Eine Bewertungskampagne von den Signalen bis zur Evidenz verfolgen
Alle Bewertungen, Kontoverläufe, Geräte und Plattform-Feeds in diesen tatsächlichen Anwendungserfassungen sind synthetisch. Das primäre Beispiel verfolgt 15 modellierte Mitbewerberbewertungen von einem Kampagnenbefund über eine menschliche Überprüfungsroute bis zum exportierten Datensatz.
Praxisbeispiel: 15 plausible Bewertungen, ein Beziehungsmuster
Die Testumgebung kennzeichnet diesen Fall als bezahlte rein menschliche Kampagne, aber weder Urheberschaft noch Bezahlung werden durch den Detektor nachgewiesen. Elf der 15 Bewertungen weisen eine stilometrische Komponente von höchstens 4 auf: kaum Schreibmuster-Anomalien in dieser Implementierung. Ihre Kontoverläufe liefern den Grund, sie gemeinsam zu untersuchen.
1. Untersuchen, was die Konten verknüpft
Die 15 Bewertungen weisen innerhalb des konfigurierten 72-Stunden-Limits ausreichend überlappende Produkthistorien auf demselben Angebot auf. Dies erzeugt 105 Produktüberlappungs-Paarkanten, die jedes Paar im Cluster verbinden, mit einer Kohäsion von 1,0. In diesem Fall gibt es keine Kanten geteilter Geräte; der Befund hängt nicht von der Wiederverwendung von Geräten ab. Timing allein würde keine Kante erzeugen.
2. Das Textsignal mit der resultierenden Route vergleichen
Die lokale reine Text-Baseline markiert vier der 15 Datensätze. Sie verfehlt daher die Erkennung auf Kampagnenebene gemäß der Testumgebungs-Regel, dass mindestens 60% eines platzierten Labels markiert werden müssen. Das Ensemble kombiniert Schreib-, Verhaltens-, Timing- und Netzwerkkomponenten und leitet alle 15 zu REVIEW weiter, statt zu AUTO.
| Evidenz oder Entscheidung | Beobachtetes Ergebnis | Interpretation |
|---|---|---|
| Schreibmuster-Signal | 11 von 15 haben eine stilometrische Komponente von höchstens 4 | Geringe Anomalie ist kein Zertifikat menschlicher Urheberschaft. |
| Kontobeziehung | 105 Produktüberlappungs-Paarkanten; keine Kanten geteilter Geräte | Ein Muster geteilter Historie stützt die gemeinsame Untersuchung der Konten. |
| Lokale reine Text-Baseline | 4 von 15 markiert | Dieser implementierte Komparator verfehlt die Kampagne unter der 60%-Regel. |
| Ensemble-Route | 15 REVIEW; 0 AUTO | Alle 15 werden für ein menschliches Urteil weitergeleitet. Keine Bewertung wird entfernt. |
3. Das Narrativ von der Entscheidung getrennt halten
Deterministisches Scoring legt die Stufen fest, bevor das optionale Modell den Befund beschreibt. Die aufgezeichnete Untersuchung gibt eine zwischengespeicherte Antwort aus der echten Codex-Brücke wieder. Ihr Grounding-Filter prüft Zahlen, Token-Überlappung und Urteilsumkehrungen; beibehaltene Prosa erfordert weiterhin eine Überprüfung durch Analysten und kann den Score oder die Stufe nicht ändern.
4. Den Befund in einem überprüfbaren Export bewahren
Der tatsächliche JSON-Export bewahrt Kampagnenzugehörigkeit, Stufenaufschlüsselung, beitragende Signale und die Komponentenscores jedes Datensatzes. Das druckbare HTML stellt ein Kampagnenprofil, das zwischengespeicherte Narrativ, eine indikative Regelzuordnung, einen ungesendeten Streitfall-Entwurf und alle 15 markierten Zeilen dar. Ein Analyst kann überprüfen, warum ein Datensatz weitergeleitet wurde, anstatt sich nur auf das Narrativ zu verlassen. Der native Streitfall-Entwurf übertreibt die Zeitstempel-Abdeckung: Das JSON und der druckbare Bericht enthalten einen Datensatzerstellungs-Zeitstempel, aber keine Zeitstempel pro Bewertung. Diese müssten vor einer externen Verwendung hinzugefügt und verifiziert werden.
Ein plattformübergreifender Kontrast: positive und negative Bewertungen in einem Cluster
Ein separates synthetisches Cluster verknüpft 67 Datensätze: 47 Fünf-Sterne-Bewertungen auf dem modellierten Amazon-Mitbewerberangebot sowie 12 Google- und acht Yelp-Bewertungen, die auf die modellierte Marke abzielen. Über 71,8 Stunden hinweg weist das Cluster 90 Paarkanten geteilter Geräte und 1.175 Produktüberlappungs-Paarkanten auf. Es enthält 24 AUTO- und 43 REVIEW-Datensätze; AUTO ist die Berechtigung nach einer modellierten Richtlinie, keine automatische Entfernung.
Dieser Fall zeigt, warum ein Prüfer Beziehungen über modellierte Feeds hinweg benötigen kann, statt nur eine Zählung negativer Nachrichten allein. Einunddreißig der 67 Datensätze weisen kaum stilometrische Anomalien auf. Selbst bei einem zusammenhängenden Muster belegt der Detektor weder echte Bezahlung noch Kundenstatus oder Schuld.
Ein Timing-Burst ist Kontext, nicht die Zählung der Kampagnenmitglieder
Das modellierte Amazon-Mitbewerberangebot erreicht einen Spitzenwert von 69 Bewertungen in einem 72-Stunden-Fenster gegenüber erwarteten 7,8 – etwa das 8,85-Fache der konfigurierten Baseline. Diese Angebotsfenster-Zählung ist nicht die Größe des plattformübergreifenden Clusters mit 67 Datensätzen. Ein Burst steuert ein zeitliches Signal bei; Kontobeziehungen liefern die Graph-Verknüpfungen.
Den Vergleich innerhalb derselben Testumgebung mit seinen Grenzen lesen
Die breitere Testumgebung enthält 1.530 synthetische Datensätze über eine modellierte 90-Tage-Historie. Die folgenden Ergebnisse reproduzieren die aktuell geladenen Schwellenwerte auf demselben gelabelten Korpus. Beide Methoden leiten Textperzentile daraus ab, und der REVIEW-Schwellenwert des Ensembles wurde an dessen Labels angepasst. Dies sind keine Ergebnisse auf ungesehenen Daten oder Produktionsgenauigkeiten.
| Messung | Campaign Firewall Ensemble | Lokale reine Text-Baseline |
|---|---|---|
| Platzierte Bewertungsdatensätze markiert | 82 von 82 | 40 von 82 |
| Als echt gelabelte Datensätze fälschlicherweise markiert | 0 von 1.448 | 306 von 1.448 |
| Platzierte Kampagnen-Labels erkannt | 3 von 3 | 0 von 3 |
Die Markierung umfasst REVIEW und AUTO, keine Entfernungen. Die drei platzierten Labels bilden zwei Graph-Cluster, da sich die Boost- und Spiegel-Labels in dasselbe plattformübergreifende Cluster verbinden. Der Falsch-Positiv-Kontrast gilt nur für diese implementierte Baseline und angepasste Testumgebung, nicht für kommerzielle Detektoren oder neue Bewertungen.
