1.2 研究問題

雖然眾包有效利用網絡大眾智慧，降低了創新成本，擴大了企業的創意創新源，優化了社會資源。但是，基于互聯網的眾包平臺具有低進入壁壘、空間和時間分離以及匿名性的特性，平臺用戶的身份和行為是動態變化且不可控的，這使得眾包平臺組織邊界模糊，管理活動的不確定性較大（陸丹，2013）。同時，互聯網的開放性使得技術和知識的共享程度增大，而工作者的知識成果保護風險也相應加大。然而，目前眾包平臺一定程度上忽視了這一風險，平臺規則明顯更加有利于保護發起方的權利（Massanari，2012）。工作者創造的知識成果是一種無形資產，因此會受到“阿羅信息悖論”（Arrow information paradox）的影響，其指出“信息對購買者的價值需要購買者了解才能確定，但是購買者一旦充分掌握該信息是否具有購買價值，信息的價值就會喪失，因為這導致了事實上的信息轉移而沒有對信息的生產者給予補償”（Arrow，1972）。同樣的，發起方需要事先對工作者提供的所有解決方案有詳細和完整的了解，才能最終選擇最佳解決方案，這為發起方提供了在不支付獎勵的情況下竊取解決方案的機會。為了消除或者減輕這一悖論的負面影響，有必要找到一種簡單有效的方法來使眾包工作者的知識成果得到保障。但是在眾包競賽環境下，工作者提出的方案往往還不夠成熟，不足以得到專利保護，因此探尋有效的方法，提前避免該風險的產生以及及時控制風險后果、彌補損失就更為重要（Natalicchio et al.，2014）。

通過對中國某知名眾包平臺的觀察發現，在眾包競賽項目中，工作者對發起方的惡意行為有很多不滿和抱怨，他們會向平臺舉報或投訴極不合格的中標者，質疑中標方案。筆者從工作者的反饋與投訴中提取了部分內容，如表1.1所示。

表1.1 眾包競賽工作者關于發起方欺詐與平臺不作為的投訴

表1.1（續）

發起方的眾包競賽項目欺詐案例可分為“雙重身份欺詐”“解決方案挪用”和“拒付獎勵”三種類型（Pang，2015）。盜用解決方案的一個典型例子是，發起方復制和修改一個工作者的最佳解決方案，然后通過新的賬戶或朋友賬戶再次提交，最后選擇自己提交的解決方案。這也是本書中被平臺公告處理的最常見的欺詐方式。優秀作品得不到應有的獎勵，因此工作者向平臺報告，并提供一些支持性證據，如發起方和中標者注冊時間、名稱和地點相似。但是，由于人工處理和驗證工作量大，工作者對平臺的響應效率也表達了不滿。因為平臺只能依靠工作者的舉報和提交作品的比對來判斷發起方的欺詐行為，即使平臺公告確認發起方的評標行為違法，平臺也只能取消中標信息或者暫時關閉中標人賬號，要求發起方重新評標，卻很少處罰發起方，因為很難有實質性證據證明中標人與發起方合謀。可以看出，平臺有處理問題的意愿，但是每天都有大量的投訴與舉報，僅僅通過人工來判斷，所耗費的人力物力可能是平臺無法長期承擔的。可見，如何高效地檢測發起方的欺詐意圖，即時采取懲罰措施，建立與優化眾包中的風險監控機制是每一個創新眾包平臺都高度關注的問題。

此外，當眾包市場成為一個“檸檬市場”，可能導致用戶參與度逐步降低，并最終導致眾包市場的失敗。Akerlof（1978）在關于信息不對稱的論文中提出了檸檬市場理論。一方面，在無法評估產品/服務質量的市場中，賣方比買方擁有更多的信息，這將導致高質量的產品/服務離開市場，因為他們只銷售市場平均質量的產品/服務。同樣，在眾包市場中，工作者就是賣方，他們出售自己的作品和服務。由于發起方的惡意行為，高質量的作品得不到應有的回報，工作者不愿投入大量的時間和精力進行高水平的創新，只提供質量一般的作品，這將使眾包市場的作品質量逐漸下降。另一方面，該研究還探討了“不誠實成本”，不誠實成本不僅取決于買方的損失，而且包括將合法業務趕出市場所造成的損失。同樣，誠信發起方的項目也會受到影響，即他們無法獲得預期的優秀和滿意的作品，這意味著其他合規發起方可能也不愿意投入太多的獎勵。因此，市場會逐漸惡化，甚至最終完全消失。

由此可知，發起方的欺詐行為助長了眾包市場中的檸檬效應，嚴重損害了開放式創新和眾包競賽的發展。平臺想要積極應對這一問題，然而，由平臺工作人員手動判別欺詐發起方既費時又費力，但智能化自動檢測發起方的欺詐行為十分具有挑戰性。近年來，關于線上智能欺詐檢測的研究越來越多，涉及釣魚網站的識別（Goel et al.，2017；Zahedi et al.，2015）、線上動態交流詐騙（Ho et al.，2016；Zhou et al.，2004a）以及眾籌欺詐項目的檢測（Siering et al.，2016）等。如果欺詐者與普通人相比在語言或非語言行為上存在不一致或者異常，將這些行為有效量化，那么欺詐就能夠被自動化機制檢測到（Johnson et al.，2001）。在眾包競賽的情況下，這種不一致或者異常在靜態和動態環境中均可以被捕捉到，并且可以用常用的語言線索或更具體的非語言線索來表達。根據對面對面欺詐線索研究的綜述分析，DePaulo等（2003）證實了多種語言和非語言線索對欺詐檢測是顯著有效的。Ho等（2016）發現，線上欺詐也可以通過語言和非語言線索檢測，如認知負荷、情感過程、反應延遲和重復。語言線索與口語或書面文本直接相關，而非語言線索則側重于在一個人產生語言信息時所表現出的附屬特征（Zhou et al.，2004）。根據在線交流和面對面交流在同步性上的相似程度，面對面交流中的各種非語言行為可以映射到眾包平臺上的在線行為。雖然缺乏在面對面的環境中可以觀察到的生理性的非語言線索，但是本書認為四因素理論（four-factor theory，FFT）和泄露理論（leakage theory，LT）中的四個因素和泄露機制仍然可能與在線環境相關。例如，在面對面的交流中，說謊者為了確保一致性，傾向于長時間的思考，也就是多停頓和長停頓，這一點我們可以在網上與電子郵件回復的時間間隔相匹配。比面對面交流更有利的是，線上環境還可以捕捉到用戶的整個在線行為軌跡，如過去的參與行為或決策行為。先前的文獻已經證實，各種語言線索，如單詞、句子和自我參照的數量、情感以及在線環境中的時間、空間和感知信息，都可以作為有用的欺詐檢測指標（Hancock et al.，2009；Zhou et al.，2004b）。

然而，不論是金融財報欺詐、電信欺詐、眾籌發起方欺詐還是虛假評論，這些研究對象都是以金錢為目的的欺詐方，其檢測線索無論是文本語言線索還是其他信息特征，都有可能在眾包競賽這種以知識成果為驅動的欺詐用戶檢測環境中效果不佳或者失效。無論是在線上環境備受關注的語言線索，還是因獲取難度大而關注度不高的非語言線索，在眾包環境中都具有深入探討的價值。同時，在開放式創新平臺中，二元屬性即關系網絡可能比單一來源的屬性更能有效識別用戶的潛在行為。學者們已經將社會網絡分析應用于各種類型的欺詐檢測，如反饋聲譽欺詐、在線拍賣欺詐、汽車保險欺詐等（Bodaghi et al.，2018；Chiu et al.，2011；Wang et al.，2005；Yanchun et al.，2011）。眾包平臺也可以被視為一個網絡結構，每個用戶都是網絡的一個節點，用戶之間的互動形成了一個龐大而復雜的關系網絡（Tung et al.，2017）。一些學者從社會網絡的角度探討了開放創新平臺的網絡結構特征及其影響。例如，Zhang和Wang（2012）對維基百科的研究表明，用戶在網絡結構中的位置會影響他們在社區中的貢獻行為。Lu等（2017）認為，核心—邊緣的網絡結構不利于用戶在眾包式論壇上進行知識共享。因此，對在線社區的網絡結構進行研究有助于理解開放創新平臺的用戶行為，從社會網絡的角度探討具有欺詐行為的發起方的網絡結構特征，從而準確發現眾包發起方的欺詐意圖，具有重要的理論和現實意義。

不僅如此，在眾包背景下，發起方的目標是免費獲得解決方案，其欺詐意圖產生的時間是不確定的，可能是在項目開始之前，也可能是在項目實施的過程中。在眾包項目的不同階段，可獲取的線索信息的數量和價值是不同的。因此，根據不同階段的信息獲取特點對發起方的欺詐意圖進行更為清晰的探索，就可以提前防范和控制風險。眾包競賽的階段化流程使其線上欺詐的研究不再局限于檢測，也就是事后彌補；分階段的檢測框架可以從事前預防與事中控制著手，對線上欺詐進行意圖捕捉與預判，并及時采取相應措施，有效避免后續欺詐行為的產生以及降低后續的糾紛處理成本，真正做到風險的防范與控制。

此外，預測分析包括預測模型的方法以及評估預測能力的方法，這些方法不僅有助于創建實際有用的模型，而且在理論構建和理論測試中與解釋性建模一起發揮重要作用（Shmueli et al.，2011）。機器學習作為一種預測分析工具，可以從訓練數據或以往的經驗中自動學習隱藏的知識或模式。多個領域的基于機器學習的線上欺詐檢測中，關于分類器的選取，邏輯回歸（logistic regression，LR）、支持向量機（support vector machine，SVM）、隨機森林（random forest，RF）、人工神經網絡（artificial neural network，ANN）以及集成學習等算法均被廣泛使用，但目前還沒有在任何數據集上表現都絕對占優的方法（Alkhateeb et al.，2019）。因此，本書將采用多種機器學習算法進行模型訓練，最終選用表現最好的分類器。

綜上所述，本書試圖構建一個基于多源數據結構的時序性智能化欺詐檢測框架，通過對眾包競賽項目全過程的自動跟蹤和監控，實現對風險因素的全程控制和預警。具體而言，為了深入研究眾包競賽中發起方的欺詐行為，及其風險防控機制與策略，本書分別對以下問題進行了探討：首先，本書對眾包競賽發起方欺詐自動化檢測中動靜態環境下的語言與非語言特征進行價值探索，驗證傳統的欺詐檢測線索在以知識成果為導向的眾包競賽環境中是否有效；其次，基于上述有效性的探索，本書提出基于流程視角的分階段眾包發起方欺詐檢測實時預警模型與框架設計，驗證是否能構建有效的欺詐預警系統，完成對眾包競賽項目的自動跟蹤和監控，實現對風險因素的全程控制和預警；最后，由于在開放式創新平臺中，二元屬性即關系網絡可能比單一來源的屬性更能有效識別用戶的潛在行為，本書進行了社會網絡分析在眾包發起方欺詐檢測中的有效性探尋，驗證社會網絡分析的相關指標是否能有效區分欺詐與非欺詐發起方，并提高模型的預測能力。