審核大型語言模型在新聞媒體曝光中的編輯偏見
arXiv - Computers and SocietyMarco Minici, Cristian Consonni, Federico Cinus, Giuseppe Manco
研究發現 LLM 作為新聞引擎時，其資訊篩選的多樣性與意識形態偏向與傳統搜尋引擎顯著不同。
AI 幫你先抓重點
AI 重點 1
LLM 正在演變成具有「代理編輯政策」的新型資訊門戶
滑鼠懸停看 AI 判斷理由
這改變了我們對資訊檢索的認知。傳統引擎是基於索引與排序，而 LLM 則是在生成過程中進行了主動的內容篩選與編輯，這種隱蔽的編輯權力可能在無形中形塑公眾輿論。
AI 重點 2
模型間的意識形態差異具有穩健性，不易受提示詞改變
滑鼠懸停看 AI 判斷理由
這意味著偏見並非偶然的隨機錯誤，而是模型內建的系統性特徵。對於依賴 AI 獲取知識的學習者而言，這增加了辨識資訊來源多樣性與中立性的難度。
核心研究發現
- 1
與 Google News 相比，LLM 呈現的新聞來源數量明顯較少，且對媒體來源的分配不均，導致資訊多樣性降低。
- 2
GPT-4o-Mini 傾向於提供事實性較高且偏向右翼的來源；Claude-3.7-Sonnet 偏好機構與公民社會領域，並略微放大右翼曝光。
- 3
Gemini-2.0-Flash 則表現出輕微的左翼傾向，但在事實性方面與其他模型相比並無顯著差異。
對教育工作者的啟發
對於教育工作者而言，這項研究強調了在 AI 時代提升「數位與媒體素養」的迫切性。在教學設計中，不應僅教導學生如何使用 AI 獲取答案，更應引導學生進行「批判性檢索」，例如：要求學生比較不同 AI 模型對同一議題的回答差異，並分析其引用來源的立場與多樣性。透過這種方式，可以培養學生的元認知能力（Metacognition），讓他們意識到 AI 資訊可能存在的選擇性偏見，進而學會主動尋求多元觀點以建立更全面的知識結構。
原始文獻資訊
- 英文標題：
- Auditing LLM Editorial Bias in News Media Exposure
- 作者：
- Marco Minici, Cristian Consonni, Federico Cinus, Giuseppe Manco
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。