lit-radar — 2026-10-17

科研牛马们，我来汇报组会工作——paper reading了。今天一共10篇，老规矩，不念公式，只讲人话。

第一篇，《“我们以后会改”：教育、人工智能与教育科技中的隐私拖延》。学校用的教育科技软件会收集孩子的成绩、行为记录甚至残障档案，但这些平台很少认真管隐私。调查教育科技公司内部为什么明知隐私重要却总往后拖，再看它们的公开隐私政策是不是也这样。咋整的呢？访谈十二名从业者，再让两位编码员按五个维度给四十八个平台的隐私政策打分，并算出打分一致性。结果你猜怎么着，平台讲收集了哪些数据最清楚，讲人工智能怎么用、出事谁负责最含糊，约三成完全没提人工智能。按作者自己的说法，拖延不是疏忽，而是每个环节单独看都很合理，最后责任摊薄、没人真正负责。一句话总结：光靠企业自觉不够，要把隐私做成上线前的硬门槛，靠采购规则和具体可执行的监管来逼。

第二篇，《创造性毁灭：实验市场中的人机竞争》。人工智能越来越会做创意活，人类还能不能在生产里留个位置，一直有两种乐观说法。人类是不是更懂消费者口味，消费者又是不是更愿意买人做的东西。具体怎么折腾的：找了一千零二十五名美国人，一部分指挥人工智能做小游戏，另一部分掏钱来买。折腾完发现，单独由人工智能做的游戏反而更受欢迎，平均多卖十美分，业余和专业设计者都输。作者还顺手讨论了一下，人类的口味优势并不存在，消费者也没因为是人做的就多付钱。说人话就是：人类的位置可能越来越窄，而从业者事先完全没有料到。

第三篇，《TRACE：生产级人工智能系统可解释性债务的治理框架》。人工智能上线后，决策会越来越难向监管者解释，可现有监控只看准确率，看不到这笔欠账。能不能造一把尺子，量出一套人工智能系统此刻有多少比例的决策解释不达标。方法上，作者设计七件配套工具，在一套每天处理五万笔交易的反欺诈系统上跑了整整十二个月。最后发现，审计当天，约四分之一的决策解释不达标，而这条上升曲线提前六个月就被算了出来。作者的解读是，债务不是突然爆的，是每周一点点累积的，只要盯着斜率就能提前预警。划重点：系统级平均会掩盖高风险决策的集中风险，合规应当是可测量的证据而非口头声明。

第四篇，《会传染的误读：共享解读下的社会学习》。人们聊天时传的不只是结论，还有各自对证据该怎么读的那套标准。如果一群人把解读证据的标准也拿出来共享，他们最后会共同相信什么。咋整的呢？作者搭了一个双通道数学模型，让信念走一张网、解读走另一张网，再推导长期结果。结果你猜怎么着，解读会以几何速度并成一种，谁在解读网络里分量重，共同标准就偏向谁。按作者自己的说法，共享解读既可能把整群人救回真相，也可能把本来读对的人带偏。一句话总结：一群人异口同声并不等于读对了，关键要看两张网络分别由谁主导。

第五篇，《从内容分享到观点塑造：级联驱动观点动力学的理论框架》。社交平台上消息能不能传开和人们的看法怎么变，本来是同一件事的两面，过去的研究却大多分开建模。一条内容沿转发链层层扩散时，人群的观点最终会趋于一致，还是让对立长期保留下来。具体怎么折腾的：作者在双社区随机块网络上推导期望观点的递推公式，并对每种设定做上千次计算机模拟来核对。折腾完发现，公式预测与模拟得到的观点分布几乎重合，误差都小于百分之五；经典模型走向同质，转发链却保留分歧。作者还顺手讨论了一下，关键在于影响只沿真实发生的转发路径传递，枢纽人物因此被放大，其性格决定收敛还是对立。说人话就是：信息扩散本身就是一种观点塑造机制，平台结构和转发规则会实质性地改变公共讨论的走向。

第六篇，《为仇恨点赞：极右行动者如何主导 TikTok 上极化的气候抗议辩论》。气候抗议在德国争论激烈，短视频平台上的政治讨论却很少有人系统研究。德国政客在短视频平台上怎样谈论不同气候抗议，党派立场又会带来怎样的对立。方法上，分析五百多名德国政客的一千六百多条视频和五万多条评论，用大模型分类并做网络分析。最后发现，极右账号只占约四分之一，却拿到六成支持流量，还把抗议者说成极端分子和罪犯。作者的解读是，对立不只由抗议方式造成，右翼长期把气候行动者描绘成威胁，借此聚拢人气。划重点：破坏性抗议招来更多攻击，但真正的赢家是极右网络，健康讨论要警惕这种单方面主导。

第七篇，《竞争激励下的大模型共识形成机制》。大模型开始成群结队地出现在社交平台和自动协作系统里，它们能不能谈拢一件事还没人系统研究过。当每个智能体偏爱不同结果、又能互相发消息时，什么条件下它们会达成一致。咋整的呢？作者把几十个大模型放进一个必须选同一种颜色的网络博弈，反复改变网络形状和谁能跟谁说话。结果你猜怎么着，六个开源模型在两千多局里只有约百分之八谈拢，闭源聊天模型却在同类局面里成功了七成。按作者自己的说法，差别来自固执程度、跟随多数的倾向，以及消息里有没有交代邻居的状态。一句话总结：网络越抱团越难形成共识，开源模型也不能直接当作人类意见的替身。

第八篇，《结构依赖、模仿还是羊群？全球媒介间议程设置的多主体仿真》。富国的几家大媒体报什么，穷国的报纸往往跟着报什么，这个现象一直没说清原因。穷国媒体跟着富国媒体走，到底是被通讯社喂料逼的，还是自己选择模仿或跟风。具体怎么折腾的：作者先统计十八家媒体近三年的报道，再让语言模型扮演编辑做仿真，把三种机制轮流开关。折腾完发现，九项检验里只有一项成立，越依赖通讯社稿件的媒体报得越早，大约快四小时。作者还顺手讨论了一下，通讯社稿件真正决定的是发稿的钟点，未必决定媒体把什么议题推上头条。说人话就是：这次仿真没能分出谁说了算，但给出了把三种解释逐个关掉再比较的新办法。

第九篇，《当极端者进入大模型社会：多智能体系统中的极端行为研究》。社会里总有一小撮立场极端的人，却能左右整个群体的走向。把这类极端角色放进大模型智能体组成的社会，其他人会怎么变。方法上，作者搭了一套可配置极端者比例、位置和传播方式的仿真框架，在四个场景反复实验。最后发现，一个极端者就带偏大半个群体，再把比例加到约一成，结果几乎不再变化。作者的解读是，不同大模型的抵抗力差别很大，有的先被带偏随后又自己拉了回来。划重点：人群构成和模型选择同样重要，做仿真必须交代极端者设定，且不能直接外推真实社会。

最后一篇，《面向上下文强化学习的可证明 Transformer 上下文压缩》。大模型能在不改参数的情况下，靠上下文里记下的过往经验直接学会做新任务。要完成一次强化学习的价值估计，上下文里到底至少得留多少信息才够？咋整的呢？作者把问题化成克里洛夫维数，用固定参数的注意力网络做压缩，再用数值实验验证。结果你猜怎么着，维度达到由数据决定的门槛就能完全复现；不够时误差按折扣因子幂次下降，实验比稀疏统计量省近九成内存。按作者自己的说法，保留多少上下文不是工程调参，而是由任务结构决定的下限。一句话总结：这给上下文压缩划出可证明的边界，但目前只覆盖固定策略下的价值评估。

以上就是今天的组会汇报。哪篇戳中你了就点进去看全文，没戳中的，就当陪导师开了个会。