💻 computer science

CRED-1: An Open Multi-Signal Domain Credibility Dataset for Automated Pre-Bunking of Online Misinformation

この論文は、WHOIS、Tranco、Fact Check Tools、Google Safe Browsing の 4 つの信号を組み合わせて 2,672 ドメインの信頼性スコアを算出するオープンなデータセット「CRED-1」を提案し、プライバシーを保護したクライアントサイドでの誤情報事前防止（プリバンキング）を可能にする再現可能なパイプラインを公開している。

原著者： Alexander Loth, Martin Kappes, Marc-Oliver Pahl

公開日 2026-04-24

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Alexander Loth, Martin Kappes, Marc-Oliver Pahl

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、インターネット上の「嘘やデマ」を見抜くための**「信頼できるニュースサイトのリスト（CRED-1）」**という新しい道具を作ったことを紹介しています。

まるで、スーパーマーケットで「安全な野菜」と「腐った野菜」を区別するための**「信頼ラベル」**を、すべての野菜（ウェブサイト）に貼ろうとしたようなプロジェクトです。

以下に、専門用語を避けて、日常の例え話を使ってわかりやすく解説します。

🍎 1. この道具は何？（CRED-1 とは？）

インターネットには、本当のことを伝えるサイトもあれば、嘘をついたり、偏った情報ばかり載せるサイトもあります。
この研究では、**「2,672 個の『怪しいサイト』のリスト」**を作りました。

普通のリストとの違い：
既存の信頼できるリストは、お金がかかったり、中身が秘密にされていたりします。でも、この「CRED-1」は**「誰でも無料で見られる、中身が丸裸のリスト」**です。
何ができるの？
このリストをあなたのスマホやパソコンのブラウザ（ネットを見る窓）に入れたら、怪しいサイトにアクセスしようとした瞬間に**「あ、このサイトは信用できないよ！」**と教えてくれます。
- 例え話： 街を歩く前に「この道は危険だから通らないほうがいいよ」と教えてくれる、親切な近所のおじさんみたいなものです。

🔍 2. どうやって「怪しい」を見つけたの？（4 つのチェックポイント）

ただ「怪しい」と言っているだけじゃなく、4 つの異なる角度からチェックして、総合的な「信頼スコア（0.0〜1.0）」をつけています。

過去の評判（既存リスト）：
すでに「嘘つき」として有名になっているリスト（OpenSources.co や Iffy.news）を参考にします。
- 例え： 「あの店、以前も粗悪品を売ってたって噂だよ」という口コミ。
サイトの年齢（ドメイン年齢）：
サイトがいつ作られたか調べます。
- 発見： 意外なことに、怪しいサイトでも**「10 年以上前に作られた古いサイト」**が多いことがわかりました。新しいサイト＝怪しい、という決めつけは間違っているようです。
人気度（Tranco ランキング）：
世界中でどれくらい人気があるか調べます。
- 例え： 街中で「誰も知らない小さな店」か「大勢が来る有名店」か。
チェック回数と危険度：
- ファクトチェック： 専門家によって「これは嘘だ！」と指摘された回数は？
- ウイルスチェック： 怪しいウイルスが入っていないか？（実は、怪しいサイトでもウイルスは入っていないことが多いことがわかりました。嘘をついていても、技術的には安全なことが多いのです）。

🏷️ 3. ラベルの種類（カテゴリ）

怪しいサイトは、ただ「嘘」と一言で片付けられません。このリストでは、6 つの種類に分けています。

🤥 完全な嘘（Fake）： 最初から作り話。
👽 陰謀論（Conspiracy）： 根拠のない conspiracy theory を広げる。
📰 不確実（Unreliable）： 事実と嘘が混ざっている。
😂 皮肉・風刺（Satire）： 冗談や風刺（悪意はないが、本気だと勘違いされやすい）。
⚖️ 混在（Mixed）： 本当の情報もあれば、偏った意見もある。
✅ 信頼できる（Reliable）： 事実を伝えている（リストにはほとんど載っていません）。

🛠️ 4. なぜこれがすごいのか？（価値）

プライバシーを守る：
このリストは、あなたの閲覧履歴をサーバーに送らずに、あなたの端末（スマホや PC）の中だけで完結して動きます。だから、誰にも見られずに使えます。
透明性：
「なぜこのサイトが怪しいと判断されたのか？」という計算式も、コードもすべて公開されています。誰がやっても同じ結果が出るように作られています。
教育に使える：
「メディア・リテラシー（情報の読み解き力）」を教える授業で、具体的な例として使えます。

⚠️ 5. 注意点（限界）

英語中心： 今のところ、英語のサイトがほとんどです。日本語の怪しいサイトはまだ少ないかもしれません。
「ない」＝「安全」ではない： このリストには「怪しいサイト」しか載っていません。「リストに載っていないからといって、そのサイトが 100% 安全だ」とは限りません。あくまで「怪しいリスト」です。
時間は経つ： サイトの性質は変わります。このリストは 2026 年 2 月時点のものです。

🎯 まとめ

この研究は、**「誰でも使える、透明でプライバシーに優しい『怪しいサイト検知器』の設計図と部品」**を無料で公開したものです。

これによって、私たちがネットを見る時に、「この情報は本当かな？」と一瞬で疑うきっかけを作ることができます。まるで、スーパーで野菜を買う前に「これは腐ってないか？」と自分でチェックする道具を手に入れたようなものです。

以下は、Loth らによって提出された論文「CRED-1: An Open Multi-Signal Domain Credibility Dataset for Automated Pre-Bunking of Online Misinformation」の技術的サマリーです。

1. 課題 (Problem)

オンライン上の誤情報（Misinformation）や偽情報（Disinformation）の拡散は、社会的な課題となっています。既存の対策には以下の課題がありました。

プロプライエタリな依存: 信頼性評価には NewsGuard や MBFC API などの有料・非公開データベースに依存する傾向があり、透明性や再現性に欠ける。
プライバシーと遅延: サーバーサイドでの検証はプライバシー懸念を生むほか、コンテンツ配信時のリアルタイムな介入（プリバンキング）には遅延が生じる。
ドメインレベルの欠如: 多くの fact-checking は個々の主張（claim-level）に焦点を当てており、ドメイン全体の信頼性を事前評価する標準化されたオープンデータセットが不足していた。

2. 手法 (Methodology)

本研究では、CRED-1 と呼ばれるオープンなドメインレベルの信頼性データセットを構築しました。パイプラインは Python の標準ライブラリのみを使用し、完全再現可能です。

データソースの統合:
- OpenSources.co: 825 ドメインのカテゴリ分類リスト（CC BY 4.0 ライセンス）。
- Iffy.news Index: Media Bias/Fact Check (MBFC) による事実報告レベルが低いと評価された 2,040 ドメインのリスト（MIT ライセンス）。
- これらを正規化（小文字化、www 接頭辞の削除等）し、重複を排除して 2,672 のユニークドメインに統合しました。競合するカテゴリがある場合は、より信頼性の低いカテゴリを優先します。
4 つの計算信号によるエンリッチメント:
各ドメインに対して、以下の 4 つの信号を API を通じて取得・計算しました。
1. ドメイン年齢 (Domain Age): RDAP/WHOIS 経由で登録日を取得。
2. ウェブ人気度 (Web Popularity): Tranco Top-1M リストからのランク。
3. ファクトチェック頻度 (Fact-check Frequency): Google Fact Check Tools API を使用し、ClaimReview として注釈された主張の数をカウント。
4. 脅威インテリジェンス (Threat Intelligence): Google Safe Browsing API を使用し、マルウェアやフィッシングのフラグを確認。
スコアリングモデル:
0.0（信頼性なし）から 1.0（信頼性あり）までの複合スコア $S$ を、以下の重み付き線形結合で算出します。
$S = w_{cat} \cdot s_{cat} + w_{iffy} \cdot s_{iffy} + w_{fc} \cdot s_{fc} + w_{tranco} \cdot s_{tranco} + w_{age} \cdot s_{age} + w_{fill} \cdot s_{cat}$
- カテゴリスコア ( $s_{cat}$ ): 偽 (0.0)、陰謀論 (0.1)、不確実 (0.2)、風刺 (0.3)、混合 (0.5)、信頼 (1.0) などをベースに設定。
- 補正: 信号が欠落している場合、その重みをカテゴリスコアに戻す仕組みを採用。
- オーバーライド: Google Safe Browsing でフラグが立ったドメインは、他の信号に関わらずスコアを 0.05 に強制制限します。

3. 主要な貢献 (Key Contributions)

CRED-1 データセットの公開: 2,672 ドメインを対象とした、完全オープンで再現可能な信頼性データセット。JSON (145KB) と CSV の 2 形式で提供され、Zenodo と GitHub で公開されています。
プライバシー保護型プリバンキングの実現: サーバーサイド依存なしでブラウザ拡張機能やモバイルアプリに組み込めるコンパクトな形式により、クライアントサイドでのリアルタイムな誤情報検知を可能にします。
プロプライエタリ依存からの脱却: 独自のスコアリングモデルとパブリックデータのみを使用することで、独立した検証と拡張を可能にしました。
多信号アプローチ: カテゴリ分類だけでなく、ドメイン年齢、人気度、ファクトチェック履歴、セキュリティフラグを組み合わせた多面的な評価手法を提示しました。

4. 結果 (Results)

データ分布: 2,672 ドメイン中、50.0% が「混合 (Mixed)」カテゴリ（スコア 0.4-0.6）に分類され、18.4% が「偽 (Fake)」カテゴリ（スコア 0.0-0.2）でした。
スコア分布: 平均スコアは 0.299、標準偏差 0.170。分布は二峰性であり、0.6-0.8 の範囲にドメインが存在しないという特徴があります。
信号の発見:
- ドメイン年齢: 中央値 14.0 年であり、誤情報サイトはフィッシングサイトとは異なり、長期間運営されている傾向があることが判明しました。
- ファクトチェック: ドメインの 97.5% は Google の ClaimReview データベースに特定のチェック記録がありませんでした（上位 5 ドメインで 332 件の主張が確認されました）。
- マルウェアとの乖離: 誤情報サイトとマルウェアはほぼ無関係であり、2,672 ドメイン中わずか 2 ドメイン（0.07%）のみが Safe Browsing でフラグされました。
- ソースの重なり: 2 つのソースに重複して登場するドメインは 7.2% であり、これにより高信頼性のエントリをフィルタリングする指標（ $n$ ）として機能します。

5. 意義 (Significance)

実用的なツール: 研究者、開発者、教育者に対し、誤情報研究のグラウンドトゥルースや、ブラウザ拡張機能・コンテンツフィルタの開発リソースを提供します。
介入ポイントの最適化: 誤情報の「殺害連鎖（kill chain）」において、コンテンツ配信段階（Delivery Stage）での自動的なプリバンキング（事前ブロック）を可能にします。
AI 時代への対応: 制御された誤情報生成や AI 生成コンテンツに関する最近の研究を補完し、エンドツーエンドの誤情報検知パイプラインに必要なドメインレベルの事前確率を提供します。
透明性と倫理: 個人データを含まず、すべてのソースがオープンライセンスであるため、倫理的な懸念が少なく、独立した検証が容易です。

本論文は、誤情報対策において、プロプライエタリなブラックボックスに依存せず、透明性が高く、プライバシーを尊重したクライアントサイドの解決策を構築するための重要な基盤を提供しています。