过去几年，人工智能在信息获取领域的应用呈现爆发式增长，这已不是什么秘密。而一个更为新近的趋势是，以ChatGPT、Claude和Gemini为代表的大型语言模型（LLMs）正日益被用于新闻核实与消费。皮尤研究中心（Pew Research Center）过去一年的报告显示，五分之一的美国青少年定期使用LLMs获取新闻，四分之一的年轻成年人至少有过一次此类使用经历。
麻省理工学院媒体实验室（MIT Media Lab）一项最新开放获取研究应为这类用户敲响警钟：研究人员发现，在为期一个月的追踪中，依赖人工智能系统核实事实的参与者，在脱离聊天机器人辅助后，其独立识别错误信息的能力反而出现了下降。这一现象通常被称为"人工智能依赖悖论"（AI dependency paradox），已在多个知识领域得到观察。例如，2025年的一项研究发现，使用人工智能辅助的医生独立识别癌症的能力反而降低。这一动态反映了技术发展中所谓"技能退化"（deskilling）或"认知卸载"（cognitive offloading）的宏观趋势——此类现象已有数十年的文献记载，从计算器削弱数学计算能力，到全球定位系统（GPS）影响自然方向感，均属此列。在这项媒体实验室的新研究中，67名参与者历时四周对新闻标题-图片配对进行真实性评估。结果显示，在有人工智能聊天机器人辅助的环节中，参与者识别假新闻的准确率提升了21%——这印证了麻省理工学院斯隆管理学院此前关于人工智能可有效降低人们对错误信息信任度的研究结论。然而，研究揭示了一个新问题：当人工智能不再在场时，到第四周，参与者对全新新闻素材的独立判断表现较研究开始前下降了15个百分点。约四分之一的参与者甚至报告称，他们感觉自己的识别能力在提升——尽管实际表现却在下滑。
邓宁-克鲁格效应悄然介入
"用户对这些'神奇'的LLMs感到兴奋，却忘记了它们只是预测序列中下一个'词元'（token）的统计模型，"麻省理工学院媒体艺术与科学（MAS）博士生、该研究共同第一作者Anku Rani表示。她的合作者同为MAS博士生的Valdemar Danry。"规模扩展确实催生了许多令人印象深刻的行为，但这伴随着真实的局限性——既包括模型可靠生成内容的能力边界，也包括其对使用者产生的更广泛影响。"定性分析识别出不同的行为模式，研究团队将五分之一的参与者标记为"依赖型发展者"（Dependency Developers）——他们逐渐从主动自我依赖转向被动接受人工智能引导。在实验后调查中，一名受访者明确承认了这一转变："虽然（聊天机器人）确实强调必须交叉核对多个来源以确认新闻真实性，但它们并没有教会我太多关于独立探究图片本身背景信息的方法。"研究团队指出，这些人工智能模型在情绪激烈的热点突发新闻中尤其容易出现错误。作者同时指出，用于训练人工智能模型的原始人工创作新闻内容本身正变得日益不可靠和/或带有偏见，这进一步加剧了问题。该论文由Danry和Rani在巴塞罗那举行的2026年计算系统中的人为因素会议（CHI 2026）上报告，合作者包括助理教授Paul Pu Liang、高级研究科学家Andrew Lippman，以及资深作者Pattie Maes——Germeshausen媒体艺术与科学讲席教授。
解决之道：做教练，而非拐杖
研究人员表示，项目结果表明，人工智能与用户的具体交互方式决定了其影响是"作为教练"还是"作为拐杖"。研究发现，单纯提供即时帮助的对话策略与真正支持主动学习和技能发展的策略之间存在明显分野。对于后者，媒体实验室团队发现了若干与后续更强独立识别能力相关的策略——尽管这些策略在交互过程中可能 initially 降低效率。这包括苏格拉底式提问法，即人工智能通过引导性问题启发思考；以及所谓的"深度探询"（deep probing），即当用户似乎偏离正确判断时，系统提供温和的说服性陈述。"'告知式'人工智能直接给出答案，更容易助长依赖；而'提问式'人工智能通过苏格拉底诘问，更能促使用户真正学会独立辨别真伪，"Danry表示，"但这确实需要在速度和投入之间做出权衡。"Rani指出，这项为期一个月的研究存在若干关键局限：验证新闻素材数据集仅约50条，且研究对象主要集中于美国和英国。未来，团队希望开展更多地理背景多样化的同类实验，包括资源匮乏社区，并探索其他多模态交互策略——例如与文化适应性数字孪生而非基于文本的聊天机器人交互——是否有助于提升人们识别错误信息的能力。在更高层面，研究人员希望该项目能为教育工作者在将人工智能工具纳入学校课程设计时提供参考。"特别重要的是，要在学校和学术社区中提升对使用人工智能作为学习工具之局限性的认知，"Maes表示。"人们需要知道，如果他们将思考'外包'出去，就不会在特定类型的问题解决上变得更强。归根结底，质疑和分析信息的能力对每个人都至关重要，因为它赋予我们解决问题的能力，以及形成对世界独立见解的能力。"Danry补充道，机器学习与深度学习领域的快速演进，要求对LLMs的利弊进行持续教育。"在确保我们不会将希望持续掌握的关键任务完全卸载给这些模型方面，还有很多工作要做，"他表示，"我们需要培养一种新的人工智能素养。"（by Massachusetts Institute of Technology 本文仅供学术研究分享）更多信息：Anku Rani 等，Dialogues with AI Reduce Beliefs in Misinformation but Build No Lasting Discernment Skills，Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (2026).
夜雨聆风
