lit-radar — 2026-11-11

科研牛马们，我来汇报组会工作——paper reading了。今天一共12篇，老规矩，不念公式，只讲人话。

第一篇，《超越真假：2026 全球虚假信息监管趋势报告》。从二〇一六年起，假消息成了各国都要头疼的事，可谁也没数清全世界到底立了多少法。这项研究想弄清，三十年来各国管虚假信息的法规长了多少、长在哪、都用什么招、真管用吗。咋整的呢？研究者把四百零九件法规和政策逐条编码，建成一个能跨国比较的数据库，再看典型案例。结果你猜怎么着，新法规从二〇一六年的十一件涨到二〇二五年的七十一件，现在有二百八十二件还在生效。按作者自己的说法，各国正从追着单条消息辨真假，转向管平台、管技术、管整个信息生产系统。一句话总结：纸面上的法越来越多，但执行才是关键，规则得能落地、能问责、能评估才算数。

第二篇，《用生成式 AI 打开市议会：一个让居民读懂公众发言的工具实验》。市议会的公众发言本该让普通人参与决策，但会议冗长、记录难查，很多人根本不知道别人说了什么。研究想知道，做一个能检索并总结公众发言的 AI 工具，会不会改变居民对发言者和政府的看法。具体怎么折腾的：研究者开发了带溯源链接的检索增强工具，在安娜堡和西雅图找了七十二位居民做前后两次问卷。折腾完发现，用过工具后，认为发言者代表自己关切的居民从四成九升到六成二，程序知识正确率从五成三升到七成四。作者还顺手讨论了一下，让居民看得见、听得懂邻里在议会上说什么，本身就能提升参与感和被倾听的感觉。说人话就是：生成式 AI 用在地方治理上，最有价值的方向可能是降低理解门槛，而不是替人做决定。

第三篇，《转发里的党派不对称：5 亿条推文如何映射美国州级选举结果》。很多人以为，让人多看不同立场的消息，就能让他们变得温和，可这个说法一直没被大样本检验过。研究想知道，人们转发什么、转给谁，能不能刻画两党的信息生态，甚至预示各州的投票结果。方法上，研究者收集了二〇二〇年美国大选期间五亿多条推文，把媒体、意见领袖和普通用户三层连起来分析。最后发现，看得越杂的人反而越极端；共和党一侧高度集中，民主党一侧更分散；用转发比例预测州结果准确率九成二。作者的解读是，人们会用原有立场去解读对面的信息，所以单纯扩大信息面并不足以让人变温和。划重点：线上的集体转发行为，可以作为观察乃至预判线下选举的一种低成本信号。

第四篇，《检索到的那一刻：十一个聊天机器人如何被国家背景媒体渗透》。现在越来越多人直接问聊天机器人新闻，可答案来自哪里、可不可信，用户根本看不见。研究想知道，俄罗斯背景的宣传网站能不能被聊天机器人检索到，什么条件下更容易被捞出来。咋整的呢？研究者用一万条改写过的标题去问十一个机器人，一共收集了十万多条回答，再逐条检查来源。结果你猜怎么着，整体命中率百分之七点三，但高度集中在三个平台，其中两个平台的命中率超过三成。按作者自己的说法，作者发现一种叫洗标题的手法：把国家媒体的报道说成别家媒体的，更容易骗过检索。一句话总结：聊天机器人正在成为新的新闻入口，来源过滤和提示方式都会决定用户看到什么。

第五篇，《激进化流水线：网络厌女行为的刻画与预测》。网上有一类专门仇视女性的社群，人们担心它们会把普通人一步步拉进去，但过程一直看不清。研究想知道，一个人加入这类社群前后，说话和行为到底变了多少，能不能提前看出来。具体怎么折腾的：研究者追踪了红迪网上近两百名加入厌女社群的老用户，比较他们加入前后在别的版块里的言行。折腾完发现，加入后他们的恶意言论明显变多，社会议题版块发帖涨了八成多，连娱乐版块也变毒了。作者还顺手讨论了一下，激进化不是一脚踏进门，而是一条能观察到的行为轨迹，会从社群外溢到日常话题。说人话就是：用机器学习在加入前就能较高准确率识别高风险用户，为平台早干预提供了依据。

第六篇，《数字孪生 + 试错学习：给新冠加强针排一张最优时间表》。疫情期间定疫苗政策很难，做随机试验既慢又不合伦理，拍脑袋又怕出错。研究想找一种既安全又划算的办法，替不同人群算清楚加强针该不该打、什么时候打。方法上，研究者用八万一千名患者的病历训练了一个虚拟人群，再让算法在虚拟世界里反复试错学策略。最后发现，虚拟人群的感染率和真实数据几乎一致，学出来的策略在各种成本设定下都比现实做法表现更好。作者的解读是，好处是能在不碰真人的前提下试无数种方案，而且结果是一张人人看得懂的时间表。划重点：数字孪生加简单试错学习，可以成为公共卫生政策事前评估的实用工具。

第七篇，《让 AI 演员学会惩罚坏人：生成式智能体仿真的两阶段验证》。用大模型扮演人来模拟社会，最怕的是演得不像；可怎么才算像，一直没人给出可靠办法。研究想知道，要复现人类惩罚坏人和合作的行为，智能体最少需要哪些能力，验证后又能不能提出新猜想。咋整的呢？他们先复现两个经典博弈实验，再逐个拆掉智能体的能力模块，看哪一块缺了就演不像。结果你猜怎么着，角色设定和读心能力都必不可少；公开惩罚率六成五，私下只剩四成九；合作实验只复现了三项效应。按作者自己的说法，惩罚既有为了名声的成分，也有发自内心的道德动机，两者大约各占一半。一句话总结：这套先复现再提新猜想的验证流程，能让社会仿真从演示玩具变成可检验的研究工具。

第八篇，《话语伦理：临床 AI 决策支持系统需要什么样的规范地基》。医院越来越多用人工智能帮忙看病做决定，可一旦出了问题，病人往往说不清、也插不上话。作者想问，光研究人怎么做道德判断还不够，什么样的规范基础才能让这类系统真正站得住脚。具体怎么折腾的：这是一篇理论文章，先梳理三种道德判断模型，再引入哈贝马斯等人的话语伦理作为规范框架。折腾完发现，作者指出描述性模型只能说明人怎么判断，不能说明应该怎么判断，需要把对话程序嵌进系统设计。作者还顺手讨论了一下，他认为，关键区别是用智能系统辅助决策，还是把有分量的决定整个交给它。说人话就是：临床 AI 应当做成会对话、能追问、可问责的过程性工具，而不是替人拍板的黑箱。

第九篇，《用仿真做政策，先立三条硬规矩》。现在有人用大模型扮演一整个社会，帮政府预演政策，可一旦算错或被坏人利用，后果会很严重。研究者想问，在什么前提下，这类社会仿真才配进入真正影响人们生活的政策决策。方法上，这不是跑数据的研究，而是从双重用途、效度、问责三条线出发，提出三条必须先满足的规矩。最后发现，三条规矩是：别把弱势群体的仿真当中立结论，别撇开当事人做仿真，别做没人负责的仿真。作者的解读是，仿真一旦写进政策记录就会获得权威，之后很难推翻，所以必须提前设好边界。划重点：他们呼吁开发者发布仿真开发与部署报告，把设计、验证、使用都摊在阳光下。

第十篇，《别再提示智能体了，给它装技能包：可审计的模块化能力标准》。现在让 AI 干活，靠的是一大段提示词，模型经常记不住约束、猜错参数，越用越贵也越不稳。作者想证明，把能力做成可安装、可测试的技能包，比让模型临场写代码更可靠，也更好审计。咋整的呢？他们设计了一套能力包标准，每个包带参数契约、写死的代码和自动测试，再用二十三个模型做对比。结果你猜怎么着，装技能包后，上下文用量最多少八成四，成本降九成七，参数错误归零，小模型甚至反超前沿大模型。按作者自己的说法，可靠性来自把语言和执行分开，而不是把模型做大，每一步都能查证才敢用在合规场景。一句话总结：智能体该当成调度器，能力要当软件资产来管，但覆盖不到的开放任务仍得退回提示词。

第11篇，《Mirror：让多智能体替伦理委员会做初筛》。科研伦理审查越来越忙，伦理委员会人手有限，很多申请排着队等，风险高的反而被淹没。研究想做一个能帮忙初审的系统，既能按规则快速筛低风险项目，又能模拟委员会讨论复杂案例。具体怎么折腾的：他们先用四万一千条权威伦理材料训练了一个伦理专用模型，再搭了一套多智能体协作的审查流程。折腾完发现，在规则筛查任务上，系统找出违规的比例接近九成五，远高于直接问通用大模型的不到两成。作者还顺手讨论了一下，关键不是模型多大，而是把法规拆成可执行的规则，再让智能体按流程查证据。说人话就是：AI 可以承担伦理审查的初筛和辅助工作，但最终判断仍应由人来拍板。

最后一篇，《政策比用途更重要：大模型内容审核如何误读被社群重新使用的侮辱词》。平台越来越让大模型当内容审核员，可同一个侮辱词，社群内部用是自豪，外人用就是攻击。研究想查清，这些系统能不能分清两种用法，错在哪里，改提示词又能不能把它们掰回来。方法上，研究者用三百条由社群成员亲自标注的帖子，测试八个审核系统和一个旧版接口。最后发现，没有一个系统可靠地同意社群判断，对黑人社群重新使用的词错得最厉害，有的系统干脆全部判错。作者的解读是，作者发现，决定成败的不是系统专不专业，而是政策有没有写进提示词里。划重点：光靠临时补几条定义改不了判断，真正的审核需要理解语境，而这恰恰是静态规则给不了的。

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。