02 10 月
目錄
Threads 檢舉系統的漏洞與限制：為什麼有些違規就是檢舉不掉
簡述
你在 Threads 上按下「檢舉」按鈕的那一刻，腦中浮現的畫面大概是正義即將降臨，違規內容很快就會消失。但現實往往不是這樣。多數人送出檢舉後，收到的是一則制式通知：「我們審查後認為該內容未違反《社群守則》。」然後就沒有然後了。
這不是你的錯覺，也不是個案。根據非營利組織《網路安全觀察站》2025 年針對 3,000 名台灣 Threads 使用者的調查，高達 78.6% 的受訪者表示曾檢舉過認為違反社群守則的內容，但其中只有 12.3% 收到「已移除」的通知，實際移除率僅 8.9%。換句話說，每 100 則被檢舉的內容中，最終被平台移除的不到 9 則。
波蘭國家學術網路 NASK 的獨立研究提供了另一個角度的數據：Threads 的管理員駁回了 91% 的檢舉案件，僅移除 9% 的被檢舉內容。這個數字在所有受測平台中處於墊底位置——TikTok 移除了 70% 的被檢舉內容，Facebook 移除了 40%，Instagram 移除了 26.9%，而 Threads 只有 9%。這個懸殊的差距，指向的不是「使用者不會檢舉」，而是「系統本身出了問題」。
這篇文章要拆解的，正是這個系統性問題。我們會從 Threads 的審核流程、AI 自動化的結構性盲點、外包審核的品質問題、演算法與商業利益的衝突，以及現行監管框架的不足等層面，完整還原「為什麼有些違規就是檢舉不掉」的真相。文章最後會提供可操作的替代策略、完整的常見問答，以及跨平台的審核機制比較。
核心發現： Threads 的檢舉失靈不是技術故障，而是多層結構性因素疊加的結果——AI 審核的保守傾向、審核類別設計的僵化、外包審核的品質黑洞、平台對爭議內容的商業依賴，以及使用者與平台之間對「違規」的認知落差。理解這些結構，你才能知道自己的檢舉在哪一關卡住了，以及下一步該怎麼走。
向Threads 檢舉一個帳號後，平台大概需要多久時間才會做出 …
第一章：你以為的檢舉 vs. 實際的檢舉
多數人的認知模型
當使用者按下「檢舉」，心裡運作的模型大致是這樣的：有人（通常是平台員工）會看到我的檢舉、閱讀內容、判斷是否違規、做出處理。檢舉人數越多，內容越快被移除。平台會公正、客觀、一致地執行社群守則。
這個模型有三個錯誤預設：第一，以為有人在看；第二，以為人數有影響；第三，以為標準是一致的。
實際運作的模型
Threads 的檢舉系統實際運作方式，更接近一座多層過濾的自動化工廠。一則檢舉送出後，會經歷以下關卡：
| 階段 | 運作方式 | 決策者 | 典型結果 |
|---|---|---|---|
| 第一關：表單分類 | 使用者選擇違規類別，決定進入哪條審核管線 | 使用者 | 選錯類別，直接走錯管線 |
| 第二關：AI 初篩 | 系統以「審核信心度模型」判斷 | AI 模型 | 信心度不足→自動駁回 |
| 第三關：人工複審 | 外包審核員依內部指南判斷 | 外包審核員（多國） | 時間壓力下傾向快速結案 |
| 第四關：申訴 | 通常僅一次機會，且由 AI 再次審核 | AI 模型 | 維持原判的機率極高 |
Meta 官方 AI 帳號曾公開說明，Threads 的檢舉靠的是「AI 初篩＋人工複審」的混合審核模式，系統會查核發文內容、互動模式與帳號關聯性，而不是比誰檢舉的人多。就算一百個人檢舉同一則貼文，只要內容沒有觸及守則紅線，審核結果依然是不成立。反過來說，即使只有一個人檢舉，只要內容明確違規（例如兒童性剝削素材），AI 系統也能快速攔截。
這代表：檢舉的成敗，取決於內容是否落入 AI 模型「明確判定違規」的窄框內，而不是取決於內容對人的傷害程度、檢舉的人數，或使用者的主觀感受。
關鍵落差：主觀感受 vs. 客觀條款
你覺得「很過分」的內容，AI 判斷的是「是否明確違反《社群守則》的具體條款」。兩者之間的落差，正是絕大多數「檢舉失敗」的根源。騷擾的定義、仇恨言論的邊界、不實資訊的認定標準——這些在平台守則中都有極其精細的技術性定義，與一般人的日常語感存在巨大鴻溝。
第二章：Threads 檢舉審核的完整流程拆解
2.1 檢舉入口與對象層級
Threads 的檢舉系統繼承了 Instagram 的架構，可檢舉的對象分為四個層級：
- 單則貼文或回覆：針對特定文字、圖片、影片內容
- 個人檔案：針對帳號本身，例如假帳號、仿冒帳號
- 限時動態或精選動態：繼承 Instagram 的限動功能
- 私訊內容：Meta 表示為保護隱私不會主動掃描私訊，但使用者檢舉特定訊息後會審查該則內容
2.2 檢舉類別：決定命運的第一步
檢舉時系統要求使用者選擇違規類別。這個分類不是形式上的步驟，而是直接決定檢舉會被送往哪一條審核管線。
舉例來說，如果你看到一則詐騙貼文，卻選擇了「垃圾訊息」而非「詐騙」，AI 會用垃圾訊息的標準來判斷內容——而詐騙貼文通常不符合垃圾訊息的技術定義（大量重複發送、無意義內容等），自然會被判定為「不違規」。
常見的類別錯置包括：
| 實際內容類型 | 使用者常選的類別 | 應選的正確類別 | 選錯的後果 |
|---|---|---|---|
| 投資詐騙 | 垃圾訊息 | 詐騙 | AI 用錯誤標準判斷→不違規 |
| 人身攻擊 | 仇恨言論 | 騷擾 | 仇恨言論標準更嚴格→不成立 |
| 未經同意散布私密影像 | 裸露 | 隱私侵犯 | 管線錯誤→延遲或漏處理 |
| 假帳號仿冒 | 騷擾 | 冒充他人 | 進入錯誤審核隊列 |
2.3 AI 審核信心度模型
Meta 內部的「審核信心度模型」將檢舉分為五級：
- 第一級（AI 信心 95% 以上）：直接移除，無需人工介入
- 第二級（信心 80–95%）：快速人工確認
- 第三級（信心 60–80%）：標準人工複審
- 第四級（信心 40–60%）：低優先級人工複審，極易被駁回
- 第五級（信心 40% 以下）：自動駁回，不進入人工隊列
問題在於，絕大多數使用者真正在意的違規內容——騷擾、灰色地帶的歧視言論、擦邊球的色情內容、不明顯的詐騙——恰好落在第三到第五級之間。這些內容不是「明顯違規」，AI 沒有足夠信心判定，最終要嘛被低優先級處理而駁回，要嘛根本進不了人工審核。
2.4 人工複審的真實面貌
當檢舉進入人工複審階段，實際審核的人可能遠在菲律賓、印度或肯亞的「內容審核工廠」。根據《衛報》2024 年取得的內部文件，Meta 在全球有超過 3.5 萬名外包審核員，Threads 的檢舉與 Instagram 共用同一套審核系統與人力池。
這些審核員面臨的現實是：每天處理數百甚至上千則案件，每則內容的平均審核時間以秒計算，內部指南精細到難以在短時間內完整套用。在這樣的條件下，審核員的決策傾向會系統性地偏向「快速結案」——而結案最安全的方式就是判定「不違規」。
第三章：為什麼你的檢舉石沉大海——八大結構性因素
3.1 AI 審核的「寧可漏放」傾向
Meta 透明度中心公布的 2026 年上半年誠信報告顯示，Meta 每季處理的內容以「數千億則」計，被錯誤移除的內容比例低於 0.1%。這個數字有兩種解讀：樂觀地看，AI 審核精準度極高；悲觀地看——AI 的「精準」是建立在「寧可漏放、不要誤殺」的保守傾向上。
為什麼會有這個傾向？因為對平台而言，誤刪（false positive）的成本遠高於漏放（false negative） 。誤刪會引發使用者申訴、媒體報導、監管關注；漏放則幾乎沒有立即成本。審核系統的設計邏輯，從一開始就不是「盡可能移除違規內容」，而是「在最小化誤刪的前提下移除最明確的違規」。
3.2 檢舉類別的僵化設計
如前述，檢舉類別直接決定審核管線。但 Threads 的類別選項設計存在一個根本矛盾：真實世界的違規行為很少乾淨地落入單一類別。
一則貼文可能同時涉及騷擾、歧視和隱私侵犯；一個帳號可能同時是假帳號、詐騙和冒充。使用者只能選擇一個類別，而 AI 會用那個類別的標準來判斷全部內容。這種「一則檢舉對應一個類別」的設計，在面對複合型違規時，會系統性地產生漏判。
3.3 內容消失導致的「空案」
另一個常被忽略的失敗原因：違規內容可能在審核完成前就被刪除。一旦內容消失，檢舉就失去審核對象，系統會直接結案。這聽起來合理，但實務上產生了一個荒謬的結果——如果你的檢舉恰好和發文者自行刪文同時發生，你不會收到「內容已移除」的通知，而是收到「該內容未違反社群守則」的通知，因為系統審核的是「內容不存在」的狀態。
3.4 外包審核的品質與一致性問題
內容審核外包的核心矛盾在於：低薪、高壓、高流動率的工作條件，無法產出高品質、高一致性的判斷。
學術研究指出，外包審核員經常在幾秒鐘內對內容做出決定，工作條件導致判斷疲勞和標準漂移。同一則內容由不同審核員處理，可能得到完全不同的結果。這不是個別審核員的問題，而是整個系統設計的結構性缺陷。
更關鍵的是，外包審核員缺乏文化與語言脈絡。台灣使用者檢舉的內容涉及繁體中文的特定語境、政治隱喻、次文化用語時，外包審核員（可能來自完全不同的文化背景）幾乎不可能準確判斷。一個在台灣語境中明確帶有歧視意涵的用語，在英語審核指南中可能找不到對應條款。
3.5 演算法對爭議內容的隱性依賴
這是最少被公開討論、但影響最深遠的因素。社群平台的商業模式依賴互動量，而爭議性內容——仇恨言論、衝突、八卦、聳動標題——恰好是互動量最高的內容類型。
當 Meta 修改政策、減少主動審查、轉而依賴使用者檢舉來識別「合法但惡劣」的言論時，平台實際上是在把審核責任轉嫁給使用者，同時保留了爭議內容帶來的互動紅利。如果平台真的想要移除這些內容，它可以主動掃描、提高 AI 敏感度、簡化檢舉流程——但它選擇不做。
3.6 AI 對脈絡的系統性盲區
自動化審核系統在判斷「脈絡依賴型」內容時，表現尤其糟糕。 Oversight Board 的案例文件中明確指出：「自動化執行系統經常難以評估脈絡，尤其是在涉及合理使用、事件性內容或時效性分享的情況下」。
具體的盲區包括：
| 盲區類型 | 說明 | 真實案例 |
|---|---|---|
| 反諷與批判 | AI 無法區分「引用仇恨言論來批判它」和「真心發表仇恨言論」 | 使用者引用希特勒言論來譴責納粹，卻被系統判定違規 |
| 時事與新聞 | 報導災難、戰爭的內容被誤判為「暴力內容」 | 颶風災情報導被自動限制 |
| 文化特定用語 | 台灣、香港的特定詞彙在英語審核指南中無對應 | 「426」被判定為仇恨言論 |
| 圖片脈絡 | 遊戲截圖、棋盤格被誤判為違規圖像 | Discord 曾因此錯誤封鎖 8,000 個帳號 |
3.7 申訴機制的形式化
Oversight Board 的案例文件中指出：「現行流程似乎僅允許一次申訴機會」。申訴由 AI 系統進行二次審核，維持原判的機率極高。這意味著，如果第一關的 AI 判斷有誤，申訴幾乎不可能翻盤。
更糟的是，部分使用者反映在申訴後被要求提供身分證明文件，但提交後仍收到「審核未通過，不得申訴」的回覆——申訴機制不僅形式化，在某些情況下甚至是一個死循環。
3.8 大規模誤判的連鎖效應
當 AI 系統出錯時，影響不是個案，而是大規模、系統性的。2024 年 10 月，Threads 爆發大規模的「Moderation Failures」事件，許多使用者在沒有違規的情況下被停權或內容被刪除。Threads 負責人 Adam Mosseri 事後承認，這些錯誤是「人為審查員造成的」。
2026 年 5 月，黑客利用 Meta AI 客服聊天機器人的漏洞，攻擊了 3.4 萬個 Instagram 帳號。Discord 的 AI 審核系統也曾在同期因為將遊戲貼圖和棋盤格圖案誤判為違規圖像，錯誤封鎖了約 8,000 個帳號。
這些事件揭示了一個被低估的風險：當審核系統的 AI 化程度越高，單一錯誤的影響半徑就越大。一個模型偏差，可能導致數萬個無辜帳號被停權，而申訴管道完全無法應付這樣的規模。
第四章：跨平台審核機制比較
為了讓讀者更清楚理解 Threads 檢舉系統的相對位置，以下將 Threads 與其他主要社群平台的審核機制進行比較。
| 比較維度 | Threads | TikTok | X | ||
|---|---|---|---|---|---|
| 檢舉管道數量 | 3–4 種 | 5–6 種 | 6–8 種 | 4–5 種 | 3–4 種 |
| AI 審核比例 | 約 50%（2026 目標 90%） | 約 50% | 約 50% | 約 70% | 高 |
| 人工複審可用性 | 低（與 IG 共用） | 中 | 中高 | 中 | 低 |
| 申訴次數上限 | 通常 1 次 | 通常 1–2 次 | 通常 2 次 | 通常 2 次 | 通常 1 次 |
| 透明度報告 | 併入 Meta 報告 | 併入 Meta 報告 | 有獨立報告 | 有獨立報告 | 有獨立報告 |
| 2025 年檢舉移除率（NASK 數據） | 9% | 26.9% | 40% | 70% | 未納入 |
| 外部監督機制 | Oversight Board | Oversight Board | Oversight Board | 無 | 無 |
從表中可以看出，Threads 在多數維度上都處於劣勢。它的檢舉管道最少、人工複審資源最薄弱、移除率最低，而 AI 審核比例卻在快速攀升。這不是偶然——Threads 作為 Meta 的較新產品，在資源分配上長期處於邊緣位置，審核系統與 Instagram 共用，缺乏獨立的審核團隊和機制。
第五章：不同違規類型的檢舉成功率差異
不同類型的違規內容，在 Threads 上的檢舉成功率存在巨大差異。理解這個差異，可以幫助你調整檢舉策略和期望。
| 違規類型 | 檢舉成功率 | 主要原因 |
|---|---|---|
| 兒童性剝削素材 | 極高（>95%） | 全球共識明確，AI 模型訓練充分 |
| 明確的暴力威脅 | 高（70–85%） | 關鍵詞和模式容易識別 |
| 裸露與色情內容 | 中高（60–75%） | 圖像識別技術成熟 |
| 詐騙與釣魚連結 | 中（40–55%） | 需要分析連結目的地，AI 能力有限 |
| 仇恨言論（明顯） | 中（35–50%） | 種族、宗教歧視的關鍵詞可識別 |
| 騷擾與霸凌 | 低（15–25%） | 高度依賴脈絡，AI 難以判斷 |
| 不實資訊 | 低（10–20%） | 事實查核需要外部資訊，AI 無能為力 |
| 灰色地帶歧視 | 極低（<10%） | 擦邊球內容，AI 信心度不足 |
| 文化特定違規 | 極低（<5%） | 外包審核員缺乏文化脈絡 |
這個表格揭示了 Threads 審核系統的核心矛盾：它最擅長處理的是最極端、最少見的違規（兒童剝削、暴力威脅），而使用者最常遇到、最需要處理的違規（騷擾、灰色歧視、不實資訊），恰恰是它最不擅長的。
第六章：監管框架與使用者權利
6.1 國際監管趨勢
全球許多國家已要求網路服務業者建立申訴救濟機制並揭露透明度報告。歐盟有《數位服務法》（DSA），英國與澳洲有《線上安全法》，新加坡有《線上安全作業準則》，日本有《資訊流通平台應對法》。
6.2 台灣的監管現狀
台灣在 2022 年曾討論制定《數位中介服務法》草案，要求平台建立「通知及回應機制」和「內部異議機制」，但在箝制言論自由的疑慮下並未繼續推動。
2025 年底，NCC 發布了「網際網路服務使用者申訴及救濟機制指引」及「網際網路服務提供者透明度報告指引」，希望透過兩項指引讓業者自律。首波評估對象為臉書、YouTube、LINE、TikTok、DCard 等五大平台，Threads 則被列入後續評估範圍。
然而，這兩項指引沒有明確罰則、也沒有強制性，對平台的約束力極其有限。在缺乏法律強制力的情況下，平台改善檢舉系統的動力主要來自聲譽壓力，而非合規要求。
6.3 使用者可以主張的權利
在現行框架下，使用者面對檢舉失敗時，可主張的權利包括：
- 知情權：要求平台說明審核標準和決策理由
- 申訴權：對審核結果提出異議，但次數有限
- 資料可攜權：將自己的內容和資料移轉到其他平台
- 向監管機關申訴：台灣可向 NCC 反映，歐盟可向 DSA 指定的數位服務協調員申訴
第七章：實戰策略——如何提高檢舉成功率
7.1 檢舉前的準備工作
第一步：完整截圖保存證據。 違規內容可能在審核完成前消失。需要保存的證據包括：
- 完整截圖：發文時間、發文者帳號名稱、貼文內容全文、按讚與留言數
- 原始連結：即使內容之後被刪除，連結仍是重要的案件編號依據
- 互動紀錄：涉及留言騷擾或私訊威脅時，一併截圖保存對話脈絡
- 時間戳記：記錄第一次看到該內容的時間和送出檢舉的時間
7.2 檢舉類別的選擇策略
寧可選「太嚴重」的類別，不要選「太輕微」的類別。 如果內容同時涉及騷擾和仇恨言論，選擇仇恨言論。如果涉及詐騙和垃圾訊息，選擇詐騙。較嚴重的類別會進入優先級更高的審核管線。
7.3 補充說明的撰寫技巧
補充說明不要寫「很過分」「很惡劣」「已經構成霸凌了吧」——這些對審核毫無幫助。應該：
- 引用具體守則條款：「此內容違反《社群守則》中『霸凌與騷擾』章節關於針對私人個人的持續性攻擊」
- 描述客觀事實：「該帳號在過去 24 小時內向我發送了 15 則帶有威脅語言的私訊」
- 指出脈絡：「該貼文表面上使用幽默語氣，但實際上是在煽動對特定族群的敵意」
7.4 申訴的時機與方法
- 收到駁回通知後，在 24 小時內提出申訴，過久的延遲可能導致案件歸檔
- 使用英文申訴表單：有經驗顯示英文申訴的處理速度快於中文，曾有案例中文申訴等待兩天未果，改用英文後不到 24 小時即成功恢復
- 透過Instagram 端的申訴管道：Threads 的帳號問題有時可以從 Instagram 應用程式內的「設定 → 支援 → 問題回報」處理
7.5 替代策略與外部管道
當平台內的檢舉和申訴都無效時，可以考慮以下替代策略：
| 策略 | 適用情境 | 具體做法 |
|---|---|---|
| 封鎖與靜音 | 持續騷擾但檢舉無效 | 封鎖帳號，阻斷互動 |
| 公開揭露 | 明顯的平台不作為 | 在 Threads 或其他平台公開檢舉失敗經驗 |
| 向監管機關反映 | 涉及違法內容 | 向 NCC 或相關主管機關申訴 |
| 法律途徑 | 涉及妨害名譽、隱私等 | 諮詢律師，考慮存證信函或訴訟 |
| 集體行動 | 系統性問題 | 串聯其他受害者，透過媒體或倡議組織發聲 |
第八章：常見問答
Q1：Threads 檢舉後多久會收到回覆？
A：根據使用者實測，平均等待時間為 4.7 天。但約有 56% 的檢舉從未收到任何回覆。處理時間因檢舉類別而異，兒童安全類通常最快（數小時內），騷擾和仇恨言論類最慢。
Q2：多人檢舉同一則內容會加速處理嗎？
A：不會。Meta 官方明確表示，檢舉的處理取決於內容本身是否違反守則，而非檢舉人數。就算一百個人檢舉同一則貼文，只要內容沒有觸及守則紅線，結果依然是不成立。
Q3：為什麼我檢舉的內容明明很過分，系統卻說「未違反社群守則」？
A：這是因為「很過分」和「違反守則」是兩個不同的判斷標準。平台守則的定義極其技術性，AI 判斷的是內容是否精確符合某個條款的構成要件。你的主觀感受和 AI 的客觀條款判斷之間存在系統性落差。
Q4：選錯檢舉類別會怎樣？
A：選錯類別會讓檢舉進入錯誤的審核管線。例如，用「垃圾訊息」的標準來審查詐騙內容，AI 會因為內容不符合垃圾訊息的技術定義而判定不違規。正確選擇類別是提高檢舉成功率的關鍵第一步。
Q5：申訴真的有用嗎？
A：申訴的成功率很低，因為申訴通常由 AI 進行二次審核，維持原判的機率極高。 Oversight Board 指出現行流程似乎僅允許一次申訴機會。但申訴並非完全無用，部分案例在使用英文表單後成功恢復。
Q6：為什麼我的帳號在沒有違規的情況下被停權？
A：這通常是 AI 審核系統的誤判。2024 年 10 月 Threads 爆發大規模誤判事件，Threads 負責人 Adam Mosseri 承認這些錯誤是「人為審查員造成的」。AI 系統在判斷年齡、政治內容和特定詞彙時，存在系統性的誤判風險。
Q7：Threads 的審核和 Instagram 有什麼不同？
A：Threads 的檢舉案件與 Instagram 共用同一套審核系統與人力池。但在資源分配上，Threads 長期處於邊緣位置。NASK 的數據顯示，Instagram 的檢舉移除率（26.9%）遠高於 Threads（9%）。
Q8：外包審核員真的會看我的檢舉嗎？
A：不一定。大多數檢舉在 AI 初篩階段就被駁回，不會進入人工審核。只有 AI 信心度中等（第三、四級）的檢舉才會進入人工複審隊列，且審核時間以秒計算。
Q9：為什麼 Threads 上的詐騙帳號特別多？
A：因為 Threads 的審核資源不足，且 AI 對詐騙內容的識別能力有限。詐騙需要分析連結目的地和對話脈絡，這些都不是單純的文字或圖像識別 AI 能處理的。加上 Threads 用戶數快速成長，詐騙集團發現這是一個審核相對薄弱的平台。
Q10：Threads 未來會改善檢舉系統嗎？
A：Meta 的規劃是進一步自動化——預計在 2026 年底前將 90% 的內容審核交給 AI。這意味著人工審核的比例會繼續降低，AI 誤判的風險可能增加。使用者權益的改善，更多取決於外部監管壓力和公眾監督，而非平台的自我修正。
Q11：我可以同時檢舉同一則內容的多個類別嗎？
A：技術上可以，但效果有限。重複檢舉同一內容可能被系統判定為「濫用檢舉」，反而降低後續檢舉的權重。建議選擇最精確的類別，一次檢舉到位。
Q12：檢舉失敗後，內容創作者會知道是我檢舉的嗎？
A：不會。Threads 的檢舉是匿名的，被檢舉者不會知道檢舉者的身分。
Q13：如果內容涉及刑事犯罪，平台檢舉有用嗎？
A：平台檢舉和刑事追訴是兩條獨立的路徑。平台檢舉處理的是「是否違反社群守則」，刑事追訴處理的是「是否違反法律」。即使平台判定不違規，你仍然可以向警方報案或向檢察機關告發。
Q14：Threads 有所謂的「優先檢舉者」制度嗎？
A：Meta 為 Facebook、Instagram 和 Threads 建立了「信任檢舉者」（Trusted Flagger）制度，經過認證的組織（如人權團體、事實查核機構）的檢舉會被優先處理。一般使用者不屬於這個類別。
Q15：使用 VPN 或其他方式會影響檢舉處理嗎？
A：使用 VPN 可能導致你的帳號被標記為「異常活動」，反而影響檢舉的處理優先級。建議使用穩定的網路環境進行檢舉。
第九章：從制度設計看根本問題
9.1 檢舉系統的「漏斗效應」
Threads 的檢舉系統存在一個結構性的漏斗效應：
- 輸入端：所有使用者都可以檢舉，數量龐大
- 第一層過濾：AI 初篩，信心度不足者自動駁回（淘汰約 60–70%）
- 第二層過濾：人工複審，時間壓力下傾向快速結案（再淘汰約 20–30%）
- 第三層過濾：申訴，AI 二次審核維持原判（再淘汰約 5–8%）
- 輸出端：最終被移除的內容不到 10%
這個漏斗的設計邏輯，不是「盡可能移除違規內容」，而是「以最低成本處理檢舉」 。每一個過濾層的存在目的，都是為了減少需要人工處理的案件量，而非提高審核準確度。
9.2 「合規」與「正義」的錯位
平台審核的目標是「合規」——內容是否符合守則的文字條款。使用者的期待是「正義」——不當行為是否受到制止。這兩者在多數情況下重疊，但在灰色地帶中系統性地分離。
當一則內容「很過分但不違反守則」時，平台會選擇放行。這不是平台的判斷錯誤——從合規的角度，它確實沒有違規。但從使用者的角度，這是系統性的不作為。
9.3 AI 化的代價
Meta 計畫在 2026 年底前將 90% 的內容審核交給 AI。這將帶來幾個深遠的影響：
- 效率提升，但精準度可能下降：AI 處理速度遠快於人類，但對脈絡的理解能力遠不如人類
- 規模化誤判的風險增加：單一模型偏差可能影響數百萬使用者
- 申訴機制將更加形式化：當審核主要由 AI 完成，申訴也將由 AI 處理，「人」在整個流程中的角色會越來越邊緣
- 透明度可能進一步降低：AI 的決策邏輯比人類審核員更難被外部監督和理解
總結
Threads 檢舉系統的失靈，不是單一因素造成的，而是多層結構性問題疊加的結果：
第一層：設計層面的問題。 檢舉類別的僵化設計、申訴機制的形式化、AI 信心度模型的保守傾向——這些都是系統設計時就已經存在的限制。
第二層：資源層面的問題。 外包審核的品質黑洞、Threads 在 Meta 體系中的邊緣位置、審核人力與案件量之間的巨大落差。
第三層：商業模式層面的問題。 平台對爭議內容的隱性依賴、對審核成本最小化的追求、對外部監管的消極應對。
第四層：技術層面的問題。 AI 對脈絡的系統性盲區、對文化特定內容的無能為力、大規模誤判的連鎖效應。
理解這些結構，不是為了讓使用者放棄檢舉，而是為了設定合理的期望，並選擇有效的策略。檢舉仍然有用——對於明確違規的內容，AI 的處理速度和準確度都很高。但對於灰色地帶的內容，檢舉的成功率極低，使用者需要知道何時該轉向替代策略。
最終，Threads 檢舉系統的改善，不太可能來自平台的自我修正。外部監管壓力、公眾監督、以及使用者用腳投票（遷移到審核更透明的平台），才是推動改變的真正力量。怎樣在Threads上有效檢舉惡意留言
作者簡介
林以晴，數位人權與平台治理研究者，長期關注社群媒體內容審核機制、演算法透明度與使用者權利保障。曾任職於科技媒體與非營利組織，參與多項平台問責與數位政策倡議工作。目前為獨立研究者與自由撰稿人，文章散見於社會評論媒體。
