lit-radar — 2026-09-10

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《卡在面谈这道关：用几条短信把食品补助的申请门槛降下来》。很多人没能领到自己有资格领的政府补助，原因往往不是不够格，而是卡在了某一道手续上。这项研究要回答的是，在不取消强制面谈这道关卡的前提下，能不能仅仅靠把「可以灵活安排」这件事讲清楚，就让更多人顺利拿到补助。研究结果相当明确：只是多发几条短信、把灵活选项讲清楚，就让面谈完成率和补助批准率都明显上升。这项研究最重要的贡献，可能是它提出的那个概念——行政关卡。

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《借势还是助力：政治行动者如何把疫情当作气候政策辩论中的论据》。二〇二〇年，全世界的注意力被一场突如其来的疫情占满了。这项研究要回答的是，政治行动者会不会把一场突发危机当成推动自己既有政策主张的工具。研究发现，疫情确实被大量用作气候辩论中的论据，而且主要是被主张加强气候政策的一方所使用。这项研究给「危机是否创造政策机会」这个老问题提供了一个细致的实证答案。

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《人派错了地方：巴西自然保护区管理机构的人员错配是怎么形成的》。政府机关把人派到哪里去，这件事听起来像是琐碎的人事安排。这项研究要回答的是，公共机构里的人员错配究竟是怎么形成的，以及为什么管理者想纠正却纠正不了。研究发现，这家机构的人员错配不是单一原因造成的，而是四五种力量层层叠加的结果。这项研究把一个常被当作技术性人事问题的现象，还原成了一个结构性的治理问题。

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《当人工智能替我们说话：AI 中介的沟通如何悄悄改变群体意见》。越来越多的社交平台把大语言模型放进了普通人发帖的流程里。这项研究想弄清楚一件事，就是当人工智能替我们润色文字时，整个群体的看法会不会被悄悄带偏。研究发现，人工智能确实会给文字加上方向性的偏移，而且这种偏移会在社交网络里被放大。这项研究说明，人工智能中介的沟通已经成为影响群体意见的一个全新杠杆。

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《分而治之？关于「选举被干预」的报道会不会真的撕裂社会》。选举被外部势力干预，这是近些年民主国家最常见的忧虑之一。这项研究要回答的是，关于选举被干预的新闻报道本身，会不会加剧社会的政治对立。研究最主要的发现是一个否定的结论：单纯读到选举被干预的新闻，并不会让人变得更对立。这项研究提供了一个让人略感宽慰的结论。

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《敌意假消息效应：为什么每个人都觉得自己这边才是假消息的靶子》。关于假消息，有一个反差很大的事实。这项研究要回答的是，人们是不是普遍觉得自己支持的一方才是假消息的主要攻击对象。研究结果非常清楚：人们确实普遍认为自己支持的政党比对手更多地成为假消息的攻击目标。这项研究把传播学里一个流传了几十年的经典发现，成功地搬到了假消息这个新领域。

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《邻居的立场有多重要：紧密社群如何放大虚假信息的说服力》。同样一条假消息，有人一看就信，有人一看就驳。这项研究要回答的是，一个人会不会相信某条假消息，究竟有多少取决于他自己的立场，又有多少取决于他周围人的立场。研究最重要的发现是，在邻居彼此也互相认识的紧密社群里，周围人的立场强度对一个人是否轻信的影响，几乎可以和他自己的立场强度相提并论。这项研究给虚假信息的传播模型补上了一块此前缺失的拼图。

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《静态政策与自适应政策真的能区分开吗：一个监管仿真的受控基准》。政府制定规则，被管的人会想办法适应规则，政府再根据结果调整规则。这项研究的核心问题是，在同一个模拟器上，把政策假设成固定不变还是会随时调整，得出的监管结论会不会在结构上有实质差别。研究最重要的发现是，一个在企业不会变通时表现最好的监管方式，一旦企业也开始变通，就变成了表现最差的那一个。这项研究给政策仿真提出了一条新的评价标准。

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《让模拟的人也「忽冷忽热」：城市尺度危机响应模拟中的时间真实性》。人的集体行动很少是均匀发生的。这项研究要回答的核心问题是，用大语言模型搭出来的社会模拟器，能不能模仿出真实人群那种忽冷忽热的行动节奏。研究得到的最重要结论是，普通的大模型模拟器几乎完全模仿不出真实的行动节奏，而只要给它装上一个从数据里学来的时间闸门，节奏立刻就回来了。这项研究把社会模拟的评价标准往前推了一步。

接下来这篇来自AIGC前沿-顶级突破方向的研究，题目可以先理解为《一句话指挥声音：统一语音生成与编辑的开源基础模型 AuK》。语音技术这些年分裂成了很多互不相通的小工具。这项研究要解决的是，能不能用一个模型、一个自然语言指令的入口，把语音生成与各种语音编辑统统接管下来。研究结果显示，这个统一模型在语音生成和指令式语音编辑两条主线上都取得了领先成绩，同时在信号级的修复类任务上保持竞争力。这项工作的意义在于，它把语音领域从「一个任务一个模型」推向了「一个模型一个指令」。

接下来这篇来自AIGC前沿-顶级突破方向的研究，题目可以先理解为《超越人类示范：不靠模仿人类轨迹的端到端自动驾驶》。现在的自动驾驶系统，绝大多数是靠模仿人类司机的驾驶记录学出来的。这项研究要回答的是，自动驾驶能不能不再以人类的驾驶记录为学习上限。研究结果显示，完全不看人类驾驶轨迹训练出来的系统，反而超过了提供训练场景的那份人类记录本身。这项工作最值得记住的一点，是它把人类驾驶记录从「学习目标」降格成了「场景素材」。

接下来这篇来自AIGC前沿-顶级突破方向的研究，题目可以先理解为《不再一个字一个字地写：混合专家扩散语言模型的放大规律》。现在几乎所有的大语言模型，写字的方式都是一个词一个词往下接。这项研究要回答的是，扩散式语言模型在放大规模时该遵循什么规律，以及这些规律和主流的接龙式模型有没有实质区别。研究得到的核心结论是，扩散式模型的放大规律确实与接龙式模型不同，而且这些差别足以影响实际的训练决策。这项工作的价值，在于它把扩散式语言模型从「有潜力的替代方案」推到了「有章可循的工程路线」。

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。