该信赖机器还是人类？AIGC可信度评估的动态神经认知模型

《Acta Psychologica》：Trust the machine or the human? A dynamic neuro-cognitive model of AIGC credibility assessment

　　

Jing Liu|Man Sun|Tianqi Xu

摘要

随着人工智能生成内容在数字教育中的日益普及，了解学生如何评估这类内容的可信度变得尤为重要。为探究大学生对人工智能生成内容可信度的评价，本研究运用预测编码理论和双过程理论，构建了“人工智能生成内容可信度评估动态神经认知模型”，并为其提供了初步的实证支持。研究采用2（信息来源：人工智能 vs. 人类）×2（内容类型：观点型 vs. 事实型）的被试内设计，通过结合行为测量与事件相关电位数据，分析了学生在阅读不同来源、不同类型文本时的行为表现及认知神经特征。行为实验结果显示，与人类生成的内容相比，人工智能生成的内容会获得更低的可信度评分，且反应时间更长，这反映出人们对算法的抵触情绪以及更高的认知警觉性。而观点型内容则比事实型内容获得更高的可信度评分，反应时间也更短。在神经层面，无论是人工智能生成的内容还是观点型内容，都会引发更大的N400波和晚期正电位波幅，这说明在早期阶段存在更大的语义预测误差，而在后期阶段则会出现更强烈的情感投入和更有动机的推理过程。这些发现表明，认知信任与情感信任共同构成了人机信任。本研究为理解人机信任提供了基于事件相关电位的初步神经学证据，对于未来优化人工智能生成内容的设计、增强公众对这类信息的信任具有重要的启示意义。