روش‌شناسی

دسته‌های اسپم

هر گزارش و هر شماره در یکی از هفت دسته طبقه‌بندی می‌شود. این دسته تعیین می‌کند که شماره چگونه در فهرست نمایش داده شود و هم از گزارش کاربر و هم از تحلیل خودکار بعدی به‌دست می‌آید:

• SPAM — Generic, unwanted commercial calls that do not fit a more specific category.
• TELEMARKETING — Telephone sales campaigns, usually telecoms or energy, that persist despite rejection.
• SCAM — Scams and fraud, including identity impersonation (banks, public bodies, fake tech support). The most serious category.
• DEBT — Debt-collection and recovery calls, often aggressive or aimed at the wrong person.
• HARASSMENT — Repeated calls intended to harass, intimidate or deliberately disturb.
• SURVEY — Unsolicited phone surveys, polls and market research.
• OTHER — Any other type of unwanted call that does not fit the above.

تحلیل هوش مصنوعی

فراتر از امتیاز عددی، یک کارگر هوش مصنوعی شماره‌ها را بر اساس محتوای تأییدشده جامعه تحلیل می‌کند: نظرات و گزارش‌هایی که مرحله بازبینی را پشت سر گذاشته‌اند. هوش مصنوعی هرگز با محتوای تأییدنشده کار نمی‌کند، بنابراین هیچ مشارکت بررسی‌نشده‌ای نمی‌تواند بر تحلیل عمومی تأثیر بگذارد.

برای هر شماره تحلیل‌شده، هوش مصنوعی مجموعه‌ای ساختاریافته از اطلاعات تولید می‌کند که در صفحه آن شماره نمایش داده می‌شود:

فیلدهایی که این تحلیل تولید می‌کند به شرح زیر است:

• Description — A natural-language summary of who seems to be behind the number and what they want.
• Complaint patterns — The most repeated complaint reasons across reports (for example, calls at unsociable hours or persistence after refusal).
• Tactics used — The specific techniques detected, such as pressure, false urgency or requests for personal data.
• Sector — The field the activity belongs to (telecoms, energy, debt collection, surveys, etc.).
• Detected company — The company or organisation the number appears to represent or impersonate, when it can be identified.
• Impersonation — An indicator of whether the number pretends to be a legitimate entity (bank, public administration, known brand).
• Recommended action — The final recommendation for the user: block, caution, ignore or safe.

این تحلیل جنبه راهنما دارد و به‌طور خودکار از مشارکت‌های جامعه تولید می‌شود؛ جایگزین قضاوت شخصی کاربر نیست و به‌منزله اتهام علیه هیچ شرکت خاصی نیست.

بازبینی: هیچ‌چیز بدون بررسی منتشر نمی‌شود

کنترل کیفیت هسته اصلی این روش‌شناسی است. گزارش‌ها و نظرات به محض ارسال در فهرست عمومی ظاهر نمی‌شوند: تا زمانی که مدیری آن‌ها را تأیید کند، در وضعیت در انتظار باقی می‌مانند. تنها پس از آن است که در امتیاز ریسک محاسبه می‌شوند، به تحلیل هوش مصنوعی وارد می‌شوند و برای سایر کاربران قابل مشاهده می‌گردند.

این مرحله بازبینی دو هدف دارد: گزارش‌های نادرست یا مخرب را پیش از تأثیرگذاری بر اعتبار یک شماره حذف می‌کند و اطمینان می‌دهد که هوش مصنوعی تنها بر اساس اطلاعات بررسی‌شده استدلال می‌کند. نویسنده یک گزارش در انتظار می‌تواند مشارکت خود را ببیند، اما تا زمان تأیید، هیچ‌کس دیگری نمی‌تواند آن را ببیند.

منابع داده

ارزیابی هر شماره سه منبع مستقل را ترکیب می‌کند:

• Community reports — The foundation of everything. Users report numbers from the app and the web, anonymously, with a category and a comment. After moderation, they are the main signal for the score.
• CNMC operator and prefix data — We use public data from the National Commission for Markets and Competition (CNMC) to identify the operator assigned to each numbering block and the line type (mobile, landline, premium rate).
• Company press releases (RSS) — We follow companies' newsrooms via RSS feeds to detect legitimate campaigns and reduce false positives when a real company is running mass communications.