Beyond Real or Fake: Human–AI Collaboration for Media Verification | NYCU ELITE EP43

NYCU 國立陽明交通大學 · 發布於 2026/09/30 上午09:46 · 更新於 2026/10/31 上午05:55 · 台北時間 · 本頁的資料來源與計算方式 ⓘ

觀看數
178次
喜歡
1次
YouTube 留言總數
0則
長度
—
字幕狀態未確認

觀看數觀測

目前僅一筆觀測 ·
178次

共同標籤

這支影片尚未比對共同詞彙

比對版本

youtube-quality-20261017-a

影片說明

Beyond Real or Fake: NYCU Explores Human–AI Collaboration for Media Verification (2026 October EP43) As AI-generated images and videos become increasingly convincing, a simple “real or fake” score is no longer enough. Fact-checkers need to understand what a model has flagged, why it appears suspicious, and whether the evidence supports its assessment. In this interview, Associate Professor Chih-Chung Hsu of the College of Artificial Intelligence at National Yang Ming Chiao Tung University (NYCU) shares the motivation behind his research into manipulated media. His team demonstrates a platform that combines multiple detection models, highlights suspicious regions, and provides explanatory reports to help users examine the results. A real photograph mistakenly flagged because of a face on a sign illustrates why human review matters. Hsu also explores how human observations could help AI recognize unfamiliar forms of manipulation, while the team explains how ONNX and model optimization can reduce computational demands. Looking ahead, media verification will require more than spotting visual flaws. Checking locations, sources, and context—and combining those findings with AI analysis—can provide a stronger basis for judgment. AI detection results provide supporting clues, not definitive proof. Human feedback remains an area of research, and model outputs should be assessed alongside other evidence. | CHAPTERS | 00:00 Introduction: Inside the Research Lab 00:23 The Fabricated Advertisement That Sparked the Research 01:06 Platform Demo: Multiple Models and Visual Clues 01:39 Why Fact-Checkers Need More Than a Score 02:27 When AI Gets It Wrong: Why Explanations Matter 03:33 How Human Observations Could Help AI 04:20 ONNX and More Efficient Model Deployment 04:49 Beyond Visual Flaws: Checking the Real World | STUDENT CONTRIBUTORS | Listed alphabetically by surname, not in order of appearance. You-Cheng Chao Bang-Kang Chen Wei-Chih Huang Chih-Yu Jian Chia-Yu Lin I-An Tsai | LEARN MORE | NYCU ELITE: https://elite.nycu.edu.tw/ NYCU NEWS: https://www.nycu.edu.tw/nycu/en/index Subscribe for more research stories and innovations from NYCU.

本頁的資料來源與計算方式

影片的數字

公開統計
觀看、喜歡與留言總數是取得當時的 YouTube 公開統計,不是即時數值;各項統計的觀測時間可能不同。「資料最後記錄」是影片資料的記錄時間,不代表觀看、喜歡或留言都在那時重新觀測。
觀看歷史
圖上每個點是實際儲存的觀測,連線只為方便閱讀,不代表中間時間的測量值;沒有歷史觀測時不建立時間序列。
喜歡占互動
喜歡 ÷(喜歡+不喜歡+顯示留言),任一來源缺值時不估算。
字幕
只記錄來源是否提供字幕,尚未擷取逐字稿,因此字幕不列入標籤比對。
觀測分析
直播逐時/逐日最高同時在線取自所讀直播紀錄;讀取上限、略過與解析失敗的筆數列在「資料涵蓋範圍與解析限制」。

共同標籤

標籤來源:新文易數(tag.observe.tw)。共同標籤以文字比對影片標題與說明,不是 AI 判讀;命中不代表事件歸屬或立場,與頻道分類分開。標題或說明出現標籤,不代表影片主題;可能來自固定宣傳或版權文字。字幕尚未取得,不列入比對。

比對範圍
僅列出目前詞彙版本與影片標題、說明仍相符的比對結果;待比對或來源文字已變動的影片不列入,數量見「收錄與比對範圍」。
期間
「往前 N 日」包含今天與前 N 天,共 N+1 個台北日曆日(往前 7 日為 8 個日曆日);指定起訖日期時以實際起訖日為準。日數、日期與小時條件同時套用。
命中片段
每支影片最多顯示 3 段,標示來自標題、說明或字幕;沒有片段時顯示「沒有命中片段」,來源文字缺漏時顯示「來源文字未提供」,不另行補寫。完整比對依據在影片頁的「共同標籤與比對依據」。
顯示排除
符合標籤顯示規則的詞(上游排除詞、雜訊、純數字或日期、長度不符,以及核定的來源或平台名稱、雙字通用詞、國家城市政黨詞、少數 YouTube 平台或宣傳用語)整詞不列入排行,但仍保留在原始詞彙池與比對證據中;原始詞彙池列出排除原因。雙字通用詞只依核定清單判定,包含它們的人名、事件或具體議題不會因此被排除。管理員也可以在排行上直接排除個別標籤,同樣只影響排行顯示,每次排除與恢復都留有紀錄。
說明欄樣板
同一頻道說明欄反覆出現的宣傳段落不列入比對。「24小時」這類詞只在這種重複宣傳段落中略過,出現在一般新聞內容時照常計入;這不同於整詞的顯示排除。
示例
列表與片段只是符合條件的影片例子,不能用來推算整體比例或全站失真程度;有效比對的影片比例只代表比對完成度。
觀看
累計觀看是取得當時的公開觀測值,不是期間增量;無觀看值的影片不當作 0。

本頁資料範圍

觀看數與互動數為取得當時的公開觀測值。

時間序列只有一筆有效觀測時,只列出該值與觀測時間,不畫走勢圖;累積兩筆以上才畫圖。

資料來源

本站以納入名單的 YouTube 頻道與影片為範圍(名單見頻道觀測),數據來自 YouTube 公開資料與定時觀測:直播約每分鐘輪詢一次,頻道統計、新影片與影片統計則分批輪流更新,所以同一頁的數字不一定在同一時間取得。不涵蓋全 YouTube;缺漏、尚未收錄或資料服務中斷都不等於零,尚未取得的數值顯示「—」。

頁面使用台北時間(UTC+8)。「更新於」是來源已記錄的觀測時間;來源沒有記錄時顯示「未記錄」,不以開啟網頁的時間代替。

共同標籤詞彙的標籤來源:新文易數(tag.observe.tw),保留來源、版本與比對依據;本站的頻道分類沿用有影儀表板的來源組織方式,與內容標籤是不同維度。影片數、觀看數與直播同時在線人數分開計算,不代表 YouTube 全站流量,也不表示因果關係。

完整的資料來源與計算方式 →