lit-radar — 2026-11-03

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，《基础设施及其不满：加拿大人工智能治理脚手架中的权力争夺》。加拿大在人工智能上砸了很多钱，却没有一部统一的联邦法律来管它，事故接连出现。这套AI治理体系到底怎么分配权力，谁被听见，谁被挡在门外。咋整的呢？研究者访谈了三十五位政府、学界、业界和民间组织的人，逐字逐句做主题编码。结果你猜怎么着，受访者说决策被外包给少数专家和咨询公司，联邦AI系统里只有百分之四公开过影响评估。按作者自己的说法，治理本身就像一套基础设施，平时看不见的日常流程在悄悄决定谁能发声。一句话总结：应让独立监管、强制公开、工人参与和公民议事进入治理，把维护与关怀放在创新之前。

第二篇，《聊天机器人对总统行动与假设性改革判断的稳健性》。很多人开始问聊天机器人怎么看国家大事，可它的判断到底稳不稳，还缺少证据。同一条政策，换个聊天机器人或者换一天再问，它给出的评价会不会变。具体怎么折腾的：让五种聊天机器人配置连续三十天每天两次，给四十项总统行动和十五项改革打分。折腾完发现，不同机器人对同一届政府的评价方向和排名一致，同一天给出相反符号的只有百分之四。作者还顺手讨论了一下，风险在于服务方会在不告知的情况下换掉背后的模型，判断会连着好几天变味。说人话就是：重要判断最好多问几个机器人、多隔几天再问，作者公开了一万六千五百条判断数据。

第三篇，《不可消除的锚点：人类判断作为自主人工智能系统的结构性要求》。AI干的活越来越长，人却越来越难看出它是不是还在按交代的目标做事。这篇论文要问，判断AI跑没跑偏需要什么外部信息，谁来查、隔多久查，谁又有权改目标。方法上，作者没做新实验，而是用数学逻辑、可靠性公式，加上训练和运行中的已有证据，搭了一个分析框架。最后发现，核心结论是，只读系统日志查不出跑偏，两个检查点之间最多隔十三个决策单元。作者的解读是，把真人塞进流程不等于监督有效，人机搭配常比不过两者中更强的那个。划重点：执行和核对可以交给机器，但设定和修改目标的权力必须留在人或机构手里。

第四篇，《非对称衰退而非反向激发：日本 X 平台疫苗“排毒”谣言的转推网络分析》。网上一直有人说，打了新冠疫苗的人会把有害物质排给身边没打疫苗的人。这种说法在社交平台上是怎样传开的，权威辟谣之后反对疫苗的人会不会反而传得更凶。咋整的呢？作者抓了全年十万多条帖子和近四十八万次转推，按谁转发过同样的帖子把发言者分成两派。结果你猜怎么着，辟谣后反对疫苗那一派的转推没有反弹，反而掉得比支持疫苗那一派更狠，占比从近八成降到三成多。按作者自己的说法，变化主要不是铁杆反对者被说服，而是原本不发声的人开始转发支持疫苗的内容，同时反对者退出了传播。一句话总结：辟谣也许说服不了最顽固的人，却能改变谁在参与传播，评估效果不能只数帖子总数。

第五篇，《分离曝光与参与：社交媒体干预的反事实评估》。社交媒体上的干预措施通常只能在小范围个人实验里测，很难看出整个舆论场会怎么变。能不能把用户看到什么和用户怎么反应分开建模，再模拟各种干预带来的全局后果。具体怎么折腾的：用意大利推特五年的政治与媒体账号互动数据，拟合一个有六个可调旋钮的按月模型。折腾完发现，换回时间线后，每人每月少转发约一条半，但注意力更分散、阵营隔阂在全部模拟里都下降。作者还顺手讨论了一下，改变推荐比改变用户行为更能重塑舆论场的整体结构。说人话就是：这套模型能在干预上线前先做试算，也为监管推荐算法提供了可比的评估工具。

第六篇，《大模型推荐器经由内容偏好制造人口不平等》。大模型正被塞进推荐系统，决定谁的帖子能被更多人看到。模型从不知道作者是谁、只看文字挑帖，会不会照样造成人群曝光差距。方法上，作者用一千名问卷受访者的一万条帖子，让三家大模型在九十种条件下反复挑。最后发现，只看文字时模型偏爱长帖和时政话题，六十五岁以上作者被多推了三个半百分点。作者的解读是，点赞转发等平台信号会放大原有差距，直接告诉模型作者身份反而作用很小。划重点：所以“不看身份”不等于公平，模型偏爱哪种表达，本身就在分配谁能被听见。

第七篇，《澳大利亚零排放重型卡车转型的系统动力学模型》。澳大利亚的公路货运靠柴油卡车，政府想让车队换成电动和氢燃料，进度却很慢。只靠让电动车更便宜或者给柴油加价，到底能不能把整个车队真正换过来。咋整的呢？作者搭了一个系统动力学模型，把刚性卡车和铰接卡车分开，按月模拟到二零五零年。结果你猜怎么着，即便电动车全生命周期更便宜，现行政策下二零五零年仍有超过三成卡车烧柴油，两种车要到二零三一年前后才打平。按作者自己的说法，卡住转型的不是价格，而是车队换得慢，以及运营者对充电网络慢慢建立的信心。一句话总结：只加柴油税几乎没用，真正有效的是降低运营成本、提前建网、再把税收投回基础设施的组合拳。

第八篇，《不是人人都有话筒和耳朵：发帖者—围观者意见动态模型》。网上的争论总是极少数人从头说到尾，绝大多数人只是刷一刷看一看，可老模型却假设人人同时发言、同时倾听。把“说”和“听”拆开之后，网上的意见还会停在一个固定值上吗，平台又能不能靠调推荐来减少对立。具体怎么折腾的：作者让每个人每一轮掷两次骰子，分别决定发不发言、看不看别人的内容，再在真实社交网络上做模拟和调参实验。折腾完发现，意见再也不会静止，而是在一个稳定范围里永久来回摆动，调好推荐后真实网络里的冲突能降下两三成。作者还顺手讨论了一下，只看发帖数据会漏掉沉默的大多数，而平台调“让谁多说”比调“让谁多听”更能压低冲突。说人话就是：衡量网上民意既要看意见偏向哪里，也要看它晃得多厉害，还要把只围观不发言的多数人算进来。

最后一篇，《当披露成为强制：用自利大模型司机智能体评估网约车再平衡政策》。欧盟新规要求网约车平台用大白话公开派单和调度的规则，司机以后能看懂平台怎么算。规则公开后，司机用人工智能助手按自己的收入做决定，两种调度办法各自会有什么结果。方法上，作者让每个司机都由一个大模型扮演，在小模型和曼哈顿分别让十名和五百名司机上路。最后发现，规则公开后司机从拒掉八成调车邀请变成只拒四分之一，反应式调度利润跌百分之三点七，预判式几乎不变。作者的解读是，同样的司机行为在两种规则下后果相反，问题出在规则设计本身，而不是公开信息。划重点：平台应在新规生效前按懂规则的司机重新设计和评估调度规则，让公开信息对各方都有利。

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。