面向可泛化 AI 辅助误导信息免疫：保护对虚假选举叙事的信心
综合经济学
2025-06-10 v2 经济学
摘要
我们提出一种可泛化的 AI 辅助框架，用于快速生成有效的“prebunking”干预措施，以对抗误导信息。像 mRNA 疫苗平台一样，我们的方法使用稳定的模板结构，可快速适应以对抗新出现的虚假叙事。在一项为期两波、由 4,293 名美国注册选民参与的预先登记实验中，我们测试了该框架针对政治敏感的选举误导信息——这是误导信息干预中最具挑战性的领域之一。我们的设计直接测试了可扩展性，通过比较人工审核和纯 AI 生成的免疫信息消息。我们发现，LLM 生成的 prebunking 显著降低了选举谣言的相信程度（持续至少一周），并在党派之间提高了对选举完整性的信心。纯 AI 生成的消息与人工审核版本相当，部分甚至产生更大的保护效应，表明无需按比例增加人力 effort 即可以机器速度实现有效的误导信息免疫，为应对所有领域加速威胁的虚假叙事提供了可扩展的防御。
引用
@article{arxiv.2410.19202,
title = {Towards Generalizable AI-Assisted Misinformation Inoculation: Protecting Confidence Against False Election Narratives},
author = {Mitchell Linegar and Betsy Sinclair and Sander van der Linden and R. Michael Alvarez},
journal= {arXiv preprint arXiv:2410.19202},
year = {2025}
}
备注
Version 2. Updates from previous: main independent variables are now post-treatment confidence scores, and we include pre-treatment confidence scores as a control, rather than work with difference scores. This improves power, but conclusions should otherwise be identical. Clarifications of experimental design, scalability claims, more precise phrasing of results