lit-radar — 2026-10-30

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，《公地与私产之间：开放模型市场上个体创作者对衍生图像模型的责任认知》。开放模型市场让普通人也能改造图像模型并发布，平台却主要靠自觉来管。这些单打独斗的创作者，究竟觉得自己该为改出来的模型负什么责。咋整的呢？研究者访谈了十九位在美国做图像衍生模型的创作者，每人聊了一个多小时。结果你猜怎么着，他们心里同时有两套账，一套讲社区互助，一套讲个人作品，做法也跟着分岔。按作者自己的说法，平台给的署名和安全工具，被拿来涨曝光、控风险，而不是老实做溯源。一句话总结：光靠创作者自觉不够，平台得让负责任的做法有回报、被看见。

第二篇，《跨行为者维度的责备与责任归因：抗微生物耐药性的公共媒体话语》。抗生素耐药性是个缓慢恶化的公共卫生威胁，几十年都没成为舆论焦点。作者想知道，在这种没多少人盯着的慢热议题里，谁会指责谁，又会把担子推给谁。具体怎么折腾的：他们把瑞士和德国四家报纸二十多年的报道逐句编码，留下六百多条带归责的陈述。折腾完发现，落到具体行为者之间时，推责任的比甩锅的略多，国家层面的指责几乎只在本层打转。作者还顺手讨论了一下，作者发现，越不像越容易被甩锅这条通则只在部分维度成立，换个维度就反过来。说人话就是：这种互相推诿会让本来还能补救的问题继续拖，最后滑成收不住的急症。

第三篇，《结果与手段的模糊界线：一线工作者如何在绩效评价中把生产属性计入结果》。结果导向的绩效管理假定，只要把结果定义清楚、测量出来，就能判断组织干得好不好。一线的老师们在打分时，会不会把学校面对的生源难度和投入的努力也算进去，这是本文要查的。方法上，研究者找了丹麦一千三百七十一名高中教师，让他们给随机生成的假学校打分。最后发现，学校招的弱势学生越多、越努力，老师给的分数就越高，努力的加分几乎和好成绩一样大。作者的解读是，一线人员判断业绩时，会顺手把“这活儿难不难、有没有使劲”一起算进去。划重点：所以光把指标做得更精细，也未必能让上下对同一份成绩得出相同看法。

第四篇，《TikTok 上的反建制情绪：网红、影响力与专业知识》。美国人对政府、媒体和专家的不信任在上升，社交媒体可能正在推波助澜。研究要弄清 TikTok 上反建制情绪有多常见、哪些话题最多，以及它是否能换来更多互动。咋整的呢？研究者用官方接口收集两万多条美国短视频，请众包标注员和语言模型一起判断内容是否反建制。结果你猜怎么着，阴谋论视频里接近一半带反建制情绪，金融和养生视频只有百分之四和百分之一左右。按作者自己的说法，带反建制情绪的视频在金融和养生领域更容易被评论和转发，但点赞普遍更少。一句话总结：普通刷推荐页的人很少碰到这类内容，但主动追阴谋论的人会反复遇到。

第五篇，《跨平台叙事预测：用平台无关的话语网络锁定话题走向》。一条谣言常常先在小平台冒头，过几天才在主流平台炸开。只看用户在别处的邻居聊过什么，能不能提前猜出话题会不会跨平台扩散。具体怎么折腾的：把四家平台五百多万条帖子按“聊同一件事”连成一张大网，再看邻居最近七天的动静。折腾完发现，只用百分之三的活跃用户，提前两周预测的准确率就超过九成。作者还顺手讨论了一下，话题会出现在邻居已经在讨论的地方，不需要追踪同一批人。说人话就是：把跨平台扩散当成看邻居的问题，预警可以提前好几天。

第六篇，《从编码簿到视觉语言模型：社交媒体气候变化视觉话语的自动化分析评估》。气候变化的话题在社交媒体上主要靠图片传播，海量图片此前几乎没人系统分析。能不能让会看图的通用人工智能，按照社会科学家的编码簿给图片自动打标签。方法上，作者用两个推特图片集，一个专家精标，一个超过一百二十万张，再人工抽查五万张当标准答案。最后发现，最好的模型在动物维度约七成六准确，整体中等偏上，但场景和气候后果明显更难。作者的解读是，单张图片常出错，但整体标签分布仍能对上；让模型一步步思考反而更差。划重点：视觉话语分析已可大规模自动化，但要按维度定制提示词并保留人工抽查。

第七篇，《DEBATE：评估角色扮演大模型智能体舆论动力学的大规模基准》。大模型能扮演不同的人聊天，但几个数字人凑在一起，常常比真人更快地达成一致。研究者想知道，这种数字人小组的舆论变化，到底像不像真实人群。咋整的呢？他们请近两千八百名美国人分成四人小组，围绕一百零七个争议话题反复讨论并打分。结果你猜怎么着，数字人小组收敛得过猛，立场往中间挤得比真人厉害得多。按作者自己的说法，根源是数字人对聊天伙伴的立场反应过度，对方偏一点，它就跟得太多。一句话总结：用真人对话微调后，数字人明显更像真人了，但私下的想法仍对不齐。

第八篇，《以曼德拉效应为透镜：多智能体社会网络中虚假信念的散布、存续与纠偏》。有一群人工智能被放进同一个社区，它们能聊天、记事，还能发帖被别人搜到。如果其中一个故意散布假消息，它会在社区里传多远、留多久，又该怎么纠正。具体怎么折腾的：研究者造了五百四十条假说法，让一个散布者和五个普通智能体在三种网络里互动十轮。折腾完发现，假说法被接受的比例最高达到九成六，撤走散布者后几乎没有下降。作者还顺手讨论了一下，网络结构只影响传得快慢，不影响最终多广，联网搜索是最关键的传播渠道。说人话就是：定向纠正比提前提醒更管用，但没有任何办法能把假信念彻底清除。

最后一篇，《开放人群社会仿真再思考：从持续智能体到沟通过程》。过去做大模型社会仿真，会给每个虚拟网民一个固定身份，让他们一直在场、一直更新想法。可真实平台上人来了又走，仿真到底该预测谁、又该对什么负责。方法上，作者改为只推演看得见的发言：先算这一步有多少人说话、谁来说，再让模型写出他们说什么。最后发现，在五种不同规模的开源模型上，它预测舆论走势的误差比直接生成低七成多，比旧的平均场方法低三成多。作者的解读是，反事实实验显示，撤掉一条关键信息主要让参与人数变少，换成相反立场则让态度整体掉头。划重点：这说明把仿真对象从个人的内心轨迹换成看得见的说话，长期推演更站得住脚。

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。