lit-radar — 2026-11-04

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，《城市规划中建筑退线违规的深度学习检测：孟加拉国案例研究》。孟加拉国首都达卡盖楼太快，很多楼把该留的退让距离占掉了。能不能只用普通街景照片，就自动看出哪栋楼违规占了退线。咋整的呢？研究者上街拍了三百多张照片并人工标注，再让四种图像识别办法比试。结果你猜怎么着，从头学到尾的深度网络最准，测试准确率约六成半，另外三种在五到六成。按作者自己的说法，最难判的是模棱两可的中间类，机器和人都容易拿不准。一句话总结：这套办法适合当筛查工具，帮执法部门决定先查哪栋楼。

第二篇，《FormBharo：印度农村对话式语音填表代理的设计与评估》。在印度几乎每项社会福利都要先填一张表，可最需要它的人常常不识字。能不能让不识字的母亲用手机说几句话，就把申请表填好？具体怎么折腾的：团队做了打电话填表的语音助手，用九百六十通模拟电话和三千多项测试来考它。折腾完发现，换成机器转写的真实录音后，表单填对的完成率最多掉了四十一个百分点。作者还顺手讨论了一下，规则校验能救回不少识别错误，便宜的小模型也能追平最贵的模型。说人话就是：没有哪个模型样样最好，作者按准确率、花费和速度的权重挑出可落地的组合。

第三篇，《用 AI 优化伦敦临时住房安置决策》。英国地方政府每年花在临时住房上的钱超过十六亿英镑，伦敦最吃紧。能不能用人工智能，帮官员更快、更合规地给无家可归家庭找到合适的房子。方法上，研究团队自己开发了一套云端系统，把家庭档案、政策规则和实时房源放在一起筛选。最后发现，找房时间从两三个小时缩到一分钟内，守规则的比例从六成半升到九成左右。作者的解读是，官员最看重的是快、能看懂推荐理由、几乎不用培训。划重点：人工智能解决不了房子不够，但能让分配更一致、更透明。

第四篇，《开源权重模型能胜任社交媒体审核吗？基于 Bluesky 的比较研究》。社交媒体上的有害内容越来越多，平台靠人工审核已经忙不过来。能装进一张显卡的开源模型，不训练就能赶上闭源模型吗？咋整的呢？研究者用真实帖子和官方审核决定做标准答案，让七个模型逐条判断。结果你猜怎么着，开源模型的灵敏度在八成一到九成七之间，和闭源模型高度重叠。按作者自己的说法，三类内容错误方向不同，粗鲁容易误伤，不宽容和威胁容易漏放。一句话总结：开源模型可以放在本地电脑上做审核，既保护隐私又降低成本。

第五篇，《全球南方新兴气候虚假信息剧本图谱》。气候虚假信息一直在削弱人们对气候行动的支持，全球南方国家受影响尤其重。研究想弄清，巴西的油管上气候否认的说法这些年是怎么变的。具体怎么折腾的：团队分析了二十二万多条巴西葡语视频，还用人工编码核对机器分类准不准。折腾完发现，他们发现一种“新否认”越来越多，它不否认气候变暖，而是专挑新能源和气候政策开火。作者还顺手讨论了一下，这类内容由更多样的账号生产，互动更高，说服手法也更像正经科普。说人话就是：现有平台规则主要管公开否认科学的言论，对这种新说法几乎管不到，治理出现缺口。

第六篇，《用户属性与政治立场如何塑造大模型的辩论接受度》。越来越多人在网上政治争论里直接叫大模型来评理、帮腔或者反驳对方。同一个政治观点换个说话的人，模型会不会区别对待，尤其看政治立场。方法上，研究者把五千三百七十六场真实网络辩论改造成大模型对话，又做了近十五万场受控多轮辩论。最后发现，模型对左倾说话者明显更买账，真实辩论里接受率高出七个多百分点，极右最低。作者的解读是，重复劝说抬高总体接受度却改不了左右顺序，专家身份加分，修辞差别较小。划重点：换政治语料微调能抹平甚至反转偏向，说明这是可塑的训练产物而非天生属性。

第七篇，《风险中的关键岗位劳动者：带不确定性量化的智能体模型（SAFE-ABM）》。疫情期间，医生、快递员、超市店员和公交司机必须照常上班，感染风险比居家者高得多。只让关键岗位劳动者出门、其他人居家，究竟能压低传播，还是把风险集中到这批人身上。咋整的呢？作者造了一座一万人的虚拟城市，把家庭、学校和工作单位连成网络，比较五种防疫安排。结果你猜怎么着，关键岗位分两班轮换并隔离有症状者时，最终死亡约一千二百人，不设限制时约一千七百人。按作者自己的说法，只关学校会把传播挤回家庭，单靠限制普通人出门也压不住关键岗位的持续暴露。一句话总结：把关键岗位劳动者分组轮班、及时隔离有症状者，能在维持社会运转的同时显著减少死亡。

第八篇，《PRISM：人格驱动的社交媒体多智能体仿真框架》。网上讨论为什么越吵越极端，传统仿真模型常把所有人当成同一个模子。如果给每个虚拟用户不同的性格，能不能更真实地重现网络上的对立？具体怎么折腾的：作者按十六种性格给大模型智能体分工，用随机方程算情绪、用决策模型算回不回帖。折腾完发现，相比把所有人设成一样的版本，它算出的情绪走势误差少了约三分之二。作者还顺手讨论了一下，智能体自发出现了两种现象，理性的人压住情绪，感性的人互相传染情绪。说人话就是：性格设定比连续打分更能稳住行为，这为模拟舆论极化提供了一个新工具。

最后一篇，《接触何时反噬、何时奏效：群际态度意见动力学的计算模型》。不同群体多来往，本来被认为能减少偏见，可现实里的效果常常不稳定。研究想知道，接触在什么条件下能改善对外群体的看法，又会在什么时候帮倒忙。方法上，作者用电脑模拟了一百一十个人工个体，分成两群，让它们反复挑选伙伴并互相影响态度。最后发现，接触通常能让两群人的看法靠拢，但排外情绪中等偏强时，接触反而把两群人推向两极。作者的解读是，有意思的是，排外情绪强到极点时，人们干脆躲开对方，群体对立反倒降了下来。划重点：所以接触不是万能药，得看偏见的结构和人们能不能躲开对方。

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。