)

ดังนั้น อาจสรุปได้ว่า ผลการศึกษาจากตัวอย่างเรื่อง COVID-19 ทั้งแปดหัวข้อโดยใช้กระบวนวิธีนี้ ชี้ให้เห็นถึงบทบาทและความสำคัญของกลุ่ม Super-corrector ซึ่งเป็นผู้แก้ข่าวลวง ที่เป็นได้ทั้งองค์กรสื่อ ศูนย์ตรวจสอบข่าวลวง เพจหรือผู้ใช้โซเชียลมีเดียที่มีผู้ติดตามสูง ที่ต้องคอยติดตาม ตรวจสอบ และเผยแพร่เนื้อหาแก้ไขความเชื่อ ความเข้าใจที่ผิด โดยจะมีโอกาสสูงในการหยุดยั้งการระบาดได้เมื่อ Super-corrector ร่วมกันแก้ไขข่าวนั้นอย่างรวดเร็วและพร้อมเพรียงกันเมื่อพบการระบาด

ข้อจำกัดและโอกาสในการพัฒนาการวิเคราะห์ข่าวลวง

การศึกษาโดยใช้กระบวนวิธีนี้ในครั้งนี้ เป็นความพยายามแรกๆ ในประเทศไทย ในการศึกษาเรื่องการระบาดและการหยุดยั้งการระบาดของข่าวลวงอย่างเป็นระบบ ซึ่งยังมีข้อจำกัดที่สำคัญ เช่น:

• กระบวนวิธี: เป็นการศึกษาความสัมพันธ์ระหว่างข้อมูลประเภทต่างๆ ที่สรุปผลจากระดับความสัมพันธ์ (Correlation) ไม่ใช่การยืนยันเหตุและผล (Causation) กล่าวคือเป็นการสรุปผลจากรูปแบบความสัมพันธ์ “ที่เห็น” ซึ่งไม่ได้หมายความว่าสิ่งที่เห็นต้องมีเหตุและผลเกี่ยวข้องกัน ดังนั้น การสรุปว่า “เมื่อมีสิ่งนี้ จึงพบสิ่งนี้” จึงไม่ได้หมายความว่า “เมื่อมีสิ่งนี้ จึงนำไปสู่สิ่งนี้” การยืนยันเหตุและผลของความสัมพันธ์ ไม่ใช่ขอบเขตของการศึกษานี้ ซึ่งสามารถทำได้ด้วยการทดลองอย่างเป็นวิทยาศาสตร์โดยการควบคุมตัวแปร หรือด้วยการเก็บข้อมูลที่ยืนยันความสัมพันธ์ระหว่างข้อความแต่ละประเภทได้ เช่นการยืนยันว่าข้อความของ Super-corrector “A” มาจากการที่ “A” เห็นข้อความนั้นจาก Super-spreader “B” ซึ่งเป็นข้อมูลที่เครื่องมือปัจจุบันไม่สามารถได้มาหรือยืนยันได้โดยง่าย

• ข้อมูลที่นำมาศึกษา: มีขนาดเล็ก จำกัดเพียงแค่ข่าวแปดหัวข้อเรื่อง COVID-19 เท่านั้น ซึ่งแต่ละหัวข้อ สามารถเก็บข้อมูลโซเชียลมีเดียที่เจ้าของเนื้อหาเปิดเผยเป็นสาธารณะเท่านั้น และไม่รวมเนื้อหาใน LINE ซึ่งไม่สามารถเข้าถึงได้เลยหากไม่ใช่เจ้าของหรือสมาชิกในกลุ่ม ข้อจำกัดนี้ทำให้ผลการศึกษาอาจไม่เป็นจริงในทุกกรณี

ดังนั้น หากผู้สนใจต้องการที่จะต่อยอดพัฒนากระบวนวิธีนี้ให้ดียิ่งขึ้น ผู้เขียนแนะนำให้มุ่งเน้นการพัฒนาในเรื่องดังต่อไปนี้:

• กระบวนวิธี: พัฒนาหรือออกแบบกระบวนวิธีที่จะสามารถยืนยันความสัมพันธ์เชิงเหตุและผล (Causation) เพื่อสนับสนุนระดับความสัมพันธ์ (Correlation) เช่น การหาวิธีเก็บและยืนยัน “การไหล” ของข้อมูลชิ้นหนึ่งๆ เป็นลำดับๆ และหาจุดที่ผู้รับข้อมูลชิ้นนั้นเปลี่ยนบทบาทจากผู้แพร่เป็นผู้แก้ไข

• ข้อมูลที่นำมาศึกษา: เก็บข้อมูลข่าวลวงประเด็นอื่นๆ และหัวข้ออื่นๆ ให้มากขึ้น และยืนยันข้อสรุปโดยการยืนยันนัยยะทางสถิติ (Statistical significance) ของสมมุติฐานเมื่อเทียบกับจำนวนข้อมูลทั้งหมด

บทความนี้เป็นส่วนหนึ่งของโครงการ Cofact ประเทศไทย

แนะนำ Cofact.org เว็บตรวจสอบข่าวลวง

Cofact คือพื้นที่สาธารณะที่เปิดให้ทุกคนมาช่วยกันตรวจสอบเรื่องที่น่าสงสัย ข่าวลวง ข่าวลือ ข่าวหลอก หรือความเชื่อต่างๆ ให้กระจ่างชัด ด้วยการร่วมกัน Post และ Comment ให้ความคิดเห็น ให้แหล่งอ้างอิงที่น่าเชื่อถือ แบ่งปันความรู้ประสบการณ์ หรือนำข้อความของผู้รู้มาส่งต่อให้เพื่อนๆที่ใช้งานระบบได้พิจารณาว่าควรเชื่อหรือไม่ เพื่อป้องกันการแพร่กระจายของข่าวลวงหรือความเชื่อที่ไม่กระจ่างชัด และได้รับความรู้ที่รอบด้านในประเด็นนั้นก่อนแชร์ต่อไปให้เพื่อนและครอบครัวของเราใน Social

หากพบข้อความที่น่าสงสัย อย่าเก็บเอาไว้คนเดียวหรืออย่าเพิ่งแชร์ต่อ เราขอชวนท่านนำมาตรวจสอบร่วมกันที่ Cofact

ปัจจุบัน Cofact มี 2 ระบบ ซึ่งท่านสามารถมีส่วนร่วมได้ที่:

• Website: https://cofact.org พื้นที่เปิดที่พร้อมให้คุณมา Post และ Comment ข้อความที่เป็นข่าวลือ ข่าวลวง ข้อความหลอก หรือความเชื่อต่างๆ เพื่อแลกเปลี่ยนสิ่งที่เรา “รู้” ร่วมกัน

• LINE @cofact ช่องทางให้คุณสามารถตรวจสอบเนื้อหาที่ได้เห็นหรือมีคนแชร์มาว่าเป็นข่าวลวงหรือไม่ ได้อย่างสะดวกและรวดเร็ว

เว็บไซต์ cofact.org

สำหรับผู้ที่ต้องการตรวจสอบข่าวลวง

1. เข้าไปที่เว็บไซต์ https://cofact.org

2. กดเมนู ค้นหาข่าวลวง ที่อยู่มุมขวาบน

3. หากต้องการค้นหาเรื่องที่สนใจ สามารถพิมพ์คำหรือข้อความ ลงในกล่องค้นหา แล้วกดปุ่ม Enter ในคีย์บอร์ดของท่าน

4. หรือสามารถค้นหาตามหมวดหมู่ โดยการคลิกเลือกหมวดหมู่ที่ถูกนำเสนอไว้ เช่น โควิด 2019

5. จากนั้นเลือกคลิกเข้าไปอ่านเรื่องที่ท่านสนใจ ท่านจะพบประเด็นที่มีคน Post เพื่อรอการตรวจสอบ และพบความเห็นของผู้ใช้ท่านอื่นที่มาช่วยกันตรวจสอบโดยมีข้อมูลหรือแหล่งอ้างอิงประกอบ

6. เมื่อท่านเข้าไปอ่านข้้อความแล้วหากมีความต้องการจะให้ความเห็น และยังไม่ได้สมัครสมาชิก กรุณากดเข้าไปสมัครสมาชิกก่อน จะสามารถเปิดกล่องให้ความเห็นได้

7. ในกรณีที่ต้องการ เพิ่มความเห็นใหม่ ให้กับข้อความที่มีผู้ Post ไว้แล้ว ให้กดเข้าไปที่ เขียนความเห็น
แล้วคลิกเลือกให้ความเห็นว่าเรื่องที่เรา Comment นั้นมีลักษณะเป็นอย่างไรโดยมีตัวเลือก 4 ประเภท ดังนี้

• ไม่อยู่ในขอบเขตการตรวจสอบ (หมายถึง เรื่องนี้ไม่ใช่ข่าวที่อยู่ในวิสัยที่จะตรวจสอบได้)

• มีความเห็นส่วนตัว (หมายถึง เรื่องนี้เป็นความคิดเห็นส่วนตัวไม่ใช่สิ่งที่กล่าวอ้างว่าเป็นข้อเท็จจริง)

• มีเนื้อหาที่เป็นจริง (หมายถึง เรื่องนี้มีข้อมูลหรืออ้างอิงที่น่าเชื่อถือว่าจะเป็นความจริง)

• มีเนื้อหาที่หลอกลวง (หมายถึง เรื่องนี้ไม่เป็นความจริง หรือมีข้อมูลที่คลาดเคลื่อนจากความจริง)

จากนั้นใส่ความเห็น และแหล่งที่มา ที่กล่องใส่ข้อความ ตรวจทานดีแล้ว แล้วกดปุ่มส่งความเห็น

สำหรับผู้ที่ต้องการ Post ข้อความที่ต้องการตรวจสอบและ Comment ข้อความในระบบ

1. เข้าไปที่เว็บไซต์ https://cofact.org

2. กดเมนู ค้นหาข่าวลวง ที่อยู่มุมขวาบน

3. กดปุ่ม สมัครสมาชิก ที่อยู่มุมขวาบน

4. สมัครสมาชิก โดยใส่อีเมล และpassword แล้วกดสมัครสมาชิก

5. ในกรณีที่ต้องการ สร้างบทความใหม่ ให้ใส่ /create ตามหลัง https://cofact.org จากนั้นเข้าไปใส่เนื้อหาข่าวลวงที่กล่องใส่ข้อความ

• ข้อความดั้งเดิม (คือหัวข้อข่าวลวง หรือเนื้อหาข่าวต้นฉบับที่ต้องการตรวจสอบ)

• เหตุผล (ช่องนี้ยังไม่ต้องใส่)

• ลิ้งค์ไปยังต้นทางบทความ (หากไม่มีไม่ต้องใส่)

ตรวจทานดีแล้ว จากนั้นกดปุ่ม ส่งบทความใหม่

จากนั้นเลือกหมวดหมู่ให้กับบทความที่เพิ่งสร้าง เช่น โควิด 2019 แล้วกดบันทึก

6. ในกรณีที่ต้องการ เพิ่มความเห็นใหม่ ให้กับข้อความที่มีผู้ Post ไว้แล้ว ให้กดเข้าไปที่ เขียนความเห็น
แล้วคลิกเลือกให้ความเห็นว่าเรื่องที่เรา Comment นั้นมีลักษณะเป็นอย่างไรโดยมีตัวเลือก 4 ประเภท ดังนี้

• ไม่อยู่ในขอบเขตการตรวจสอบ (หมายถึง เรื่องนี้ไม่ใช่ข่าวที่อยู่ในวิสัยที่จะตรวจสอบได้)

• มีความเห็นส่วนตัว (หมายถึง เรื่องนี้เป็นความคิดเห็นส่วนตัวไม่ใช่สิ่งที่กล่าวอ้างว่าเป็นข้อเท็จจริง)

• มีเนื้อหาที่เป็นจริง (หมายถึง เรื่องนี้มีข้อมูลหรืออ้างอิงที่น่าเชื่อถือว่าจะเป็นความจริง)

• มีเนื้อหาที่หลอกลวง (หมายถึง เรื่องนี้ไม่เป็นความจริง หรือมีข้อมูลที่คลาดเคลื่อนจากความจริง)

จากนั้นใส่ความเห็น และแหล่งที่มา ที่กล่องใส่ข้อความ ตรวจทานดีแล้ว แล้วกดปุ่มส่งความเห็น

LINE @cofact

1. เปิดเเอพพลิเคชั่นไลน์ จากนั้นทำการค้นหาเพื่อน พิมพ์ช่อง LINE ID ว่า " @Cofact" จะปรากฎ "Cofact" ให้เพิ่มเพื่อนทันที

2. ในช่องเเชทจะปรากฎ ข้อความเเสดงการทักทาย คุณสามารถส่งข้อความที่คุณสงสัยลงในระบบได้เลย Cofact จะทำการดึงข้อมูลที่เคยมีคนกล่าวถึงไว้ในระบบออกมาให้ท่านตรวจสอบ

3. ถ้าใน Cofact มีข้อความคล้ายกับที่สงสัย จะปรากฏตัวอย่างข้อความให้เลือก ถ้าต้องการดูรายละเอียดข้อความไหน กด เลือกอันนี้

4. แชทบอทจะสรุปให้ดูว่าข้อความที่เลือกนี้ มีคนให้ความเห็นว่าจริงหรือหลอกลวงกี่ความเห็น และมีตัวอย่างแต่ละความเห็นให้ดู หากต้องการอ่านความเห็นใด กด อ่านความเห็นนี้

5. เมื่ออ่านความเห็นเสร็จแล้ว สามารถเลือกตัวเลือกอื่นๆ ที่แชทบอทแนะนำ เช่น อ่านความเห็นอื่นๆ บนเว็บ Cofact หรือเพิ่มความเห็นใหม่ในกรณีที่ความเห็นที่ต่างจากความเห็นที่มีอยู่แล้ว เป็นต้น