AI生成图像如何挑战在线约会中的视觉信任：基于性别差异的检测策略研究

本刊推荐：随着AI生成图像技术的飞速发展，在线约会中的视觉欺骗问题日益凸显。本研究基于Truth-Default Theory (TDT) 和视觉现实主义理论，探讨了异性恋在线约会用户对AI生成图像的检测能力及性别差异。研究发现，用户整体检测准确率低于随机水平（42.82%），女性虽更擅长识别AI图像但易误判真实图像。研究揭示了用户依赖视觉不一致性、完美度及技术缺陷三种检测策略，并提出“学习循环”(Learning Loop)理论，为理解动态演变的视觉欺骗检测机制提供了重要参考。

　　

随着人工智能（AI）生成图像技术的迅猛发展，在线约会平台正面临前所未有的视觉信任危机。这些由AI生成的肖像不仅高度逼真，甚至能够模仿真实摄影的光影、纹理和人物神态，使得用户难以辨别真伪。在约会场景中，个人资料图像是建立第一印象和选择伴侣的核心依据，而视觉欺骗可能导致情感欺诈、安全隐患甚至心理创伤。尽管以往研究多关注文本层面的欺骗行为（如夸大个人特质），但对AI生成的视觉欺骗及其检测机制的认识仍十分有限。更值得注意的是，性别在欺骗检测中的作用存在争议：部分研究表明女性更擅长识别欺骗，另一些则认为性别差异不显著。这种不确定性在AI视觉欺骗背景下尤为突出。

为系统探索这一问题，研究人员在《Computers in Human Behavior: Artificial Humans》发表了一项针对831名美国异性恋在线约会用户的大规模实验研究。该研究基于Truth-Default Theory (TDT，真相默认理论) 和视觉现实主义理论，通过量化分析与质性编码相结合的方法，揭示了用户检测AI生成图像的能力、性别差异及其背后的认知策略。实验采用预测试筛选的AI生成图像（通过Midjourney v6生成）与真实图像作为刺激材料，要求参与者判断图像来源并提供开放式的理由说明。关键方法包括：1) 使用Prolific平台招募具有在线约会经验的美国用户样本；2) 通过混合效应逻辑回归模型分析分类准确性；3) 采用Braun & Clarke的专题分析法对开放式回答进行编码，归纳检测策略；4) 通过二项检验与t检验比较性别差异和准确率与随机水平的偏差。

研究结果首先揭示了整体检测能力的不足。参与者对AI生成图像的正确识别率仅为42.82%，显著低于50%的随机概率水平（p < 0.001），而对真实图像的识别率高达82.73%。混合效应模型显示，真实图像的分类正确几率是AI图像的6.4倍（OR = 6.40）。这一差距凸显了AI欺骗技术在挑战人类视觉认知方面的有效性。

在性别差异方面，女性在识别AI生成图像时表现优于男性（准确率46.57% vs. 39.82%，OR = 1.32），但同时也更易将真实图像误判为AI生成（错误率20.73% vs. 14.51%）。这种模式表明女性采取了一种更为警觉但有时过度怀疑的判断策略，而男性则相对保守。对评级数据的分析进一步支持了这一发现：女性对AI图像和真实图像的“AI生成”评分均高于男性，说明其整体怀疑阈值较低。

通过对456份有效开放式回答的编码，研究归纳出三种主要检测策略：

1. 1.

   视觉不一致性（57%回应）：参与者通过识别光影不匹配、背景与主体脱节、深度感知异常等线索判断图像真实性。男性更关注细节（如玻璃反射的合理性），而女性倾向于整体协调性评估。

2. 2.

   完美度（25%回应）：过度平滑的皮肤、无瑕疵的面部特征等“非自然完美”被视作AI生成标志。男性常通过放大图像寻找缺失的毛孔或皱纹，女性则描述一种“整体光滑感”。

3. 3.

   技术缺陷（14%回应）：参与者依赖对AI技术局限的认知（如手部畸变、分辨率不一致）进行判断。男性集中关注手部结构异常（22/26次提及），女性则更多提及模糊或边缘融合问题。

   此外，17%的回应反映参与者依赖“直觉”或“整体不自然感”而非具体线索进行判断。

基于这些发现，研究提出了“学习循环”(Learning Loop)理论框架，用于解释用户与AI欺骗技术之间的动态博弈：用户发展启发式策略（如依赖手部缺陷）→AI模型迭代修复这些缺陷→用户被迫调整策略。这种循环导致检测策略常滞后于技术发展，形成结构性认知劣势。

在讨论中，研究者将性别差异置于TDT框架下解读：女性的检测优势可能源于在线约会中更高的安全顾虑和更早触发怀疑模式，而非固有的视觉敏感度；男性的表现则受限于对过时技术特征（如手部畸变）的依赖。这种差异启示了需针对性别定制视觉素养教育：男性需拓宽线索关注范围，女性需校准怀疑阈值以避免误判真实图像。

该研究的理论与实践意义在于：首次系统揭示了AI视觉欺骗检测中的性别差异与认知机制；提出了“学习循环”这一创新框架，强调检测能力的动态性与语境依赖性；为平台治理、用户教育和检测工具设计提供了依据。未来研究需纵向追踪策略适应过程，并扩大样本多样性以验证结论的普适性。最终，在AI技术持续重构视觉现实的背景下，维护数字信任不仅需提升检测能力，更需平衡警觉与宽容，以促进健康可靠的在线互动生态。