利用大型語言模型在陰謀論發展初期降低其信任度
arXiv - Human-Computer InteractionThomas H. Costello, Nathaniel Rabb, Michael Nicholas Stagnaro, Gordon Pennycook, David Rand
研究證實透過與 LLM 進行多輪對話，能有效降低美國成年人在重大事件發生後對陰謀論的信任。
AI 幫你先抓重點
AI 重點 1
對話式 AI 具備比靜態資訊更強的認知干預能力
滑鼠懸停看 AI 判斷理由
傳統的「事實查核」多依賴靜態資訊，但研究顯示互動式的對話能更有效地介入認知過程，這改變了我們對於如何利用 AI 進行數位素養教育與誤導資訊防禦的實務思考。
AI 重點 2
認知干預可能具有跨事件的長期心理防禦效果
滑鼠懸停看 AI 判斷理由
這項發現極具價值，因為它暗示了針對特定事件的認知訓練，可能轉化為一種更廣泛的批判性思考能力，使個體在面對未來不同形式的誤導資訊時具備更強的免疫力。
核心研究發現
- 1
在針對美國成年人的兩項實驗中，與被引導降低陰謀論信念的 LLM 進行對話，其效果顯著優於討論無關話題或閱讀靜態事實表。
- 2
實驗結果顯示，LLM 的對話干預能有效減少參與者對當下正在發生的危機事件之陰謀論看法。
- 3
研究觀察到 LLM 干預具有後續效應，參與者在一個月至兩個月後面對其他新的危機事件時，對不同陰謀論的信任度也隨之降低。
對教育工作者的啟發
對於教育工作者而言，這項研究提供了數位素養教育的新方向：與其僅提供靜態的事實查核清單，不如設計具備互動性的 AI 學習環境，引導學生透過對話進行批判性思考。在課程設計中，可以利用 LLM 模擬不同觀點的辯論，訓練學生在面對突發社會事件時，如何運用邏輯與證據來檢視資訊，而非盲目接受情緒化的陰謀論。這種「認知防禦」的訓練應強調對話過程中的邏輯檢驗，而非單純的知識灌輸。
原始文獻資訊
- 英文標題：
- Reducing belief in conspiracy theories as they unfold using large language models
- 作者：
- Thomas H. Costello, Nathaniel Rabb, Michael Nicholas Stagnaro, Gordon Pennycook, David Rand
- 來源：
- arXiv - Human-Computer Interaction
- 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。