lit-radar — 2026-10-23

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，《网上抱怨真有用吗：中国网络信访与地方政府回应质量》。一般认为威权政府只对可能闹事的威胁作出回应，对普通老百姓的抱怨爱理不理。在中国，网上投诉这种不构成直接威胁的渠道，到底能不能换来更实在的政府答复。咋整的呢？抓了全国留言板二十三万八千条和武汉留言板七十九万三千条诉求，比较投诉类和非投诉类回复的具体程度。结果你猜怎么着，投诉类诉求获得具体答复的概率明显更高，系数零点三五，在三个稳健性指标上都成立。按作者自己的说法，上级要负面反馈、基层怕被追责，两者叠加让投诉变成一种制度化的压力信号。一句话总结：投诉渠道确实管用，但过度依赖它可能把治理变成维稳，反而挡住真正的改革。

第二篇，《政策一出手就反弹：气候政策遭遇抵制的社会政治条件》。气候政策往往要老百姓多掏钱、改习惯，于是经常刚一推出就遭到强烈反弹，甚至被撤回。什么样的社会政治条件会让一项政策引发反弹，又该如何比较不同国家的反弹案例。具体怎么折腾的：作者提出一个三维框架，从经济、文化、实践三个角度衡量政策与民众处境是否错位，再用加拿大法国墨西哥三例碳定价说明。折腾完发现，三国都出现反弹但形式不同，加拿大是省级诉讼，法国是大规模黄背心抗议，墨西哥是分散的燃油价格抗议。作者还顺手讨论了一下，反弹不是单一原因造成的，而是政策要求与当地经济文化条件多重错位叠加的结果。说人话就是：评估政策不能只看设计是否精巧，还要先看它落在什么样的社会土壤上。

第三篇，《当政治上司在拆民主：公务员的“中立能干”何时变成帮凶》。美国近年出现民选官员主动削弱民主规则的情况，公务员夹在效忠上司和守护法治之间左右为难。当上司在破坏民主时，一直讲究中立服从的公务员应不应该、以及怎样才能不当帮凶。方法上，作者系统梳理公共行政理论，把可能的应对方式整理成七种策略并逐一比较利弊。最后发现，七种策略各有软肋，作者认为最有前途的是把公务员组织起来、通过正式机构集体表态。作者的解读是，中立能干只在法治健全时成立，一旦上司本身在拆台，中立就等于把机器交给拆台的人。划重点：公务员需要制度化的集体行动渠道，否则个人式的抵制要么代价太高，要么根本不起作用。

第四篇，《被听见的力量：政治倾听的证据基础元分析》。民主协商理论一直强调说话和说服，却很少认真研究倾听到底起什么作用。当一个人觉得自己被认真听了，他的态度、情绪和对谈话对象的看法会发生什么变化。咋整的呢？作者汇总二十五个研究、五十项子研究、一百二十七个效应量共九千六百零一名参与者做元分析。结果你猜怎么着，被听见对所有结果变量都有显著影响，其中对信任和亲近感的效应最强，相关系数超过零点六。按作者自己的说法，作者发现职场情境下的倾听效果比政治情境更强，说明政治对话里还缺让倾听生效的条件。一句话总结：倾听是民主协商被低估的基础能力，值得在政治传播研究和实践中单独对待。

第五篇，《复杂信息环境里的框架效应：德国最大小报改版为何没改变读者态度》。大量实验说新闻换个说法就能明显改变公众态度，但真实世界信息又多又杂，这个结论未必成立。当德国最大小报突然把移民新闻讲得更像犯罪故事，读者的移民态度会不会跟着变。具体怎么折腾的：作者用主编换人这个外生冲击，配合十五轮德国选举面板数据，做双重差分比较读报者和不读报者。折腾完发现，报纸的犯罪框架涨了百分之四十二，但读者态度几乎没有动，估计效应只有零点零一九分。作者还顺手讨论了一下，真实信息环境里的竞争性信息会把单一媒体的框架效应稀释掉。说人话就是：实验里看到的框架效应不能直接推广到现实，政策讨论要小心高估媒体影响力。

第六篇，《连接性派系：数字网络精英与极端党派媒体如何把政治激进化》。美国政党内部越来越分裂，同时极端党派媒体和社交平台把信息网络切成互不相通的阵营。党内的一小撮人如何借数字网络把边缘议题推成全国议题，从而壮大自己的派系势力。方法上，作者抓了一百九十多万条共和党议员通讯和推文，按有没有使用批判性种族理论一词分成两组比较。最后发现，用过这个词的议员立场更极端，粉丝多二十三万，还更深度地嵌入右翼媒体网络。作者的解读是，平台流量和媒体关注共同奖励这种派系行为，让边缘议题获得超额回报。划重点：政党研究不能只看正式组织，还要看数字连接如何重划党内权力地图。

第七篇，《核心—边缘结构如何让信息级联出现两次相变》。社交平台往往有一小群高连接的中心用户和一大片松散的外围用户，信息就在这两层之间流动。这种中心—外围结构会不会让信息传播突然加速或突然熄火，而且熄火的过程分两步走。咋整的呢？作者建了一个可控的核心—边缘网络，用阈值传播模型做解析推导和数值仿真，扫描核心大小和连边分配。结果你猜怎么着，核心很小时，信息传播会出现两次相变：先在零点七六处断崖下跌，再一路缓降到零点八五彻底熄火。按作者自己的说法，核心层太密会变得迟钝，外围层太稀又接不住信息，两层夹攻才造成这种双重相变。一句话总结：平台结构本身就决定了信息能否扩散，治理时改连边结构比单纯加推流更有效。

第八篇，《大模型多智能体系统为何会集体跑偏：羊群效应与失控级联》。现在很多人工智能是成群结队干活的，一个模型的判断会变成下一个模型的参考，容易互相带偏。这种"人传人"的跟风，在大模型群体里会不会越滚越大，最后整个群体都跑偏还拐不回来。具体怎么折腾的：找了十三个当红大模型，每个模型开十七个平行世界，一共十六万多个虚拟推荐员给四十八首新歌投票。折腾完发现，十三个模型全都比真人更容易跟风，把热门榜摆到眼前后十三个里有十二个变得更不可预测。作者还顺手讨论了一下，大模型没有真人那种"回头看看自己到底喜欢啥"的纠错本事，级联一旦跑偏就顺着滑下去。说人话就是：上线多智能体系统前，得先测群体层面会不会集体跑偏，只看单个模型准不准远远不够。

第九篇，《谁和谁说话，决定大模型群体能否达成共识、会不会被带偏》。越来越多的智能体由大模型驱动，它们会互相聊天、互相影响，但很少人研究它们之间的网络长什么样。如果改变谁和谁相连，这群大模型还能不能形成共同说法，又需要多少持不同意见的人才能把共识推翻。方法上，把四个大模型的行为放进全连接、随机规则和幂律网络里，让一千到十万个智能体玩命名游戏，每种设置重复上千次。最后发现，网络越稀疏达成共识越慢最多慢十二倍，但合适的中等网络反而能救回全连接时卡死的僵局。作者的解读是，攻击中心节点最省力，最不均匀的网络里只要百分之三的顽固分子就能翻盘，而随机选点要百分之十六。划重点：评估多智能体系统是否安全，不能只看模型，还必须画出它们之间的连接图。

最后一篇，《Trion-1：用扩散语言模型把语言、蛋白序列与结构装进同一个模型》。生物大模型过去是各管一摊，折蛋白的、读序列的、写序列的各自一个模型，很少能互相说话。能不能用一个模型同时看懂和写出语言、蛋白质序列和三维结构，而且彼此还能互相翻译。咋整的呢？作者把三种东西都变成同一种文字符号，再用一个会填补空格的扩散语言模型来学，分三步训练。结果你猜怎么着，这个四亿参数模型单次采样折叠得分就超过零点八，结构理解答题率百分之七十六点七二。按作者自己的说法，关键在统一的符号空间让序列和结构真正对齐，而不是靠外部编码器硬拼起来。一句话总结：这提示通用基础模型可以跨出纯文本，把科学数据也当成一种语言来统一建模。

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。