docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,173 @@
|
||||
---
|
||||
id: wiki-2026-0508-media-literacy
|
||||
title: Media Literacy
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Information Literacy, Source Evaluation, Digital Literacy]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [media-literacy, information, verification, deepfake, security]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: c2pa
|
||||
---
|
||||
|
||||
# Media Literacy
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 source 의 verify, claim 의 cross-check, framing 의 detect — 매 information 의 evaluate skill"**. 매 1990s NAMLE 시작, 매 2026 LLM-generated content + deepfake + C2PA provenance + AI watermark 의 era 에 매 default skill.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 Core skills (5)
|
||||
- **Access**: 매 reliable source 의 find.
|
||||
- **Analyze**: bias, framing, omission 의 detect.
|
||||
- **Evaluate**: credibility, evidence quality.
|
||||
- **Create**: ethical content production.
|
||||
- **Act**: misinformation 의 counter.
|
||||
|
||||
### 매 SIFT method (Caulfield)
|
||||
- **Stop**: 매 click 전 pause.
|
||||
- **Investigate**: source 의 background.
|
||||
- **Find**: better/original coverage.
|
||||
- **Trace**: claim 의 original context.
|
||||
|
||||
### 매 응용
|
||||
1. Deepfake detection: C2PA provenance + ML classifier.
|
||||
2. LLM output: hallucination 의 detect.
|
||||
3. News pipeline: source ranking.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### C2PA manifest verification
|
||||
```python
|
||||
# 매 image 의 provenance 의 verify
|
||||
from c2pa import Reader
|
||||
reader = Reader.from_file('photo.jpg')
|
||||
manifest = reader.json()
|
||||
print(f"Producer: {manifest['active_manifest']['claim_generator']}")
|
||||
print(f"AI generated: {manifest.get('ai_generated', False)}")
|
||||
print(f"Signature valid: {reader.validation_status()}")
|
||||
```
|
||||
|
||||
### AI watermark detection (SynthID-like)
|
||||
```python
|
||||
# 매 LLM output 매 watermark 의 detect
|
||||
import torch
|
||||
def detect_watermark(text: str, key: bytes, threshold=0.6) -> bool:
|
||||
tokens = tokenize(text)
|
||||
# green-list ratio (Kirchenbauer 2023)
|
||||
green = sum(1 for t in tokens if hash_token(t, key) % 2 == 0)
|
||||
z = (green - 0.5*len(tokens)) / (0.25*len(tokens))**0.5
|
||||
return z > threshold * 5 # 매 strict threshold
|
||||
```
|
||||
|
||||
### Reverse image search (TinEye API)
|
||||
```python
|
||||
import httpx
|
||||
def reverse_search(image_path: str, api_key: str):
|
||||
with open(image_path, 'rb') as f:
|
||||
r = httpx.post('https://api.tineye.com/rest/search/',
|
||||
files={'image_upload': f},
|
||||
auth=(api_key, ''))
|
||||
matches = r.json()['results']['matches']
|
||||
return [(m['image_url'], m['domain'], m['crawl_date']) for m in matches[:5]]
|
||||
```
|
||||
|
||||
### Source credibility score
|
||||
```python
|
||||
TRUSTED_DOMAINS = {'reuters.com': 0.95, 'apnews.com': 0.93, 'nature.com': 0.97}
|
||||
SUSPICIOUS = {'.tk', '.click'}
|
||||
|
||||
def score_source(url: str) -> float:
|
||||
from urllib.parse import urlparse
|
||||
domain = urlparse(url).netloc.lower().lstrip('www.')
|
||||
if domain in TRUSTED_DOMAINS: return TRUSTED_DOMAINS[domain]
|
||||
if any(domain.endswith(s) for s in SUSPICIOUS): return 0.1
|
||||
return 0.5 # unknown
|
||||
```
|
||||
|
||||
### Deepfake classifier (FaceForensics++)
|
||||
```python
|
||||
import torch
|
||||
from transformers import AutoModelForImageClassification, AutoImageProcessor
|
||||
|
||||
model = AutoModelForImageClassification.from_pretrained(
|
||||
'prithivMLmods/Deep-Fake-Detector-v2-Model')
|
||||
proc = AutoImageProcessor.from_pretrained('prithivMLmods/Deep-Fake-Detector-v2-Model')
|
||||
|
||||
def is_deepfake(img) -> tuple[bool, float]:
|
||||
inputs = proc(images=img, return_tensors='pt')
|
||||
with torch.no_grad():
|
||||
logits = model(**inputs).logits
|
||||
probs = logits.softmax(-1)[0]
|
||||
fake_prob = probs[1].item()
|
||||
return fake_prob > 0.5, fake_prob
|
||||
```
|
||||
|
||||
### Cross-reference fact-check
|
||||
```python
|
||||
import asyncio, httpx
|
||||
|
||||
async def fact_check(claim: str):
|
||||
async with httpx.AsyncClient() as c:
|
||||
r = await c.get('https://factchecktools.googleapis.com/v1alpha1/claims:search',
|
||||
params={'query': claim, 'key': 'KEY'})
|
||||
results = r.json().get('claims', [])
|
||||
return [(x['text'], x['claimReview'][0]['textualRating']) for x in results]
|
||||
```
|
||||
|
||||
### Browser ext: provenance badge
|
||||
```ts
|
||||
// content.ts
|
||||
async function annotateImages() {
|
||||
for (const img of document.querySelectorAll('img')) {
|
||||
const r = await fetch(`/api/c2pa-check?url=${encodeURIComponent(img.src)}`);
|
||||
const { aiGenerated, verified } = await r.json();
|
||||
if (aiGenerated) img.style.outline = '3px solid orange';
|
||||
if (!verified) img.title = '매 provenance unverified';
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| News article | SIFT method |
|
||||
| Image authenticity | C2PA + reverse search + deepfake classifier |
|
||||
| LLM output | watermark detect + cross-reference |
|
||||
| Suspicious domain | credibility score < 0.3 → reject |
|
||||
|
||||
**기본값**: SIFT + tooling-augmented (C2PA, fact-check API).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Information Literacy]]
|
||||
- 변형: [[Source Evaluation]]
|
||||
- 응용: [[Deepfake-Detection]]
|
||||
- Adjacent: [[Conversational-Maxims]] · [[Procedural-Rhetoric]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: claim cross-reference, framing analysis, summary 의 bias detect.
|
||||
**언제 X**: 매 LLM 자체 매 hallucinate — 매 외부 source 와 cross-check 필수.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Headline reading**: 매 click 만 하고 article body 매 읽지 X.
|
||||
- **Single source**: corroboration 매 X.
|
||||
- **Bothsidesism**: 매 lopsided evidence 의 false equivalence.
|
||||
- **No provenance check**: image 매 viral spread 후 reverse search X.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (NAMLE Core Principles, C2PA spec 2.0, SIFT method by Mike Caulfield).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — SIFT + C2PA + deepfake tooling |
|
||||
Reference in New Issue
Block a user