土耳其生成式人工智能使用与信息核验缺口呈相反社会梯度：基于2025年全国ICT调查的横断面研究

《Informatics》：Generative AI Use and the Verification Gap Follow Opposing Social Gradients in Türkiye

　　

摘要专业翻译 生成式人工智能（Generative AI）的使用与在线信息核验可能呈现不同的社会分布模式。这项横断面研究分析了2025年土耳其统计研究所（Turkish Statistical Institute）ICT调查中22,502名年龄在16至74岁之间的互联网用户数据，采用加权修正泊松回归（modified Poisson regression）并纳入家庭聚类稳健标准误（household-clustered standard errors）。总体而言，19.2%的受访者报告使用过生成式人工智能，而在注意到可疑内容的受访者中，48.3%未对其进行核验。条件性不核验（即核验缺口，verification gap）随年龄增长而上升，随教育水平和所报告的数字化活动水平提高而下降，而生成式人工智能使用则呈现相反的分布模式。与16至24岁年龄组相比，65至74岁年龄组不核验的调整患病率比（adjusted prevalence ratio）为1.48（95%置信区间1.30–1.68），而生成式人工智能使用则为0.10（0.07–0.16）。在注意到可疑内容的受访者中，健康信息寻求者与生成式人工智能使用者报告的不核验比例较低，但在全部互联网用户中，这两个群体在注意到但未核验内容方面的患病率并未更低。在不核验者中，87.3%报告称已判定相关信息或来源不可靠，15.2%报告称技能或知识不足；上述回答可能存在重叠。这些发现区分了生成式人工智能使用的参与、对可疑内容的注意报告以及后续核验行为。核验支持应当将报告的操作困难与对已判定不可靠内容不予调查的决定分别加以应对。

论文解读文章

一、研究背景与研究目的

在数字信息环境日益复杂的背景下，生成式人工智能（Generative AI）正迅速成为日常信息工具，但其使用者分布并不均匀。2025年欧盟（EU）数据显示，16至74岁人口中约三分之一曾使用生成式人工智能，且使用率因年龄和教育水平存在显著差异。与此同时，在线信息的核验行为同样呈现社会分布特征。既有研究表明，信息核验涉及多个不同阶段：接触内容、识别其可疑性、以及决定是否进行核验。2021年欧盟调查显示，47%的16至74岁人群在过去三个月内曾看到不真实或可疑的在线信息，但仅23%对其真实性进行了核验。

然而，现有研究存在明显证据缺口：一方面，针对人工智能辅助事实核验的实验研究发现，模型解释并不保证人类判断的改善，甚至可能产生误导；另一方面，人群层面的调查虽然描述了数字技能与人工智能态度之间的关联，但尚未在同一全国性人群中系统考察生成式人工智能使用、可疑内容注意与核验行为之间的联合分布。在线健康信息寻求（online health information seeking）为这一问题提供了实际应用价值——消费者在评估健康信息时需要同时考量来源与内容线索，而电子健康素养（eHealth literacy）涵盖信息的查找、理解与评估能力。因此，在同一个全国人群中描述通用生成式人工智能使用与健康信息寻求者的信息实践模式，对于设计可及的信息服务与核验支持具有重要意义。

基于上述背景，本研究利用2025年土耳其ICT调查数据，旨在实现三个目标：描述生成式人工智能使用的社会分布；估计注意到可疑内容的受访者中不核验的比例；考察不核验行为与健康信息寻求及人工智能使用的关联，并分析不核验者给出的原因。该研究将条件性核验决定与人群层面结合注意与不核验的报告加以区分，其贡献在于提供这些相关行为的全国性描述，而非检验人工智能辅助核验的性能。

二、主要技术方法

本研究为2025年土耳其ICT使用调查（由土耳其统计研究所按Eurostat模型问卷实施）的横断面二次分析。调查采用两阶段分层整群抽样，覆盖私人住户中16至74岁的所有家庭成员，2025年4月通过计算机辅助面访和电话访谈完成现场调查。分析人群为过去三个月内使用过互联网的22,502名受访者（占16至74岁人口的89.8%，加权后）。

研究使用官方个人层面调查权重估计患病率。对于每个二分类结局，采用带对数连接的修正泊松回归（modified Poisson regression）估计关联，并纳入家庭聚类稳健三明治协方差估计。主要结局为条件性不核验（conditional non-checking），即注意到可疑内容但未核验其真实性的受访者比例；同时分析全部互联网用户中的注意而不核验（noticing without checking）结局。协变量包括性别、年龄组、教育程度、就业状况、家庭收入组、城市化程度、每日互联网使用、在线阅读新闻、访谈方式及数字化活动计数（汇总九项软件与设备活动，分组为0–2、3–5、6–9项）。敏感性分析包括逻辑回归、无权重拟合、NUTS-1区域固定效应、剔除参与度变量以及仅限面访样本，并进行了NUTS-1分层方差敏感性分析。

三、研究结果

总体患病率与行为分布。 36.5%的互联网用户注意到可疑内容，其中48.3%未进行核验，因此17.6%的全部互联网用户报告注意而不核验，18.9%曾进行核验。在核验者中，87.2%查阅了其他在线来源。在不核验者中，87.3%报告已判定信息、内容或来源不可靠，15.2%报告技能或知识不足，两类原因可重叠。生成式人工智能使用率为19.2%，其中79.7%为私人用途；不使用的主要原因为无需求（63.3%）和不知如何使用（18.7%）。

社会梯度与反向分布。 条件性不核验与生成式人工智能使用沿相同社会梯度呈相反方向分布。不核验比例从16至24岁组的39.4%升至65至74岁组的72.7%，从高等教育毕业者的39.0%升至小学及以下教育者的65.9%；生成式人工智能使用率则分别从39.4%降至1.7%（年龄组）和从36.1%降至1.9%（教育组）。数字化活动计数方面，不核验从0–2项活动者的58.3%降至6–9项活动者的31.2%，而人工智能使用率从8.7%升至60.3%。

调整后关联。 经相互调整后，条件性不核验在健康信息寻求者中较低（患病率比PR 0.85，95%CI 0.81–0.90），在生成式人工智能使用者中也较低（0.86，0.79–0.93），两者间未见明显交互作用（p = 0.35）。不核验随年龄增长而升高（65–74岁对比16–24岁：PR 1.48，1.30–1.68），随高等教育（0.85，0.78–0.92）、6–9项数字化活动（0.70，0.63–0.78）和在线阅读新闻（0.83，0.79–0.88）而降低。当结局改为全部互联网用户中的注意而不核验时，健康寻求关联发生反转（PR 1.38，1.26–1.51），生成式人工智能使用无明确关联（1.08，0.98–1.19）。生成式人工智能使用在健康信息寻求者中独立更高（PR 1.28，1.16–1.40），并呈现最陡峭的社会梯度：65–74岁相对16–24岁的PR为0.10（0.07–0.16），高等教育相对小学及以下教育的PR为4.56（3.63–5.72）。注意可疑内容在健康寻求者（1.56，1.47–1.66）和人工智能使用者（1.23，1.17–1.29）中均更常见。

不核验原因分析。 在不核验者中，报告技能或知识不足在65至74岁年龄组比16至24岁组高2.35倍（1.52–3.63），在高等教育者中为小学及以下教育者的0.60倍（0.46–0.80），在健康寻求者中较低（0.77，0.63–0.93）。数字化活动计数与该原因无明确关联。报告技能或知识不足仅占全部互联网用户的2.7%。

四、讨论与结论

研究发现的核心贡献在于揭示了生成式人工智能使用与条件性不核验沿年龄、教育和数字化活动梯度呈相反分布。健康信息寻求者与人工智能使用者在注意到可疑内容后更倾向于核验，但两者在全部互联网用户中的注意而不核验患病率并未更低，这一条件性结局与全用户结局的差异说明：更大的内容暴露、更强的可疑识别能力或两者共同作用，可能产生这一组合模式。

不核验涵盖了终止评估过程的不同原因。大多数不核验者报告已判定信息或来源不可靠，这与有意忽略一致，但调查未检验该判断是否正确；较小群体报告技能或知识不足，两类原因可重叠。这一区分与Brashier和Schacter关于晚年信息处理中数字经验与社会目标作用的论述相符，也限定了与Guess等人关于老年人分享更多虚假新闻发现的比较范围——分享虚假材料与拒绝调查已判定可疑的材料并非可互换的结局。

直接实验证据强化了工具使用与核验表现之间的区别：Si等人发现模型解释可加速人工事实核验但错误解释可能误导使用者；DeVerna等人发现人工智能生成的事实核验未带来平均新闻辨别改善。本调查通过展示日常情境中通用人工智能使用与自我报告核验的社会分布，对这些实验形成补充，但其人工智能条目并未确认受访者使用人工智能进行核验，因此较低的条件性不核验患病率不能归因于人工智能辅助事实核验。

研究结论为：生成式人工智能使用与注意到可疑内容者的不核验行为在土耳其沿年龄、教育和数字化活动梯度呈相反分布。健康信息寻求者与人工智能使用者报告的条件性不核验较低，但两者在全部互联网用户中的注意而不核验患病率并未更低。大多数不核验者报告已判定信息或来源不可靠；较小且可能重叠的群体报告技能或知识不足，后者在年龄和教育方面呈现比数字化活动计数更清晰的模式。核验支持应区分报告的操作困难与有意忽略，并使用行为与判断准确性双重指标进行评估。