lit-radar — 2026-10-28

科研牛马们，我来汇报组会工作——paper reading了。今天一共8篇，老规矩，不念公式，只讲人话。

第一篇，《尼日利亚地方政府自治的倡导联盟框架分析》。尼日利亚地方政府的钱和人事长期被州长卡住，宪法还给这种局面撑腰。当宪法这类外部规则把现状钉死时，政策参与者究竟靠什么办法推动改变。咋整的呢？作者把十年间六大区报纸上关于地方自治的报道编码成话语网络，再对照九宗最高法院判例。结果你猜怎么着，支持自治的一方不再和对手辩论，转而向最高法院等更高层机构喊话，反对的一方几乎不出声。按作者自己的说法，把问题从宪法条文改说成发展后果，是让僵局松动、让议题十年不冷的关键。一句话总结：在规则锁死的领域，换战场比说服对手更有效，这是本研究给出的倡导策略。

第二篇，《民主、公共行政与民主倒退》。不少国家的民主在悄悄倒退，人们开始追问：政府的办事机构能不能挡住这股潮流。要弄清民主和公共行政到底是什么关系，官僚体系是民主的防火墙还是漏洞。具体怎么折腾的：作者先拆概念，再用三组专家打分指标给各国行政质量打分，并搭一个因果关系框架。折腾完发现，二十多年里全球行政质量总体没降、选举质量却下滑，两者大体正相关但有一批例外国家。作者还顺手讨论了一下，用更宽的民主观看，好的公共行政本身就是民主的一部分，而不是附属品。说人话就是：围绕权力集中与官僚抵抗，作者提出五条因果链，作为整本特刊的研究路线图。

第三篇，《超越信念：评估与缓解大语言模型对错误信息的易感性》。会调用工具的大模型要先判断外来通知可不可信，再决定动不动手。模型嘴上说不可信，手上会不会照样照做，这是本研究要查清的事。方法上，研究者造了一百九十六对真假通知，让五个模型先打分再动手，还换了不加打分的版本。最后发现，在它们自己判为不可信的通知里，仍有两成七到九成九被真的执行了。作者的解读是，打分这个动作本身就会压低风险，评估办法会改变被测行为。划重点：防骗提醒对五个模型里的四个有效，但会连带减少正常任务，安全与可用要一起算。

第四篇，《在线影响力测量必须引入因果建模：社交媒体互动的反事实分析》。网上一条帖子被转了上万次，大家常以为是发帖人很有本事，可人气高不等于真能改变别人的想法。研究想弄清楚，怎么用因果的办法算出谁才真正带动了网上的讨论和转发。咋整的呢？他们把谷歌搜索热度当成外来的推力，让两种人工智能模型一起学这股推力何时出现、点赞转发又怎么涨。结果你猜怎么着，新办法在多种假设情形下把预测误差压低一成半到两成二，比只看历史走势的老办法准得多。按作者自己的说法，粉丝数只说明被看见，因果效应才说明真的带动了别人。一句话总结：平台和监管方该用因果效应而不是粉丝数，来找出真正能带节奏的账号。

第五篇，《怨愤政治还是政策辩论：真理社交与红迪网保守派话语的跨平台分析》。美国保守派总说大平台打压他们，于是有人另建了真理社交这样的新平台。新平台上的保守派主要在骂对手，还是在认真谈政策，哪个平台更毒。具体怎么折腾的：收集真理社交头八个月和三个保守派红迪论坛的近一百三十万条帖子，用模型分话题、测毒性。折腾完发现，真理社交更爱讲怨愤和领袖故事，红迪网更爱谈政策，用户发毒帖的几率还高六成到一倍。作者还顺手讨论了一下，平台的设计和审核规则会把同一种政治情绪导向不同的说话方式。说人话就是：换平台不只是把脏话搬家，而是重新安排了保守派怎么谈政治。

第六篇，《“真”与“假”加起来等于一吗？大模型智能体意见仿真中的互补一致性》。现在很多研究让人工智能扮演网民，互相报告对一个说法的相信程度，用来模拟舆论怎么变。同一条消息换成相反说法、概率也翻过来，模型两次给的数加起来该不该等于一。方法上，作者用三款约四十亿参数的小模型，测了两千三百多个仿真中的状态、四十八条真实核查说法和二十四个两选一的小世界。最后发现，两个数平均加起来是一点一八而不是一，三款模型都犯同样的错，比换个说法引起的波动大两到十倍。作者的解读是，模型报出的数字更像是在回应某句话，而不是稳定不变的看法，这动摇了仿真的效度。划重点：把模型概率当成人的信念之前，必须先做这种换说法的一致性检查，并把一致性和准确性分开报告。

第七篇，《用网络化生成式智能体群体模拟话题标签动力学》。社交网络里大家为什么会慢慢用上同一个话题标签，一直很难用实验讲清楚。能不能让大语言模型扮演网民，在网络上互相对话，复现真人形成共同标签的过程。咋整的呢？让四个不同的大语言模型各带一群虚拟网民，在小世界网络里玩四十轮猜标签配对游戏。结果你猜怎么着，只有两个模型像真人那样越聊越一致，另外两个几乎不收敛，甚至会越来越散。按作者自己的说法，模型更擅长抓话题的表面词，抓不住事件里的因果链条，需要更细的提示设计。一句话总结：用大语言模型模拟群体传播之前，必须先拿真人数据校准，否则结论可能只是模型的习惯。

最后一篇，《先懂再画：视觉生成的新学习范式》。画一张好图，既要懂画什么，又要把每一笔都画得精细，这其实是两套本事。能不能把懂内容和画细节拆成两门课，先专门学懂，再专门学画。具体怎么折腾的：作者让一个自回归模型先看图学语义，再由扩散模型把学到的意思画成像素。折腾完发现，只花六千六百小时显卡算力，就训出三十亿参数模型，两项评测拿到八十六分和八十七分。作者还顺手讨论了一下，决定成图好坏的不是中间那张图有多像，而是中间学到的语义有多准。说人话就是：先懂后画既能省算力又能提质量，有望成为下一代画图模型的标准做法。

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。