链接误判复盘：可信度评分如何少伤人

给 YouTube 视频打「可信度分」，最危险的错误可能不是漏掉骗局，而是把正常创作者标成可疑。TruthScore 作者就遇到了这种情况：工具把创作者指向自家业务的链接，当成了推广漏斗的证据。

这次修复的价值，不在于评分算法有多复杂，而在于它暴露了一个常见问题：程序很容易把模糊线索包装成确定结论。作者随后测试了 20 条视频，也公开了仍未解决的误报，适合所有正在做自动审核、风险标签和 AI 分析报告的开发者参考。

为什么短链接不能单独证明推广漏斗

TruthScore 用 JavaScript、HTML、CSS 构建，输入 YouTube URL 后，会综合互动模式、估算点踩率、频道信任分、标题与简介中的诱导语言，以及简介链接中的联盟推广和漏斗特征。

这里的「漏斗」，可以理解为把观众一步步引向课程、预约咨询或其他转化入口的路径。但有转化路径，并不能直接证明内容不可信。

最初的检测器把外链混在一起计分：跟踪参数、短链接、创作者自己的网站，都可能增加漏斗分。结果，一位创作者的自营业务链接被误判，对方反馈后，作者确认这是已经影响真实用户的缺陷。

修复方式是分开处理两类证据：

• 硬信号包括已知联盟网络特征、推荐参数和折扣码格式。
• 软信号包括短链接、重定向和链接密度。

下面是原文的简化伪代码，用来说明软信号什么时候才能加分：

funnel_score = 0

if hard_signals_present: funnel_score += weight(hard_signals) funnel_score += small_boost(soft_signals) else: funnel_score += 0 # soft signals alone never flag a funnel

要看的是 else: funnel_score += 0：没有硬信号时，软信号不能独立触发漏斗判断。这段只是逻辑示意，不能直接当作可运行代码。

模糊线索可以补充证据，但不应该独自定罪。

作者还调整了两处计分方式：评论情绪改为逐条统计，避免一个愤怒的讨论串压过大部分正面评论；同时提高评分基线，避免扫描尚未发现问题，视频就已经处于可疑区间。具体权重、基线和聚合公式，原文没有公开。

20 条视频的测试，到底证明了什么

修复后，作者选择了 20 条新发布的「用 AI 赚钱」视频，主要涉及无货源电商、数字产品和 AI 副业。结果是 15 条被标为「Be Careful」，5 条被标为「Likely Legit」。

被提醒谨慎的视频，通常同时出现几种特征：标题写着具体收入，例如「$2,000 in 24 hours」；简介提供「免费」课程或通话；申请表却始终不展示价格。

另外 5 条主要是创始人展示案例或销售软件。作者观察到，它们的收入来源更直接地指向产品，而非后续漏斗环节。不过，这只是样本中的观察，不能反推卖软件就更可信。

作者明确承认，这不是随机抽样。样本来自一个炒作密集的细分领域，因此不能得出「YouTube 有 75% 的视频是假的」。

更关键的是，评分结果分布不等于评分准确率。

原文没有提供独立人工标注，也没有修复前后的对照结果。我们知道工具给出了什么标签，却不知道这些标签究竟有多少正确。

作者还发现了一条难以解释的警告：外部检索没有找到诈骗报告、退款投诉或可疑链接，视频仍被标为「Be Careful」。作者将其视为误报，原因尚未查清。

另一个弱点是点踩率。YouTube 隐藏真实点踩数，工具只能估算，若干视频的结果甚至是 0.0%。作者认为这个值不可信，但原文没有交代估算来源和误差范围。

我的判断

我认同作者把证据强弱拆开的方向。对于规则系统，这比把所有特征直接堆进加权总分更容易解释，也更容易限制某个噪声输入的影响。

但「硬信号」也只是相对明确的推广证据。联盟链接、推荐参数和折扣码能够帮助识别商业关系，不能直接证明欺骗。商业推广识别和内容可信度判断之间，还缺少一层论证。

提高基线可以缓解默认怀疑，却也可能掩盖其他计分问题。没有对照数据，目前只能把它看作作者的工程经验，不能认定它已经改善了整体准确率。

相比强行输出单一分数，我更倾向于同时展示证据、数据缺失和不确定性。检索没有发现投诉，既不能证明安全，也不该自动变成警告理由。报告应该准确描述自己查到了什么。

至于如何区分自营链接和联盟链接，作者最后提出了问题，却没有给出完整方案。原文也未说明，修复后究竟如何识别链接归属；不能把「不再扣分」理解为已经解决了归属判断。

能拿来做什么

• 做 Node 链接扫描时，可以把联盟网络特征、推荐参数与短链接、重定向分别记录，再明确哪些信号允许独立触发标签，避免所有特征直接累加。
• 做前端风险报告时，可以把触发依据放在标签旁边，并为「未发现相关记录」和「数据不可用」保留独立状态，减少用户把分数当成事实的机会。
• 用 AI 辅助编写评分逻辑时，可以要求它沿着一次误报追踪每个加分来源，并保留可复现案例。创作者自营链接、单个愤怒讨论串和 0.0% 点踩估算，都是这篇原文提供的具体检查入口。