应对开源情报（OSINT）超负荷的认知增强

情报界分析师的目标是向决策者客户提供信息摘要，以支持他们的决策。传统上，全源情报主要依赖于HUMINT（来自人源的情报），SIGINT（来自被截取的通信的情报）和IMINT（来自图像的情报），而OSINT（来自互联网等开放源的情报）正在为情报做出越来越多的贡献评估（Benes，2013; Tabatabaei＆Wells，2016）。

开源情报的定义（第109-163号公共法的第931节，标题为“2006财政年度的国防授权法”）是“根据公开提供的信息制作，这些信息被及时收集、利用并分发给适当的受众，以满足特定的情报要求。”以这种方式定义，可以包括诸如学术出版物，新闻媒体，论坛讨论，公司和政府文档的网络档案，视频发布和社交媒体之类的材料。为了促进这些新信息来源的使用，国家情报局局长办公室于2006年建立了开源中心（https://fas.org/irp/dni/osc/）。

与传统的收集方法相比，OSINT具有许多优势。首先是它相对便宜。第二个原因是可以从盟友那里收集资金（例如，以便更好地了解其贸易政策），而不会引起外交冲击。第三，它们通过提供对一个社会的广泛见解（以帮助预测诸如“阿拉伯之春”之类的事件）以及非国家行为者（例如恐怖分子和毒品卡特尔）的公开活动来补充传统情报资源。第四，某些对手活动本质上是在开放媒体上进行的（例如，虚假宣传运动和招募工作），因此最好通过OSINT进行监视。

尽管OSINT有很多优点，但也有很多缺点。最大的缺点就是开源材料的数量巨大。例如，2017年1月10日，Twitter上新增了约5亿条Tweets，Tumblr新增了7500万篇博客文章，11亿个网站以及18亿Facebook用户（internetlivestats.com/twitter-statistics）。需要计算机化的方法来帮助分析人员快速有效地分拣如此大量的材料。

政府最近的一份关于“为AI的未来做准备”的报告强调了人工智能的重要性。先前大多数专注于人工智能的工作都是在认知运动表现的背景下进行的，例如但不限于评估飞行任务中对自动化或认知工作量的信任度（例如，Oh等人，2015年） ）以及用于康复的大脑计算机接口。然而，在人类操作员基于脑生物标记的推导进行信息检索的情况下，人机交互的发展受到很大限制。因此，在这里，我们提出了一种以人为中心的团队合作以信息为中心的替代形式，该形式与最近的“国家AI R＆D战略计划”相一致，该计划指出“智能系统应具有增强人的认知能力，知道何时检索哪些信息即使他们没有明确提示系统输入该信息，用户也需要它”。

一种可能的方法是结合使用生理监测和计算机辅助来促进分析人员的绩效，这被称为增强认知（Stanney等，2009）。此类方法已经在IMINT领域进行了研究，许多报告由DARPA资助的神经智能情报分析师计划资助（Kruse，Boyd和Schulman，2006年；Miranda等人，2015年）。在这些研究中，参与者主要是在国家地理空间情报局（NGA）提供的一堆卫星图像上进行分类（识别图像以进行进一步的深入检查）。在将图像快速连续呈现给参与者的同时，脑电图（EEG）数据被收集并用于确定在明显的按钮按下时神经反应是否可以改善。据报道，速度和准确性有望提高。

有必要将这些有希望的IMINT结果扩展到包含大多数OSINT材料的文本源。文本材料要复杂得多，需要使用不同的方法。在加拿大国防部研发局提出的情报分析感知框架RECON（Ross，Morris，Ulieru，＆Guyard，2013）中，计算机支持在多个级别提供，即脑机接口（监视用户状态）， 人机交互（增强信息呈现），上下文意识（考虑用户目标以过滤信息）和基于案例的推荐（基于先前用户会话的建议线索）。在这样的框架内，诸如脑电图，眼动追踪，自主生理唤醒和功能性近红外光谱等措施可潜在地部署到分析人员的工作场所（Stanney等，2009）。

多项研究表明了将认知增强应用于OSINT文本材料的潜力，同时也说明了现有研究的局限性。一项研究（Chow＆Gedeon，2015年）表明，自主唤醒的措施（即使没有眼动追踪）也足以对文档相关性和行为反应进行分类（分别为75％和79％），但并未研究此类措施如何补充不仅仅是补充行为反应。潜在的此类自主措施还可以检测何时应力水平过低或过高，并实现自动补偿。Gwizdka（2014）证明，仅眼动追踪数据在二进制文本文档分类上的准确率可达到72％，而仅使用瞳孔散瞳（阅读短篇小说）的准确性就可达到67％。Gwizdka和Zhang（2015）在OSINT来源上进行了眼动追踪（在网络上实际观看和阅读），并实现了相关网页的61％的分类准确率。如果考虑网页的类型，其布局和网页信息对象的类型（例如，文本或图像），则可以合理地提高这种准确性。Eugster及其同事（2014年）使用EEG（无眼动）来预测单词与主题的细粒度相关性。在后续研究（Eugster等，2016）中，他们证明了阅读文本的脑电分类器可以成功用于选择相关的维基百科文章，但不能在现实的阅读条件下进行。Frey及其同事（2013年）使用与眼动跟踪同步的EEG来预测文档与主题的相关性。此外，他们报告了对单个目标词的可测量响应。但是，这项研究没有检验工作场所应用最终所需的单项试验分析的可行性。

总之，将认知，计算机科学和神经科学方法转化为分析人员的研究可以为OSINT生产力提供强大的投资回报。通过检测表明对特定文本刺激做出反应的注意力吸引和相关性的经过验证的生物标志物，机器界面可以有效地过滤并从潜在的压倒性信息量中选择文本，从而帮助操作员进行导航和处理。有用的信息，同时避免过多的认知负担，分散注意力和省略关键信息的负担。此外，此类研究可以增强对阅读过程的基础科学理解，并可能对阅读障碍等阅读障碍的教育和治疗产生潜在的好处。在第二篇论文征集中，我们将描述我们在自然阅读任务中使用眼动仪和EEG进行的最新实验。

参考文献

1、Benes L. (2013). OSINT, New Technologies, Education: Expanding Opportunities and Threats. 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 Neural Syst Rehabil Eng, 16(5), 432-441. 

3、Chow, C., & Gedeon, T. (2015). Classifying document categories based on physiological 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 by relevance 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-related potentials investigation. Front Syst Neurosci, 7, 39. 

7、Gwizdka, J. (2014). Characterizing Relevance with Eye-tracking Measures. In Proceedings 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 Visits and Revisits to Relevant and Irrelevant Web Pages. In Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 811–814). New York, NY, USA: ACM. 

9、Huang, Y., Erdogmus, D., Pavel, M., Mathan, S., & Hild, K. E. (2011). A framework for rapid 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 intelligence analysts. 

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

12、Meng, J., Merino, L. M., Robbins, K., & Huang, Y. (2014). Classification of Imperfectly Time-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 Of Artificial Intelligence. 

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

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

https://www.whitehouse.gov/sites/default/files/whitehouse_files/microsites/ostp/NST C/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 Under Various 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 and classification. 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 human factors 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：

约瑟夫·迪恩（Joseph Dien），马里兰大学马里兰大学分校的马里兰大学神经影像中心；

保罗·科古特（Paul Kogut），洛克希德·马丁公司；

Jacek Gwizdka，德克萨斯大学信息学院信息体验实验室，德克萨斯州奥斯；

布拉德利·哈特菲尔德（Bradley Hatfield），马里兰大学学院公园运动学系（主席）；

Rodolphe J. Gentili，马里兰大学学院公园分校的运动学系医师；

赫赫（Hyuk Oh），马里兰大学马里兰大学帕克分校运动机能学系；

罗力全，马里兰大学帕克分校马里兰大学运动机能学系；

Kyle James Jaquess，马里兰大学学院公园分校的运动学。

相关文档原文已上传知识星球

可从小编的知识星球：情报分析师的工具箱  下载