《Information Processing & Management》：Exploring the evolution of public cognition toward generative AI through sentiment-topic mining and community detection in social graphs
编辑推荐：
•提出了一种语义-拓扑双驱动的图对比学习模型。•分析了101,000条多模态帖子（2023-2026年），以捕捉生成式AI感知的生命周期。•揭示了话语网络从核心-边缘垄断演变为多中心生态系统的过程。•量化了情感极化现象，证明媒体议程和深度伪造技术加剧了公众焦虑。•证实公众关注点正
- •
提出了一种语义-拓扑双驱动的图对比学习模型。
- •
分析了101,000条多模态帖子（2023-2026年），以捕捉生成式AI感知的生命周期。
- •
揭示了话语网络从核心-边缘垄断演变为多中心生态系统的过程。
- •
量化了情感极化现象，证明媒体议程和深度伪造技术加剧了公众焦虑。
- •
证实公众关注点正从“技术期待”转向“制度规则制定”。
引言
近年来，以ChatGPT为代表的大型语言模型（LLMs）的重大进展加速了生成式人工智能（GenAI）在多个社会领域的广泛部署，显著改变了内容创作（Casheekar等，2024）、信息传播和人机交互方式（Wang，2024）。与传统人工智能主要强调识别、分类和预测不同，生成式人工智能提供了经济高效、大规模（Li等，2025b）且高度逼真的内容生成能力，彻底改变了包括文本、图像、音频和视频在内的数字内容的生产动态（Chen，2026；Liu等，2026）。与此同时，生成式人工智能的快速发展带来了新的社会风险，如低质量合成内容的激增、虚假信息的传播、深度伪造技术的泛滥，以及对平台监管的更高要求，使其从单纯的技术创新问题转变为公共话语和数字治理的议题（Xylogiannopoulos等，2025）。生成式人工智能在全球的迅速普及引发了主流社交媒体平台上的广泛讨论（Yang, Q.等，2026），同时伴随着虚假信息（Saucier等，2025）、深度伪造（Pawlicka等，2024）、低质量合成内容以及平台治理（Zhang等，2024）等挑战的持续上升。随着生成式人工智能工具的可及性不断提高（Cordeiro等，2025），关于AI应用、AI生成内容、AI短片、AI操纵和AI伪造的对话在新浪微博、抖音和快手等社交媒体平台上迅速扩散（Zhang等，2025），逐步形成了一个包含技术争论、商业利益和监管期望在内的多元化公共话语体系。因此，系统性地研究公众对生成式人工智能舆论的结构特征、传播机制和认知转变，已成为理解其社会影响的关键路径（He & Chen，2025）。
现有研究通过情感分析、主题识别、虚假信息检测和在线传播分析等途径考察了公众对GAI（生成式人工智能）的看法，为理解平台上的公众认知和传播特征奠定了重要基础（Ngo等，2026）。然而，公众对生成式人工智能的情感表现出动态性、组织性和多主体参与等独特特征，使得仅通过文本层面的情感或主题分析难以全面把握其复杂演变过程（Yang, Z.等，2026）。现有研究往往聚焦于时间框架内孤立的时点或短时段，未能跟踪公众情感的长期发展轨迹（Shibuya等，2025）。在数据维度方面，研究更侧重于文本材料，对语义数据、分布结构和用户特征的整合不足（Yang等，2025）。关于社区结构、互动动态与公众认知变化之间关联的阐释仍不充分（Bhatt等，2026）。因此，生成式人工智能舆论的形成、分化与持续演变机制，以及不同利益相关者面对技术扩散和风险事件时的视角变化，都是值得进一步探究的问题。
本研究考察了新浪微博平台上公众围绕生成式人工智能的认知和话语演变。基于2023年1月至2026年8月收集的105,384条GAI相关记录，构建了语义-拓扑社交图（ST-Graph），并采用基于对比学习的图神经网络（ConGNN）在无监督环境下学习节点表示并识别舆论社区。此外，结合基于StructBERT的情感分类和基于DeepSeek的方面级情感分析，从情感态度和认知框架两个维度刻画公众对GAI的认知，从而揭示技术扩散、风险感知与治理需求之间的动态关系。主要贡献如下：
- (1)
本研究构建了用于GAI相关舆论分析的语义-拓扑社交图（ST-Graph），将文本语义、互动反馈和用户交际属性纳入节点关系建模。该图为社交媒体话语中的议题聚合和社区分化提供了多维表示。
- (2)
图构建过程引入了时间约束、PageRank增强和自适应KNN边过滤，使生成的图能够更好地反映社交媒体话语的时间逻辑和多维相似性关系。并采用基于对比学习的图神经网络（ConGNN）学习更具判别力和稳定性的节点表示，用于无监督社区检测。
- (3)
通过将社区结构分析与StructBERT情感分类和基于DeepSeek的方面级情感分析相结合，本文考察了公众对GAI认知的演变，并揭示了技术接受度、风险感知和治理需求在GAI扩散的不同阶段如何共同演化。
章节片段
生成式人工智能的发展现状与社会影响
随着多模态AI生成内容（AIGC）技术的快速演进，文本、图像和视听内容的自动化合成显著提升了信息传播效率和交互体验（Zhang等，2026）。特别是在平台经济和数字营销领域，GAI使内容创作者能够更高效地大规模生产高质量内容（如短视频、产品文案和直播），且成本更低。
概述
为考察GAI相关公共话语的复杂结构和情感内容，本研究将图表示学习与情感分类及关键属性-触发词提取相结合，以检验公众对GAI认知的结构和语义演变（如图1所示）。首先，在数据表示阶段，使用BERT（基于Transformer的双向编码器表示）模型提取深层文本语义，并结合标准化处理。
数据收集与预处理
为捕捉公众对生成式人工智能（GAI）认知和情感的演变，使用Python开发了定向网络爬虫。选取中国主要公共社交媒体平台之一的新浪微博作为数据源。检索词涵盖内容生成、应用场景以及风险和伦理相关问题。采用相对中性的标签#生成式AI内容#作为检索词，该词不预设特定风险或情感倾向。
基准数据集上的模型性能评估
为验证ConGNN模型在节点分类任务中的有效性，本研究选取DeepWalk、node2vec、GAT、GCN和GraphSAGE作为对比方法，其中DeepWalk和node2vec通过随机游走推导节点表示，GCN、GAT和GraphSAGE分别体现图卷积、图注意力机制和邻域聚合。同时使用学术界广泛采用的两个标准引文网络数据集Cora和PubMed进行分类准确率验证和分析（Kipf等）。
GAI舆论生态系统的多维演变
GAI相关的公共话语并非均匀演变；相反，它受到模型能力突破、开源生态系统扩散、平台级应用部署、监管调整以及风险事件暴露等多重因素的共同塑造。因此，在进行综合分析之前，本研究首先梳理了2023年1月至2026年8月期间GAI领域的代表性外部事件（表8），并将其作为解释后续分析的时间锚点。
结论
本研究通过构建语义-拓扑双驱动的多源异构特征社交网络图（ST-Graph）并整合ConGNN无监督表示学习，系统考察了2023年1月至2026年8月新浪微博上GAI相关舆论生态系统的演变特征以及公众认知变化的模式。本研究主要得出以下结论：
CRediT作者贡献声明
吴吉安：撰写——初稿、可视化、验证、方法学。陈红：监督、资金获取。龙如银：监督。
吴吉安|陈红|龙如银
