應對開源情報(OSINT)超負荷的認知增強

情報界分析師的目標是向決策者客戶提供信息摘要，以支持他們的決策。傳統上，全源情報主要依賴於HUMINT（來自人源的情報），SIGINT（來自被截取的通信的情報）和IMINT（來自圖像的情報），而OSINT（來自網際網路等開放源的情報）正在為情報做出越來越多的貢獻評估（Benes，2013; Tabatabaei＆Wells，2016）。

開源情報的定義（第109-163號公共法的第931節，標題為「2006財政年度的國防授權法」）是「根據公開提供的信息製作，這些信息被及時收集、利用並分發給適當的受眾，以滿足特定的情報要求。」以這種方式定義，可以包括諸如學術出版物，新聞媒體，論壇討論，公司和政府文檔的網絡檔案，視頻發布和社交媒體之類的材料。為了促進這些新信息來源的使用，國家情報局局長辦公室於2006年建立了開源中心（https://fas.org/irp/dni/osc/）。

與傳統的收集方法相比，OSINT具有許多優勢。首先是它相對便宜。第二個原因是可以從盟友那裡收集資金（例如，以便更好地了解其貿易政策），而不會引起外交衝擊。第三，它們通過提供對一個社會的廣泛見解（以幫助預測諸如「阿拉伯之春」之類的事件）以及非國家行為者（例如恐怖分子和毒品卡特爾）的公開活動來補充傳統情報資源。第四，某些對手活動本質上是在開放媒體上進行的（例如，虛假宣傳運動和招募工作），因此最好通過OSINT進行監視。

儘管OSINT有很多優點，但也有很多缺點。最大的缺點就是開源材料的數量巨大。例如，2017年1月10日，Twitter上新增了約5億條Tweets，Tumblr新增了7500萬篇博客文章，11億個網站以及18億Facebook用戶（internetlivestats.com/twitter-statistics）。需要計算機化的方法來幫助分析人員快速有效地分揀如此大量的材料。

政府最近的一份關於「為AI的未來做準備」的報告強調了人工智慧的重要性。先前大多數專注於人工智慧的工作都是在認知運動表現的背景下進行的，例如但不限於評估飛行任務中對自動化或認知工作量的信任度（例如，Oh等人，2015年） ）以及用於康復的大腦計算機接口。然而，在人類操作員基於腦生物標記的推導進行信息檢索的情況下，人機互動的發展受到很大限制。因此，在這裡，我們提出了一種以人為中心的團隊合作以信息為中心的替代形式，該形式與最近的「國家AI R＆D戰略計劃」相一致，該計劃指出「智能系統應具有增強人的認知能力，知道何時檢索哪些信息即使他們沒有明確提示系統輸入該信息，用戶也需要它」。

一種可能的方法是結合使用生理監測和計算機輔助來促進分析人員的績效，這被稱為增強認知（Stanney等，2009）。此類方法已經在IMINT領域進行了研究，許多報告由DARPA資助的神經智能情報分析師計劃資助（Kruse，Boyd和Schulman，2006年；Miranda等人，2015年）。在這些研究中，參與者主要是在國家地理空間情報局（NGA）提供的一堆衛星圖像上進行分類（識別圖像以進行進一步的深入檢查）。在將圖像快速連續呈現給參與者的同時，腦電圖（EEG）數據被收集並用於確定在明顯的按鈕按下時神經反應是否可以改善。據報導，速度和準確性有望提高。

有必要將這些有希望的IMINT結果擴展到包含大多數OSINT材料的文本源。文本材料要複雜得多，需要使用不同的方法。在加拿大國防部研發局提出的情報分析感知框架RECON（Ross，Morris，Ulieru，＆Guyard，2013）中，計算機支持在多個級別提供，即腦機接口（監視用戶狀態）， 人機互動（增強信息呈現），上下文意識（考慮用戶目標以過濾信息）和基於案例的推薦（基於先前用戶會話的建議線索）。在這樣的框架內，諸如腦電圖，眼動追蹤，自主生理喚醒和功能性近紅外光譜等措施可潛在地部署到分析人員的工作場所（Stanney等，2009）。

多項研究表明了將認知增強應用於OSINT文本材料的潛力，同時也說明了現有研究的局限性。一項研究（Chow＆Gedeon，2015年）表明，自主喚醒的措施（即使沒有眼動追蹤）也足以對文檔相關性和行為反應進行分類（分別為75％和79％），但並未研究此類措施如何補充不僅僅是補充行為反應。潛在的此類自主措施還可以檢測何時應力水平過低或過高，並實現自動補償。Gwizdka（2014）證明，僅眼動追蹤數據在二進位文本文檔分類上的準確率可達到72％，而僅使用瞳孔散瞳（閱讀短篇小說）的準確性就可達到67％。Gwizdka和Zhang（2015）在OSINT來源上進行了眼動追蹤（在網絡上實際觀看和閱讀），並實現了相關網頁的61％的分類準確率。如果考慮網頁的類型，其布局和網頁信息對象的類型（例如，文本或圖像），則可以合理地提高這種準確性。Eugster及其同事（2014年）使用EEG（無眼動）來預測單詞與主題的細粒度相關性。在後續研究（Eugster等，2016）中，他們證明了閱讀文本的腦電分類器可以成功用於選擇相關的維基百科文章，但不能在現實的閱讀條件下進行。Frey及其同事（2013年）使用與眼動跟蹤同步的EEG來預測文檔與主題的相關性。此外，他們報告了對單個目標詞的可測量響應。但是，這項研究沒有檢驗工作場所應用最終所需的單項試驗分析的可行性。

總之，將認知，計算機科學和神經科學方法轉化為分析人員的研究可以為OSINT生產力提供強大的投資回報。通過檢測表明對特定文本刺激做出反應的注意力吸引和相關性的經過驗證的生物標誌物，機器界面可以有效地過濾並從潛在的壓倒性信息量中選擇文本，從而幫助操作員進行導航和處理。有用的信息，同時避免過多的認知負擔，分散注意力和省略關鍵信息的負擔。此外，此類研究可以增強對閱讀過程的基礎科學理解，並可能對閱讀障礙等閱讀障礙的教育和治療產生潛在的好處。在第二篇論文徵集中，我們將描述我們在自然閱讀任務中使用眼動儀和EEG進行的最新實驗。

參考文獻

1、Benes L. (2013). OSINT, New Technologies, Education: Expanding Opportunities andThreats. A New Paradigm. Journal of Strategic Security, 6(5), 22. 

2、Bigdely-Shamlo, N., Vankov, A., Ramirez, R. R., & Makeig, S. (2008). Brain activitybased image classification from rapid serial visual presentation. IEEE Trans NeuralSyst Rehabil Eng, 16(5), 432-441. 

3、Chow, C., & Gedeon, T. (2015). Classifying document categories based onphysiological measures of analyst responses. 

4、Eugster, M. J. A., Ruotsalo, T., Spapé, M. M., Kosunen, I., Barral, O., Ravaja, N.,Jacucci, G., & Kaski, S. (2014). Predicting term-relevance from brain signals. 

5、Eugster, M. J., Ruotsalo, T., Spapé, M. M., Barral, O., Ravaja, N., Jacucci, G., & Kaski,S. (2016). Natural brain-information interfaces: Recommending information byrelevance inferred from human brain signals. Sci Rep, 6, 38580. 

6、Frey, A., Ionescu, G., Lemaire, B., Lopez-Orozco, F., Baccino, T., & Guerin-Dugue, A.(2013). Decision-making in information seeking on texts: an eye-fixation-relatedpotentials investigation. Front Syst Neurosci, 7, 39. 

7、Gwizdka, J. (2014). Characterizing Relevance with Eye-tracking Measures. InProceedings of the 5th Information Interaction in Context Symposium (pp. 58–67).New York, NY, USA: ACM. 

8、Gwizdka, J., & Zhang, Y. (2015). Differences in Eye-Tracking Measures Between Visitsand Revisits to Relevant and Irrelevant Web Pages. In Proceedings of the 38thInternational ACM SIGIR Conference on Research and Development in InformationRetrieval (pp. 811–814). New York, NY, USA: ACM. 

9、Huang, Y., Erdogmus, D., Pavel, M., Mathan, S., & Hild, K. E. (2011). A framework forrapid visual image search using single-trial brain evoked responses.Neurocomputing, 74(12), 2041-2051. 

10、Kruse, A. A., Boyd, K. C., & Schulman, J. J. (2006). Neurotechnology for intelligenceanalysts. 

11、Mathan, S., Ververs, P., Dorneich, M., Whitlow, S., Carciofini, J., Erdogmus,D., . . . Adami, A. (2006). Neurotechnology for image analysis: Searching forneedles in haystacks efficiently. Augmented Cognition: Past, Present, and Future. 

12、Meng, J., Merino, L. M., Robbins, K., & Huang, Y. (2014). Classification of ImperfectlyTime-Locked Image RSVP Events with EEG Device. Neuroinformatics, 12(2), 261-275. 

13、Miranda, R. A., Casebeer, W. D., Hein, A. M., Judy, J. W., Krotkov, E. P., Laabs, T.L., . . . Ling, G. S. (2015). DARPA-funded efforts in the development of novel braincomputer interface technologies. J Neurosci Methods, 244, 52-67. 

14、National Science and Technology Council (2016). Preparing For The Future OfArtificial Intelligence. 

https://www.whitehouse.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf 

15、National Science and Technology Council (2016). The National Artificial IntelligenceResearch And Development Strategic Plan. 

https://www.whitehouse.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/national_ai_rd_strategic_plan.pdf 

16、Oh, H., Hatfield, B. D., Jaquess, K. J., Lo, L.-C., Tan, Y. Y., Prevost, M. C., . . . Gentili,R. J. (2015). A Composite Cognitive Workload Assessment System in Pilots UnderVarious Task Demands Using Ensemble Learning. 

17、Poolman, P., Frank, R. M., Luu, P., Pederson, S. M., & Tucker, D. M. (2008). A singletrial analytic framework for EEG analysis and its application to target detection andclassification. Neuroimage, 42(2), 787-798. 

18、Ross, W., Morris, A., Ulieru, M., & Guyard, A. B. (2013). RECON: An adaptive humanmachine system for supporting intelligence analysis. 

19、Sajda, P., Pohlmeyer, E., Wang, J., Parra, L. C., Christoforou, C., Dmochowski,J., . . . Chang, S.-F. (2010). In a blink of an eye and a switch of a transistor:cortically coupled computer vision. Proceedings of the IEEE, 98(3), 462-478. 

20、Stanney, K. M., Schmorrow, D. D., Johnston, M., Fuchs, S., Jones, D., Hale, K.S., . . . Young, P. (2009). Augmented cognition: An overview. Reviews of humanfactors and ergonomics, 5(1), 195-224. 

21、Tabatabaei, F., & Wells, D. (2016). OSINT in the Context of Cyber-Security. In B.Akhgar, P. S. Bayerl, & F. Sampson (Eds.), Open Source Intelligence Investigation(pp. 213-231). Springer.

作者：

約瑟夫·迪恩（Joseph Dien），馬裡蘭大學馬裡蘭大學分校的馬裡蘭大學神經影像中心；

保羅·科古特（Paul Kogut），洛克希德·馬丁公司；

Jacek Gwizdka，德克薩斯大學信息學院信息體驗實驗室，德克薩斯州奧斯；

布拉德利·哈特菲爾德（Bradley Hatfield），馬裡蘭大學學院公園運動學系（主席）；

Rodolphe J. Gentili，馬裡蘭大學學院公園分校的運動學系醫師；

赫赫（Hyuk Oh），馬裡蘭大學馬裡蘭大學帕克分校運動機能學系；

羅力全，馬裡蘭大學帕克分校馬裡蘭大學運動機能學系；

Kyle James Jaquess，馬裡蘭大學學院公園分校的運動學。

相關文檔原文已上傳知識星球

可從小編的知識星球：情報分析師的工具箱  下載