检测网络协同造假
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
CIB Mango Tree 是 Civic Tech DC 发起的开源项目，目标是让研究人员、记者、技术人员和普通公民更容易识别社交媒体中的协同虚假行为（CIB）。它不是爬虫，也不负责采集平台数据，而是在用户提供的社交媒体活动数据集上运行检测与分析。
工具采用“low-hanging fruit”思路：先用容易运行的测试发现较明显、低复杂度的操纵迹象，再逐步扩展到更高级的方法。正文明确列出的检测方法包括 Copy Pasta Test 和 Hashtag Test，更多方法仍在规划中。它运行在本地电脑，通过交互式命令行界面使用，要求 Python 3.12 或更高版本。支持语言/框架方面，公开信息主要限于 Python，未说明支持哪些社交平台数据格式、NLP 框架或网络分析库。
项目明确为开源工具，并给出 GitHub 仓库克隆、虚拟环境、bootstrap 脚本和 python -m cibmangotree 启动方式。本地运行的设计有利于敏感数据分析和方法复现。生态上，它隶属于 Civic Tech DC，依靠志愿者社区推进，设有 Engagement Scrum、Product Scrum 和项目夜，适合参与式开发和公益研究。但正文未披露许可证、API/SDK、正式插件机制或第三方平台集成。
正文未出现商业定价或付费版本，结合 open-source 和非营利社区背景，可判断其当前更偏免费公益工具。文档质量方面，Quick Start 覆盖安装和启动，足够开发者初步试跑；但对输入数据结构、输出解释、检测指标、误报控制和高级用法的说明在抓取文本中不足。
优点是开源透明、本地运行、入门步骤明确，并聚焦错误信息、机器人和公共议题操纵分析。缺点是功能仍早期，已公开方法有限；不抓取数据意味着使用者需要自行获取和清洗数据；CLI 对非技术用户仍有门槛，服务支持也主要依赖社区。
网站和 GitHub 的中国大陆访问情况正文未说明，判定为未知。若网络或 GitHub 访问不稳定，可考虑 Botometer、Hoaxy、OSoMe 工具集、Gephi、NetworkX 等替代或补充方案。
本测评基于公开资料整理,不构成购买建议,请以 cibmangotree.org 官网实际信息为准。
开源库用于分析CIB行为，适合舆情与安全研究。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。