哥本哈根大学研究揭示AI事实核查证据比解释更关键

在信息过载的今天，借助AI进行事实核查，正变得像出门用导航一样自然。大型语言模型，例如我们熟知的ChatGPT，已经成为许多人筛选信息、辅助决策的得力助手。但问题也随之而来：这个“助手”有时会犯错，而其流畅、自信的表达风格，又可能在不经意间让我们过度信赖它的结论。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这就引出了一个核心问题：当AI为我们做判断时，我们究竟是如何评估其结论的？是更看重它逻辑严密的解释过程，还是更倾向于追溯其结论背后的原始依据？

一项由丹麦哥本哈根大学与瑞典林雪平大学合作、发表于2025年的研究（论文编号：arXiv:2601.11387v1），为我们揭开了这个谜底。研究发现，在事实核查这个场景下，人们表现出一种强烈的“溯源”本能——无论AI的解释多么天花乱坠，提供原始证据，才是赢得信任的关键。

一、实验设计：当用户成为“法官”

为了深入探究这个问题，研究团队设计了一个精巧的实验。他们招募了208名参与者，模拟事实核查员的工作。参与者需要评估一系列具体陈述的真伪，例如“86%的美国人和82%的枪支拥有者支持要求所有枪支购买者进行背景调查”。

关键在于，参与者不仅能看到AI给出的“真/假”判断及其置信度，还被赋予了查阅“案卷”的权力——他们可以随时点击查看AI做出该判断所依据的原始证据文档。这就像法官审案，不仅要听取控辩双方的陈词（AI的解释），更要审视呈堂证供（原始证据）。

研究团队特意测试了三种不同的AI解释模式：

1. 确定性解释：AI自信地阐述为何得出此结论，如同一个优等生在论证自己的答案。

2. 不确定性解释：AI会坦诚地指出证据中的矛盾或信息缺口，例如“证据A支持该说法，但证据B与之冲突，因此我的确信度不高”。

3. 仅置信度：作为对照组，只提供一个数字化的置信度分数，没有任何文字解释。

二、核心发现：压倒性的“证据偏好”

结果令人印象深刻，也颇具启发性。无论AI提供哪种解释，无论其判断是对是错，也无论它表现得多么信心十足，参与者们都展现出一种近乎本能的“求证行为”——他们普遍倾向于点开并阅读原始证据。

具体数据表明，高达64%的参与者会查看每一个案例的所有证据文档。相比之下，只有3人（占总数的不到1.5%）完全不去查看任何证据。这个比例远高于以往研究中用户点击外部链接的比率（通常仅在10%-28%之间）。研究团队分析，这很可能是因为他们将证据直接嵌入实验界面，极大降低了用户的获取成本，从而激发了这种深度的信息核查行为。

一个有趣的细节是：当AI提供自然语言解释时，用户查看证据的频率会略有下降，但依然维持在很高水平。这说明，好的解释确实有价值，能部分满足用户的理解需求，但它始终无法完全取代人们对“一手信息”的渴求。这好比患者即使听懂了医生的病情分析，也总想亲眼看看自己的化验单。

三、信任度如何影响信息选择？

研究还揭示了用户信任度与信息使用偏好之间的微妙关系。那些对AI系统初始信任度较高的参与者，更倾向于依赖AI提供的解释；而信任度较低的参与者，则表现出更强烈的意愿去亲自核查原始证据。

这个发现很符合直觉：信任关系建立后，我们更愿意采纳对方的建议；反之，则会启动自己的验证机制。

四、用户的“侦探”潜质

通过定性访谈，研究团队发现参与者并非被动接受信息，而是展现了出色的批判性思维。尽管实验中有意隐去了证据来源的身份信息，用户们仍会努力寻找各种线索来评估可靠性。

一个突出的倾向是，他们对统计数据格外青睐。有参与者明确表示：“如果证据中包含来自可靠来源的真实数字和数据，我通常会支持AI的判断。”这种对“硬数据”的偏好是一把双刃剑：一方面，数据确实能增强客观感；但另一方面，数字本身并非真相的绝对保证，精心编织的虚假数据同样具有迷惑性。

更值得注意的是，用户能够敏锐地捕捉到AI解释与原始证据之间的“断层”。当发现AI的推理逻辑与证据内容不符时，他们会立即对AI的判断提出质疑。一位参与者的反馈很具代表性：“有时通过阅读解释，我能发现AI逻辑中的错误。”这意味着，提供解释固然有增加“露馅”风险的可能，但也为用户提供了一个宝贵的、检验AI内部推理过程的机会窗口。

五、不确定性，反而更可信

在所有发现中，最具实践价值的一点或许是：“不确定性解释”比传统的“确定性解释”更能帮助用户做出准确判断。

当AI诚实地指出“证据A支持，但证据B反对”，或者“现有信息不足以做出肯定判断”时，用户反而能更合理地校准自己对AI结论的信任度，避免盲目跟从。这挑战了当前许多AI产品追求“绝对自信”输出的设计倾向，提示我们，在模棱两可的情境下，坦诚比伪装更有益。

研究还观察到一个有趣的“结果偏差”现象：当AI的最终判断正确时，用户对其解释的评价会更高；而当AI判断错误时，即便是同样高质量的解释，也会被认为用处不大。这提醒我们，用户对AI能力的评估难免受到结果影响，这种“成王败寇”的心理，可能影响其对AI系统的长期信任建设。

六、对AI系统设计的启示

这项研究为未来AI工具，尤其是事实核查和搜索类产品的设计，指明了几个清晰的方向：

1. 证据接入应“一键直达”：当前，一些AI搜索工具（如Google的Gemini）已开始提供原始资料链接。本研究证实了这个方向的正确性，并进一步强调，必须尽可能降低用户访问证据的门槛，让“溯源”变得轻松无负担。

2. 鼓励“诚实的不确定性”：AI系统应学会在证据薄弱或矛盾时，坦然表达不确定性，并解释这种不确定性的来源。这非但不是能力缺陷的展示，反而是负责任的表现，能有效引导用户进行更深思熟虑的决策。

3. 解释需与证据透明关联：AI的解释应明确指向它是如何从原始证据中推导出结论的，让用户的验证过程有迹可循。要警惕的是，系统不应有选择性地呈现片面证据，或用精巧的话术扭曲证据的本意。

七、超越技术的思考

这项研究的深远意义，超越了人机交互的技术范畴，触及了智能时代公民素养的核心。

它描绘了一幅相对乐观的图景：在适当的工具和环境支持下，人们并未丧失批判性思维的本能，反而表现出强烈的主动求证意愿。关键在于，我们的技术产品和社会机制，是否鼓励并赋能了这种本能。

同时，研究也指出了现实挑战。实验环境剥离了时间压力、信息过载等现实干扰。在日常生活中，如何让用户在碎片化的时间里，依然保持这份核查的耐心与动力？如何帮助公众提升评估复杂证据、识别数据陷阱的媒介素养？这需要教育、技术和公共政策的协同努力。

归根结底，这项研究回应了一个根本性追问：在AI日益强大的未来，我们如何避免成为技术的附庸？答案似乎不在于拒绝使用AI，而在于设计出这样一种AI——它不仅是提供答案的“黑箱”，更是能够增强人类理性、支持人类判断的“透明工具箱”。让证据触手可及，让不确定性清晰可见，或许正是通往这个人机协同新范式的关键一步。

Q&A

Q1：为什么人们在使用AI事实核查时更依赖证据而不是解释？

研究发现，高达64%的参与者会查看所有原始证据，这揭示了人们“眼见为实”的深层心理。就像购物时无论销售员如何推荐，消费者总想亲自检查商品质量一样。面对AI的判断，原始证据提供了无法被解释完全替代的、可独立验证的踏实感。

Q2：AI的不确定性解释比确定性解释更好吗？

在这项研究的语境下，是的。不确定性解释会诚实指出证据中的矛盾或不足，例如“证据A支持但证据B矛盾，这降低了我的确信度”。这种坦诚帮助用户更准确地校准信任，避免因AI过于流畅自信的表达而产生误判。它类似于一位负责任的医生告诉你“需要进一步检查”，远比草率给出一个肯定结论更有价值。

Q3：这项研究对日常使用AI工具有什么启发？

最重要的启发是培养并实践“求证习惯”。研究证实用户具备良好的批判潜力，但需要低门槛的工具支持。在日常使用中，我们应有意识地追问信息的源头，尤其关注AI表达犹豫或不确定的地方，不要被其流畅的表述所迷惑，将“核查证据”作为关键决策前的必要步骤。