lit-radar — 2026-10-26

科研牛马们，我来汇报组会工作——paper reading了。今天一共9篇，老规矩，不念公式，只讲人话。

第一篇，《英国公共机构AI脱敏实施缺口》。英国公共机构每年要应付大量信息公开申请，敏感内容几乎全靠人工涂黑。这些机构到底有没有用上智能工具，有没有成文规矩，人手是否受过训练。咋整的呢？研究者用信息公开申请当问卷，向医疗、政府和大学共四十四家机构正式发问。结果你猜怎么着，只有一家在试用智能脱敏工具，一半机构说根本没有相关记录或成文规矩。按作者自己的说法，作者把症结归为三处：档案管理差、缺统一标准、专门培训不足。一句话总结：工具再聪明也要人来把关，先把人的本事练好再上系统才稳妥。

第二篇，《能源转型中的临时用工依赖》。荷兰市镇要落实能源转型，人手不够就请外面的临时专家来干活。这样做会不会让市镇越来越离不开外部专家，自己的本事反而长不起来。具体怎么折腾的：研究者访谈了六个市镇的十五个人，包括项目负责人、正式员工和临时工。折腾完发现，短期补贴和人手短缺是主因，合同太短、经验留不下来则让依赖更深。作者还顺手讨论了一下，条件差不多的市镇走向不同，差别在于怎么把知识留在自己手里。说人话就是：依赖是一步步长成的，结对带教和区域共享平台可以把它扭转。

第三篇，《欧盟AI法案的智能体问责缺口》。城市的红绿灯、电网和摄像头各自用人工智能做决定，凑到一条街上就容易互相添乱。欧盟人工智能法案给居民的解释权，为什么管不到这些跨部门联动的系统？方法上，作者逐条拆法案条款和四条替代救济路径，再设计一套分三层、共二十五项的治理架构。最后发现，法案把关键基础设施的安全组件排除在解释权和权利影响评估之外，四条替代路径都停在单个机构或单次决定。作者的解读是，在迪拜一条主干道的情景里，新架构让二十五项措施中的十二项被激活，部门之间才看得见整条因果链。划重点：治理对象应从单个系统转向系统之间的互动，但这套设计还没有落地验证。

第四篇，《大模型新闻编辑偏向审计》。越来越多人直接问聊天机器人今天有什么新闻，它们正变成新的新闻入口。聊天机器人挑新闻时，和谷歌新闻这样的传统聚合器相比，给出的媒体是更多还是更少、更偏还是更中立？咋整的呢？研究者选了二十四个全球热点议题，连续七天向三个主流聊天助手和谷歌新闻提同样的问，各要十条最新英文报道。结果你猜怎么着，聊天机器人给出的媒体数量明显少于谷歌新闻，注意力也更集中，三家还分别偏向不同立场和不同可信度。按作者自己的说法，给提问加上年龄、性别、贫富和左右立场等身份设定后，结论基本不变，说明差别来自平台本身而不是问法。一句话总结：聊天机器人其实已经在做编辑取舍，这种看不见的编辑权需要被公开审计和监管。

第五篇，《黄背心如何改写地方报纸语言》。法国黄背心没有领袖也没有发言人，靠上千个脸书群组自己组织起来，媒体一开始多半只盯着堵路和冲突。地方报纸天天盯着抗议者的脸书群组找线索，它写新闻的用词和讲法会不会被这些讨论带着走。具体怎么折腾的：研究者把法国南部一个省的七个脸书群组和当地唯一大报四年的报道放在一起，先看谁引用谁，再算两套用词的语义距离。折腾完发现，两边确实互相引用，报纸常靠脸书提前知道行动细节，而两套用词是挑着靠拢的，并非全面变得一样。作者还顺手讨论了一下，报纸把运动最初那套说法固定了下来，群组后来转向疫情和疫苗，报纸却仍旧搬出油价和民主诉求。说人话就是：这说明地方媒体对示威的报道未必只会抹黑，记者长期潜水看群组，也能慢慢改写新闻里的语言。

第六篇，《智能体像人却不如文本分类器》。大型语言模型常被当成虚拟网民，用来模拟社交平台上的公众反应。这些模拟人能不能猜准具体某个人对具体一条帖子的点赞或点踩？方法上，研究请一千五百多名塞尔维亚人评五十六条帖子，再让二十七种模型扮演他们。最后发现，模拟人的平均命中率约七成，但换成只看文本的普通分类器反而更准。作者的解读是，研究者认为，模型靠的是读懂文字里的线索，而不是真的会像人一样推理。划重点：模拟人适合看群体趋势，不适合精确预测个人，评估时要改用排除瞎猜的指标。

第七篇，《大模型的仁善偏差与校准》。社会科学家越来越多地让大模型扮演受访者，来做民意调查和社会仿真。关键问题是，模型给出的答案是否真的像它所扮演的那一群人。咋整的呢？作者用四套经典调查的题目，让二十多个模型模拟真人作答再与真人比较。结果你猜怎么着，模型普遍更偏向善良、安全和被社会认可的选项，而且规模越大偏得越多。按作者自己的说法，偏差还压缩了范围，让模型演不好那些不那么善良、不那么谨慎的人。一句话总结：一种不需要重训的对比校准，能把六个类别都拉回真人的平均水平。

第八篇，《舆论长程仿真的宏微观耦合》。网上舆论常常突然掉头，可现有的大模型仿真只盯着整体气氛，看不到每个人心里怎么想。能不能给每个虚拟用户一个会慢慢变化的态度，再把个人状态和整体气氛接起来。具体怎么折腾的：作者让整体态度分布给每个人指方向，个人态度一步步转移，再用长时间回放校正整套模型。折腾完发现，在真实网络事件上，长程偏差降低了七成多，舆论掉头时的偏差降低了约三分之二。作者还顺手讨论了一下，关键不在文字摘要写得多像，而在整体态度分布能不能管住转向的时点和幅度。说人话就是：要让仿真撑住几万个回合，必须同时盯住整体趋势和每个人的态度状态。

最后一篇，《真实与模拟社交图的情感扩散》。网上情绪怎么传开，是舆论研究里很重要的一个问题。大模型造出来的社交对话，能不能还原真实的情绪扩散？方法上，研究者用美国一个大型新闻论坛的讨论建真实网络，再让大模型生成一百条对话链。最后发现，真实网络里人挨人、来回吵，模拟网络却是一条条互不相干的直线。作者的解读是，模拟对话里的情绪几乎不变，还八成多偏正面，少数情绪被淹没。划重点：用大模型数据研究舆论，眼下的结构差距还不能忽视。

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。