夜雨聆风
先说一个最常见的场景
晚上十点，学院老师发来第二天要推的稿子：三千字、十几张图、两个短视频。里面有领导职务、部门名称、项目数据、学生姓名、奖项名称，还有网上摘来的背景介绍。
审核老师要看文字有没有政治表述错误、错别字、过期政策、夸大宣传；图片有没有不规范地图、广告、二维码、敏感背景；视频还要看字幕、口播、封面和背景音乐。问题不一定大，但常常很细。
高校面对的已经不是“官网公众号发新闻发通知”的单一场景。账号多、内容多、截图快、二次传播快，靠两三个人硬扛全校新媒体审核，很难长期稳定。
AI的价值不复杂：把重复检查先做掉，让人把精力放在事实、导向、口径和处置判断上。
一、先把话说清楚：AI审核不是“自动免责”
很多学校一提AI审核，容易走两个极端：要么觉得买了工具就有了保险，要么觉得机器不懂校情、完全没用。其实都不对。
AI适合做三类事：
第一，做大批量、标准化、重复检查。比如错别字、敏感词变体、图片二维码、明显违规画面、视频抽帧、链接可用性。
第二，帮人提前发现疑点。比如某句话可能有歧义，某张图里有不规范标识，某篇稿件引用了过期政策，某个平台上出现了学校相关负面讨论。
第三，把审核过程留下记录。谁提交的、机器提示了什么、人工怎么处理、最终谁确认，这些都能沉淀下来，便于复盘和追责。
但AI不能替学校做最终判断。政治导向、价值判断、校史事实、领导职务、政策口径、突发事件回应，仍然必须由人负责。
一句话：AI负责提醒，人负责定夺。
二、文本审核：别只靠敏感词表
过去很多单位做文本审核，主要靠敏感词表。这个办法有用，但很粗：同一个词在不同语境里含义不同，一些违规表达也会用谐音、拼音、拆字、符号替换绕过去。
AI文本审核能补上的，是“看上下文”的能力。它可以把一句话放进前后语境里看，判断它是正常表述、风险表达，还是需要人工复核的模糊表达。对高校来说，比较实用的不是追求“全自动”，而是建立几类校内规则：
校领导姓名、职务、排序和称谓规则。 学校、学院、部门、平台的标准名称。 招生、就业、科研、评奖、资助等高频政策表述。 校史、校训、重大活动、重要会议的固定表述。 曾经出过错的敏感案例和易错词。
这样做以后，审核就不只是查“有没有违禁词”，还要查“是不是按学校统一口径说话”。
这里要注意一个细节：不要把所有提示都当成错误。AI提示应分级处理。高风险内容必须退回或人工复核；中风险内容由编辑说明依据；低风险内容可以抽查。否则系统天天报警，老师很快就会麻木。
三、图片和视频审核：机器先扫一遍，人工再看关键处
视觉内容比文字更难审。一张图里可能有背景横幅、地图、车牌、学生证件、广告牌、二维码、旧标语、商业品牌、涉隐私信息。短视频还多了字幕、口播、背景音乐、封面、标题。
人工逐张放大、逐帧看视频，现实中很难长期做到。AI在这里的价值很实际：
图片先做OCR识别，把图里的文字提出来。 检查二维码、联系方式、广告水印和不适合公开的信息。 对视频抽帧，识别关键画面里的文字和元素。 对音频转写，检查口播和字幕是否一致。 把疑似风险画面标出来，让人工重点看。
这类工具的成本已经降下来了。对多数高校来说，基础审核已经不是高不可攀的系统工程。
边界也要讲清楚：机器更擅长识别“看得见、规则明确”的问题，不擅长识别隐喻、历史背景和校园特殊含义。校史老照片、活动合影、涉外场景，仍然要靠熟悉学校情况的人判断。
所以比较稳妥的流程是：机器先扫，人工看机器标红的地方，再人工抽查未标红内容。重大稿件、校庆校史、招生宣传、涉外内容、突发事件回应，不能只看机器结果。
四、舆情预警：别等热搜了才知道
高校舆情的起点往往很小：一条学生吐槽、一张截图、一段宿舍视频、一个招生咨询群里的争论。发现得早，解释清楚、处理到位，事情就过去了；发现得晚，被搬运到多个平台，处理难度会成倍增加。
AI舆情监测能做的，是把“人工到处搜”变成“系统持续盯”。学校名称、学院名称、重点部门、招生就业、后勤服务等关键词，一旦在公开平台上集中出现，系统可以先提醒，再交给人判断。
舆情系统能告诉你“哪里有声音”“声音变大了没有”“哪些词被反复提到”，但不能自动判断学校该不该回应、怎么回应、谁来回应。
高校要做的是把预警接进流程里：
一般咨询和吐槽，由相关部门核实后答复。 涉及师生权益、校园安全、招生就业、收费管理的问题，宣传部和业务部门共同研判。 涉及重大突发事件、意识形态风险、违法违规线索的，立即进入学校应急机制。
舆情预警的关键不是“监测到了多少条”，而是“有没有人接、有没有流程办、有没有结果回”。
五、AIGC内容治理：能用，但要留下人的判断
不少高校新媒体已经在用生成式AI写标题、改导语、做海报、出短视频脚本。它已经是常用工具，不是少数人的尝鲜。
问题在于，AI生成内容有几个天然风险：
它可能编造事实。校史年份、人物履历、科研成果、获奖信息，不能让AI自由发挥。 它可能把网上过期或错误信息写得很像真的。 它可能生成版权来源不清的图片、音乐、视频素材。 它可能把严肃内容写得过度煽情、过度包装，甚至偏离学校口径。 它可能让多篇稿件变得很像，读起来都是同一种“漂亮废话”。
放到高校新媒体里，建议定三条硬规则：
第一，事实类内容不能只由AI生成。凡涉及校史、数据、政策、人物、科研成果、招生就业、财务收费，必须回到权威来源核对。
第二，重大内容不能让AI代写定稿。重要会议、领导调研、突发事件回应、意识形态相关内容，AI最多做资料整理和文字润色，不能替代人工起草和审核。
第三，AI参与过的公开素材要可追溯。谁用了什么工具，生成了什么，人工改了哪里，最终依据是什么，要能查到记录；需要标识的，按平台规则处理。
高校用AI写稿，最怕的不是“用了AI”，而是用了以后没人负责。
六、内容资产管理：别让好稿子发完就丢
很多高校公众号、视频号、官网、学院网站已经积累了大量内容：招生专业介绍、校史资料、科研人物稿、毕业季学生故事。但这些内容往往散在不同账号后台，过几个月就很难找。
AI可以做自动标签和聚类，把内容按主题、学院、人物、时间、活动、受众分出来。比如：
招生宣传：专业介绍、校园环境、就业去向、学生问答。 科研成果：论文、项目、平台、团队、成果转化。 校园服务：办事指南、后勤通知、心理支持、安全提醒。 品牌传播：校友故事、教师人物、优秀学生、重大活动。
好处很实在：明年招生季不用从零找素材；领导调研前能快速调出相关报道；学院之间也能复用学校统一素材，减少重复劳动和口径不一致。
但这里同样要守住边界。内容资产库不是越开放越好。涉及学生个人信息、内部工作安排、未公开科研数据、敏感会议材料的内容，不能因为“方便检索”就随便入库、随便调用。
七、落地建议：先小范围跑通流程
高校上AI审核，不要一开始就做大工程。先挑校级公众号、官网新闻、视频号和几个重点学院账号试运行，把标题、正文、图片、视频、提交人、审核人记录下来，再接入文本校对、图片OCR、敏感词、链接检查等基础能力。
试运行阶段，重点不是看系统多高级，而是看流程有没有跑起来：机器标红的内容有没有人处理，机器通过的内容有没有抽查，重大内容有没有继续按“三审三校”走。AI审核结果只能作为参考，不能替代签字确认。
预算有限的学校，先把敏感词库、智能校对、图片识别和账号台账做起来；账号多、内容多、涉密敏感内容多的学校，再考虑统一审核平台和新媒体管理平台、舆情监测平台和校内规则库。凡是未公开重大事项、内部文件、学生个人敏感信息、科研涉密内容，不要直接丢给外部AI工具处理。
最后还要持续复盘。每个月看一看：AI提示了哪些问题，人工确认了哪些，哪些是误报，哪些是机器没发现的。规则不更新，工具很快就会变钝；流程不改变，AI也只是多了一个网页。
结语
高校新媒体审核，不是把所有内容交给机器，而是把分工理顺：机器先扫明显问题、重复问题、可规则化问题；编辑核对事实、修改表达、完善材料；宣传部门把导向和口径；重大内容再由相关部门和校领导把关。
AI减掉的是重复劳动，不能减掉人的责任。把AI用在该用的位置，把制度立在该立的位置，把责任留在该负责的人手里，这才是高校新媒体风控真正可落地的方向。
