lit-radar — 2026-09-06

如果把今天这批论文放在一支长视频里，我会先抛出一个问题：这些研究到底在帮我们重新理解什么？这一期论文雷达不做公式推导，也不堆术语，而是用尽量直白的话，把目录里的线索串成一条可以听下去的脉络。你可以把它当作正式阅读前的导览，先判断哪几篇最值得点开。

接下来这篇来自公共管理与公共政策方向的研究，题目可以先理解为《公共服务中的算法歧视：公民如何在“人做的”和“算法做的”之间分配责任》。越来越多的政府部门在用人工智能替自己做判断：谁的补贴申请可能有欺诈风险、哪家企业该被优先检查、哪个家庭需要被重点关注。文章问的核心问题非常直白： 面对同样一个歧视性的结果，如果告诉公众“这是算法判的”，他们会不会比听到“这是工作人员判的”时，更少地追究这家政府机构的责任？第一个结果，和很多人的预期相反： 公众并没有因为“是算法做的”就放公共机构一马。这篇文章最终给出的答案分两半： 把决策交给算法，并不会让公共机构少担责任；但把算法外包出去，会。

接下来这篇来自公共管理与公共政策方向的研究，题目可以先理解为《执法记录仪、警察逮捕与官僚自由裁量权：一项覆盖全美的大规模因果分析》。过去十年，美国几乎所有城市的警察都被要求戴上一个小盒子——执法记录仪。文章要回答的核心问题是： 执法记录仪真的改变了警察的逮捕行为吗？结果非常清晰，而且方向并不是所有人预期的那样。这篇文章的结论可以概括成一句话： 执法记录仪确实改变了警察行为，但只在“怎么做都合法”的地方改变，而且对不同族裔的效果不一样。

接下来这篇来自公共管理与公共政策方向的研究，题目可以先理解为《政策过程中的能动性：四种功能与四种行动模式的理论化》。你有没有想过这样一件事：为什么有些政策几十年一动不动，可某一天突然就改了？文章的核心问题只有一句话，但很锋利：我们能不能不看“这个人是谁”，而只看“这个人在干什么”？最主要的成果，是一张 四对四 的对照表。这篇文章的最终主张可以浓缩成一句：研究政策里的人，应该问“他在完成哪个功能”，而不是问“他是哪种人”。

接下来这篇来自计算传播学方向的研究，题目可以先理解为《人写的假新闻和 AI 写的假新闻，谁更骗得过人？——27 国实验证据》。现在造一条假新闻有多容易？研究要同时回答两组问题，一组关于“真假”，一组关于“谁写的”。第一个发现：人们确实能分辨真假，但分辨得不算好。这项覆盖 27 个欧洲国家的实验给出了一个不太让人安心的结论： 只要不告诉你是谁写的，AI 生成的新闻在可信度上就和人写的没有区别——甚至略高一点。

接下来这篇来自计算传播学方向的研究，题目可以先理解为《与大模型对话能削弱阴谋论信念——哪怕对方被当成了人》。“阴谋论是劝不动的”——这几乎是常识。研究的核心问题只有一句： 如果换成一个人来说同样的话，效果会一样吗？结果异常干脆： 换谁来说，效果都一样。最终结论可以压缩成一句话： AI 之所以能劝动人，不是因为它是 AI，而是因为它说得对、说得准、说得具体。

接下来这篇来自计算传播学方向的研究，题目可以先理解为《让语言驱动关系网：用大模型智能体模拟观点与社交连边的共同演化》。在社交平台上，有两件事一直在同时发生：你的 看法 在变，你的 关注列表 也在变。作者提出三个问题： RQ1 ：大模型能不能不只是生成文本，而是在 同一个框架里 同时完成“更新观点—写新帖子—调整关注”，并且模拟出真实的网络互动？发现一：大模型模拟出来的网络，比方程式模型更像真的。这项研究给出的核心结论是： 把“换关注”这个决定交给大模型来做，模拟出来的社交网络比传统方程式模型更接近现实，而且模型还能说出它为什么这么做。

接下来这篇来自仿真方法-ABM_SD_DES方向的研究，题目可以先理解为《硅基民主：把制度设计当作 AI 对齐机制的智能体政体实验》。今天讨论 AI 安全，绝大多数说的是同一件事： 怎么让一个模型听懂一个人的意思，不要跑偏 。文章的中心假设是： 制度设计本身——选举制度、宪章、议事协议——可以成为一种强有力的 AI 对齐机制。先看定性的部分，读起来相当有冲击力。这项研究得出的结论是： 约束越强的制度，反而产生了更清廉、更稳定、也更有产出的政体。

接下来这篇来自仿真方法-ABM_SD_DES方向的研究，题目可以先理解为《当谣言碰上疫情：用两层智能体模型量化错误信息把疫情放大了多少》。疫情期间有一件事，几乎每个人都亲身感受过： 你信什么，直接决定你做什么 。核心问题就一句： 如果一个社会对网络谣言完全没有抵抗力，和一个高度有抵抗力的社会相比，最终会多出多少人被感染？把最没有抵抗力的社会和最有韧性的社会放在一起比，差距触目惊心。这项研究用一张约两千万人的真实接触网，给“网络谣言到底害了多少人”这个问题给出了一个有数据支撑的量级答案。

接下来这篇来自仿真方法-ABM_SD_DES方向的研究，题目可以先理解为《没有算法，也没有偏好：回音室仍然会自己长出来》。关于网上为什么会形成「意见相同的人抱成一团」这件事，学界吵了很多年，主要有两派。核心问题只有一个，但问得很狠： 如果既没有过滤算法，用户也没有强烈的「只想和同类待着」的偏好，高度的意识形态同质化还会不会出现？结果非常干脆，而且临界点低得让人吃惊。这篇文章的结论可以用一句话概括： 网络上的极化，既不需要极端的偏好，也不需要恶意，更不需要算法操纵。

所以，今天这期的重点不是记住每篇论文的所有细节，而是先抓住它们共同暴露出来的问题意识。先从最贴近你研究方向的一篇打开，再回头横向比较其他领域怎么提问、怎么组织证据，往往会更容易找到真正有启发的部分。