综述：人类检测自然与合成刺激的行为学、主观及生理学方法的范围综述：现状与质量评估

《Computers in Human Behavior Reports》：A scoping review on behavioral, subjective, and physiological approaches towards human detection of natural vs synthetic stimuli: State of the art and quality assessment

　　

近年来，人工智能（AI）的进步以及生成模型可用性的增加，使得跨多种模态的高度逼真合成内容的产生成为可能。这些合成输出日益提高的真实感引发了关于人类检测它们能力的重要问题，在多个层面上对人类的感知提出了新的挑战。解决这一问题需要一种综合方法，不仅关注行为表现，还关注主观体验和生理指标。本综述综合了关于人类检测图像、文本、音频和视频中自然与合成刺激的经验证据，特别考察了行为、主观和生理层面的反应，同时对该领域当前研究工作的整体质量进行了检验。研究人员遵循PRISMA-ScR指南在五个数据库中进行系统检索，共确定97项符合条件的研究。在文献中，大多数研究集中于行为学方法（94.85%），一致揭示检测表现通常接近随机水平，特别是对于高度逼真的视觉刺激。准确性比率与主观信心之间的强烈分离也经常被报道，这些评价受到熟悉度和情境线索的影响。生理证据进一步表明，即使行为准确性未反映这些差异，自然和合成刺激也能产生可区分的注视和神经活动模式。总体而言，文献显示出高度的方法学异质性和在刺激控制及报告实践方面的局限性。这些发现强调了需要综合方法来更好地理解人类检测，并为改善数字环境中的判断策略提供信息。

1. 1.
   引言
   过去十年，基于人工智能（AI）的技术发展呈指数级增长，特别是在内容生成领域。越来越多的AI算法旨在数字化再现文本、图像、音频或视频等媒体，模仿人类制作或自然产生的对象、声音或图像。这本身具有重要影响，并在艺术与作者身份领域以及教育、法律、新闻和数字安全等领域带来重大挑战，在这些领域中，获取真实信息来源对信任和决策至关重要。在此背景下，数字内容可根据其来源分为“自然”和“合成”两类。“自然”指由人类产生或自然发生而无算法中介的内容，例如照片、语音、（人类制作的）艺术创作和书面文本。“合成”指部分或全部由计算模型（如生成对抗网络（GAN）、大语言模型（LLM）和语音克隆系统）生成的内容。这些模型不仅能基于真实世界数据生成新的合成刺激，还能以高精度和真实感复制，从而变得愈发难以与“自然”对应物区分。因此，能够检测这两类刺激之间（潜在的）细微差异成为决策和数码环境感知研究的关键问题。
   迄今为止，计算机科学领域在合成内容检测方面已开展了大量研究和进展，主要通过开发专门训练的AI算法来实现。尽管这些模型的准确率通常在62%至85%之间，但它们严重依赖于训练数据集，对外部来源的刺激表现较差。此外，最近的算法已开发出添加特定改写方法或噪声以绕过自动检测的手段。这种AI检测器对训练数据库的依赖，加上生成模型日益逼真和规避检测的能力，对教育、新闻和网络安全等领域具有重要意义，并导致了AI检测策略开发与持续优化以逃避检测的AI生成模型之间的竞争。
   无论AI检测器成功与否，人类能够检测合成内容并适应这些技术演进的需求在科学和社会层面都具有重要意义。总体而言，报告显示人类区分自然与合成刺激的能力较差，准确率接近随机水平，尽管个体对其评估的主观信心很高。然而，该领域的实证研究仍然有限、不确定，并且以相对分散的方式进行，在研究设计、控制机制和刺激来源方面存在高度异质性，这显著限制了定量方法的应用。
   目前，准确率评级似乎是有关人类检测的文献中的主要焦点。这些纯粹行为学的测量未能完全解释检测任务中存在的困难。同时，一些研究也采用主观体验评估，旨在了解变量，如对自身检测能力的信心，以及与交互合成刺激相关的情绪。总体发现表明，对检测能力的主观信心可能被高估，并且很少与实际准确率相关。主观感知或赋予的价值有时与对人工智能生成内容的先入之见或个人因素（如数字素养或对日常生活中此类刺激的熟悉度）相关联。实际与感知准确率之间的差异不仅是人类感知研究的挑战性课题，也对日常生活和教育环境具有直接影响，在这些环境中识别合成材料变得越来越重要。
   神经影像学研究报道，在处理自然和合成刺激时，神经反应似乎显示出潜在的可测量差异。这些结果表明，两类内容之间可能存在人类以不同方式适应的感知差异。同样，有人提出人类在观察自然和合成图像时注意力会发生变化，这表明将注视信息整合到检测框架中的相关性。综上所述，这似乎强调了一个事实：检测合成刺激包含一种复杂能力，它调动了构成人类感知体验的全部过程，结合了认知、感觉运动和生理领域。
   基于这些新兴证据，并考虑到充分理解与这一现象相关的人类感知不同方面的日益增长的需求，本范围综述旨在全面定性综合考察人类对四种主要媒体类型（图像、文本、音频和视频）中自然与合成刺激检测经验研究。研究人员旨在识别支撑检测能力的感知、认知和具身机制，以及可能对其产生影响的相关因素。将重点关注检查三大类反应的实证研究：行为测量，作为检测表现的直接指标（例如准确率、反应时）；主观测量，捕捉与检测判断相关的体验维度（例如信心、可信度）；生理测量，研究人员倾向于解释为潜在的和告知检测的感觉运动和知觉过程的代表（例如眼动追踪、神经生理学测量）。此外，研究人员试图评估现有研究的整体质量，包括其局限性，以确定未来研究领域，从而加强对此新兴复杂现象的理解。
2. 2.
   方法
   2.1. 文献检索
   本综述遵循系统综述和荟萃分析优先报告条目（PRISMA）指南，使用Tricco等人针对范围综述的扩展（PRISMA-ScR），旨在全面评估该主题文献的现状。遵循综述文章推荐实践，制定了本范围综述的方案。该研究于2025年6月2日在开放科学框架（OSF）上预注册。
   在Web of Science、Scopus、ProQuest、PubMed和EBSCOhost数据库中进行了系统检索，基于文章的标题和摘要。对于超过2000条结果的检索，为避免与不相关学科重叠术语，在可能的情况下按“心理学”、“社会科学”、“计算机科学”、“神经科学”和“多学科科学”进行类别筛选。
   主要检索于2025年5月6日进行。出于复制目的，每个数据库中使用的特定检索字符串可在补充表S1中找到。重复文献的检测首先基于文章的数字对象标识符（DOI），然后基于标题的近似字符串匹配，最后通过手动检查确保无重复。
   为确保纳入最大量的相关文献，研究人员进行了补充基本检索，以查找可能由于措辞更具体而被遗漏的相关和潜在符合条件的文献。该补充检索基于对相关文献参考文献的检查以及首次检索中包含术语的不同组合。这些文献也经过了研究选择过程以确保合格。
   2.2. 合格标准与数据提取
   接下来，对所有通过文献检索获得的记录使用以下纳入标准进行评估：a）文献涉及自然与合成刺激的检测或它们之间的区分；b）文献具有科学性（例如同行评审研究、预印本、会议论文）；c）文献以英语、西班牙语或荷兰语撰写。
   随后，仔细检查剩余文献，若存在至少一项以下排除标准则排除：a）文献仅检查非人类检测策略；b）文献无信息且与本综述主题无关；c）文献为理论论文或综述；d）文献为其他类型文件（例如会议摘要、海报展示、致编辑的信）。
   在应用纳入和排除标准后，数据提取过程由两名独立评审员执行，他们记录了相关细节，如样本特征（大小、类型、性别分布、年龄）、用于自然-合成检测的方法以及获得的总体发现和结论。
   2.3. 质量评估
   为评估每篇纳入文献的方法学严谨性，研究人员使用了来自美国国立卫生研究院（NIH）（2021）和批判性评估技能计划（CASP）（2023）的工具和清单，这些工具提供了一套旨在评估不同类型研究质量的仪器，包括观察性、横断面、实验和定性研究等。
3. 3.
   结果
   3.1. 研究选择
   通过在五个数据库中的主要检索，共识别出7534条记录。删除了2675条重复文献。然后，通过补充检索（即手工检索参考文献列表、引文追踪和相关灰色文献）添加了78项潜在符合条件的研究。经过纳入和排除标准筛选，共有97项独立研究被认为符合纳入分析的条件。详细说明研究选择过程的流程图见图1。本综述的PRISMA-ScR清单见补充表S2。
   3.2. 质量评估
   在检查所有纳入的研究后，使用了来自美国国立卫生研究院（2021）的三个质量评估工具和来自批判性评估技能计划（2023）的一个工具进行评估：对照干预研究质量评估工具（k=30）、无对照组前后研究质量评估工具（k=46）、观察性队列和横断面研究质量评估工具（k=19），以及CASP定性研究检查清单（k=2）。这些评估的细节和所使用的标准分别在补充表S3–S6中呈现。
   总体而言，研究方法学质量各异，但大多数被评为“良好”（k=59）或“一般”（k=35），是该新兴研究领域的相关贡献，主要问题是信息未报告或未考虑，特别是在评估潜在控制变量的效应时。这是相关的，因为大多数研究进行了某种实验方法或范式，无论是否使用对照组或条件。此外，这些研究使用的刺激选择并不总是遵循严格的标准或未明确说明，因此大多数情况下很难保证研究结果和评估条件的可重复性。
   3.3. 基于人类检测的现状证据
   对全部97项独立研究进行了详细检查，以综合当前关于人类检测自然与合成刺激的文献状态。表1总结了每项纳入的研究。接下来，呈现了三种主要方法（行为学、主观、生理学）中每一种的发现综合。
   值得注意的是，从2020年开始（k=7），解决该主题的论文数量有了重要增长，吸引了研究人员在未来几年的极大兴趣，到2024年增长了585.71%（k=41）。这与首批公开可用的AI生成模型（如ChatGPT、StyleGAN或DALL-E）的发布相吻合。
   3.3.1. 行为学方法
   检查行为反应的研究在该领域非常普遍，高达94.85%的文献涉及此类测量（k=92）。在这方面，行为反应（如准确率、错误率和反应时）是最常报告的，主要关注参与者的正确分类自然和合成刺激的能力。除此之外，一些研究还检查了误分类率作为测量合成刺激被错误归类为自然等的指标。该领域的结果一致表明，参与者经常难以检测由GAN生成的合成人脸，同时在将其与自然刺激区分开来时也遇到问题，即使在不同分辨率下也是如此。在此背景下，“AI超现实”概念被用来描述合成人脸比自然人脸更常被判断为真实的现象。
   对于涉及非人类表征的图像，准确率仅略高于随机水平。参与者能够正确分类约60%的合成场景和物体，但当合成物体和图像与人一起呈现时，误分类率很高。一些使用由不同生成模型产生的自然和合成人物、艺术品或风景描绘的更广泛集合的研究报告了比主要关注合成场景和物体的研究更高的检测准确率。然而，人类表现仍低于AI检测器。艺术风格也不是检测的良好线索，参与者在检测AI生成的绘画并将其与著名画家的真实作品区分开来时表现出低表现。在带有和不带参考图像的任务中，表现仍然一般，同时显示出高度的假阳性。这一趋势也在更专业的领域观察到，视网膜专家和核心脏病专家在检测自然与合成心肌灌注图像时接近随机水平。同样，专家医生也无法可靠地区分合成正电子发射断层扫描（PET）图像，准确率接近50%。
   关于AI生成视频的研究显示了混合结果，天真的观察者能够根据任务难度、刺激质量和上下文检测约70%的自然视听内容，尽管对高质量合成视频的检测通常接近随机，总体表现水平在50%至60%之间。文献一致表明，人类检测能力有限，并且通常偏向于假设视频是真实的，即使被告知存在生产合成视频的技术。在政治和科学背景下，检测准确率一般，相当比例的参与者错误分类合成刺激，老年人和教育工作者通常表现出比学生更低的检测表现。听觉刺激的结果似乎相似，参与者往往认为自然声音更可爱和智能，但他们实际检测合成声音的能力仅为中等。在仅呈现一个刺激的条件下，人类检测准确率通常在60%至70%之间（通常与AI检测器相似），在强制选择实验中有所提高，听众选择两个刺激中哪一个是合成的。在这方面，有趣的是，母语者比非母语者更能检测某种语言的合成语音，盲人在检测合成声音方面表现优于视力正常者。
   关于文本，迄今为止进行的研究表明，人类参与者不擅长检测由大语言模型（LLM）生成的内容，特别是新闻和科学写作的例子表明，区分人类与合成写作的准确率在大多数情况下接近随机水平。然而，存在例外情况，报道了对这类文本的显著更高检测率。也就是说，在新闻、散文、科学摘要或患者评论等文件中，存在很高的误分类率，即使是在教授、医学专家或编辑助理等专家中，总体准确率也在40%至65%左右。尽管如此，少数研究报告了在检测特定人类撰写的文件时准确率相对较高。对于其他类型的反应，如反应时，由于发现的有限性和变异性，很难建立一致的模式。一般而言，较长的反应时与较大的年龄相关，在判断刺激来源时较长的思考时间与准确率提高有微弱关联。
   总体而言，在行为指标的文献中，几个因素似乎与检测表现相关。首先，刺激的真实感和生成模型的复杂程度是最一致的影响因素，其中更先进的模型似乎能够产生比旧算法更难检测的刺激。任务设计也很重要，强制选择范式（参与者需要区分两个刺激）通常比单刺激设计产生更高的准确率。与此同时，专业知识、先前对AI生成内容的熟悉度或训练等因素往往在一定程度上提高了表现，尽管这些效应通常不大且迄今并不一致。另一方面，背景信息和熟悉度等情境因素可以进一步塑造检测结果。
   3.3.2. 主观方法
   共有46项研究（47.42%）包含了用于检测自然和合成刺激的某种类型的主观反应。这些测量提供了关于参与者如何感知和评价合成媒体的重要信息。最常见的主观反应是信心评级，一致揭示了检测合成刺激能力的感知与实际能力之间的不一致。参与者普遍倾向于报告高水平的信心，而检测表现却接近随机水平。类似地，报告了过度自信偏差，人类倾向于采用一种现实主义启发式，导致他们系统性地将刺激错误分类为自然的。
   可信度和可靠性也进行了评估，结果不一。在政治背景下，接触合成视频增加了不确定性，同时降低了对社交媒体和新闻的信任度。与此同时，政治兴趣和解析性思维与对来源的较低可信度相关，但也与检测显示合成内容的消息时有较高的准确率。然而，在其他背景下，参与者在判断自然和合成刺激的可信度时通常没有表现出差异。另一方面，其他研究报告参与者认为自然产生的文本在语气和内涵上更“情感化”，经常将其作为检测线索，而结果显示合成论文被认为具有更好的组成和更具说服力，这反过来也被用作学术背景下的检测线索。
   其他主观反应，如对文本质量和连贯性的感知，一致地将合成文本评为较差，然而通常是由于风格而非真实性相关的原因。然而，这些发现似乎与La-Rosa和Sandoval-Martín（2024）的研究不同，他们报告称，当作者身份披露时，合成新闻文章比人类撰写的文章被评为更可信且偏见更少，从而表明在某些条件下，声明来源信息可能产生的影响会逆转有利于AI生成文本的可信度偏差。关于其他类型变量的情感和社交评估结果也很有趣，合成人声被认为不那么可爱和不自然，但合成人脸被认为比真实人脸更值得信赖。训练条件显示出提高准确率的良好效果，但这伴随着主观变量的减少，如信任AI降低、焦虑增加和自我效能降低。
   总体而言，主观反应似乎受到超出刺激实际来源的因素的影响，包括对AI相关主题的先验态度、对合成内容的熟悉度以及关于刺激作者身份信息的可用性，后者在改变可信度判断方面显示出实质性影响。内容类型也影响了主观评价，声音和人类表征在可信度和可爱性判断中引起了对比模式。
   3.3.3. 生理学方法
   与行为和主观方法相比，检查生理适应的研究数量迄今相对有限，仅有八项（8.25%）。然而，它们为合成刺激检测的动力学提供了相关见解。这些方法迄今可与两种测量策略相关：眼动追踪相关变量（如眼球运动或注视）和神经生理学测量。关于眼动追踪测量的研究表明，扫描路径长度、注视熵或注视次数等变量在自然和合成刺激之间存在显著差异，合成内容往往产生更受限的注视模式和较少的视觉探索，而自然刺激则显示出更广泛的探索性注视行为。这些模式可能表明，即使观察者不知道刺激的来源，他们在观看合成刺激时也倾向于将注意力集中在特定区域，暗示潜在的隐含检测能力。值得注意的是，Huang等人（2024）发现，当参与者明确意识到检测任务时，注视持续时间在自然和合成刺激中同样高，这表明仅靠怀疑驱动的视觉努力增加并不一定转化为更高的准确率。这些发现表明，虽然行为或主观反应本身可能不可靠，但眼动模式可以提供相关信息，并可能捕捉到可能特定于合成刺激的微妙感知困难和适应策略。
   另一方面，神经测量结果为检测任务中差异化的神经敏感性提供了证据，即使这种差异并不总是转化为外显的行为表现。合成刺激已显示出产生差异的神经相关物，如改变的潜伏期和错误相关负波，反映了特定的感知和认知处理。另一方面，自然刺激（特别是人脸）似乎与右半球更大范围的激活相关，与合成刺激相比具有更快的处理动态。不同研究之间的另一个有趣的发现是神经活动与检测任务准确率之间缺乏关联，表明意识判断与潜在检测机制之间存在脱节。
   总体而言，生理反应似乎受到刺激真实程度和检测任务呈现明确程度的影响，注视模式和神经活动都对自然和合成刺激表现出差异敏感性。在这种背景下，内容和文化的熟悉度也成为相关因素，其中情绪表达和语言或种族熟悉度似乎有助于塑造神经和基于注视的反应。
4. 4.
   讨论
   本综述旨在全面综合关于使用行为学、主观和生理学方法检测不同种类的自然和合成刺激的现有文献。总体而言，研究人员的发现表明，人类经常难以可靠地区分这些内容，在许多情况下准确率接近随机水平，无论他们对自身检测能力和判断的主观信心水平如何。与此同时，迄今的结果表明，自然和合成刺激引起不同的行为和生理适应，这为判断与潜在感知组织之间的关系提供了证据。由此，人类检测合成内容能力的研究似乎是一个复杂的多层现象，不仅受任务和情境需求的影响，还受认知偏差和感知敏感性的影响。
   首先，研究人员发现行为测量（如准确率和错误率或反应时）在文献中最普遍，也一致表明人类检测能力有限。在不同模态和任务中，参与者在对刺激进行分类为自然或合成时经常接近随机水平，有时甚至低于50%。这可能表明是系统性错误感知而非单纯的不确定性，这在显示高度逼真人脸的研究中尤为明显，这些人脸通常被判断为比自然刺激更真实。这种“AI超现实”现象可能表明，AI生成模型能够利用从自然刺激中出现的感知规律或倾向，产生可能为欺骗人类感知线索而优化的输出。
   除此之外，检测表现似乎受到多种外部和内部因素的影响，如刺激质量、时间限制、熟悉度、主观判断或情境信息等。然而，与训练或反馈条件相关的改进通常相对较小且通常不一致，表明目前用于检测的线索可能不稳定或难以定义。研究检测到，除非发现明显异常，否则参与者通常偏向于假定真实性，因此符合“所见即所得”的启发式。这些发现表明，在检测任务中对自然刺激正确分类的整体敏感性可能较低。从这个意义上说，研究人员认为未来研究的目标之一应旨在确定不确定性水平如何在需要自然和合成刺激分类的任务中发挥作用。
   文献还报道，行为反应的表现因刺激类型而异，人类表征通常最难准确检测。到目前为止，这可能源于两个因素的结合：首先，AI生成模型不断训练以尽可能准确地模仿典型人类特征；其次，由于人类对此类刺激的熟悉度非常高，他们可能在第一次浏览时忽略许多特征和检测线索，这可以解释较高的错误率。文本刺激的准确性表现出更高的变异性，反映了对风格相关特征或语义连贯性的潜在依赖。另一方面，合成音频的检测似乎高度依赖于清晰度和副语言特征，有证据表明合成语音仅在特定条件下才能可靠检测，例如较短或结构复杂的片段，或存在发声线索（例如呼吸、停顿、语调变化）。
   主观测量（如信心或情绪反应）为基于人类检测的评价增加了额外的信息和复杂性。在这方面观察到的主要稳健发现之一是检测能力的信心与实际行为准确性之间的脱节。参与者经常对不正确的评价表达中等至高信心，表明在检测或分类任务中元认知校准较差或减弱。研究这种过度自信至关重要，因为它可能通过减少寻求额外信息或从外部来源验证的动机来增加易受欺骗性。参与者的判断不仅基于信心，还基于先前的信念、对AI技术的态度、对合成内容的熟悉度以及人口统计因素。研究迄今表明，感知的可信度或可爱度可能正在影响检测任务中的决策，而不管刺激的实际来源如何。
   同样，熟悉度、感知连贯性或真实感等变量通常被参与者报告为所采用的检测线索，尽管结果表明这些通常不可靠且主要基于社会认知启发式。在某些情况下，帮助参与者识别合成刺激的类似线索也导致了假阳性，表明直觉在此背景下可能是一把双刃剑，并非始终可靠。这一证据表明，人类区分自然与合成刺激的能力不仅由感知单独决定，还受到环境中可用信息的质量以及做出判断的社会背景的塑造。这与感知和行为的能动和具身方法一致，强调感知判断不仅仅来自专门的认知过程，而是来自个体与其环境之间的主动和动态互动。在这个框架下，合成刺激可能误导观察者正是因为它们携带的表面信息密切模仿自然内容，但缺乏其特征的全部信息属性。因此，观察者对这些表面线索作出反应，就好像它们是真实性的可靠指标，从而导致系统性误分类。这一观点解释了为什么针对高级认知过程（如分析思维或数字素养）的干预不能一致地转化为检测表现的改善，因为任务的难度不在于人们知道什么，而在于环境提供的感知信息的性质。
   尽管不太常见，检查生理变量的研究已经能够提供关于检测任务中潜在相关注视模式和神经相关物的有趣见解。眼动追踪和脑电图等神经测量显示了对自然和合成刺激的差异反应，即使这在行为水平上没有直接观察到。这些发现表明，对合成刺激的敏感性具有特定的潜在动态，人类能够捕捉到微妙的感知不一致或与自然模式的轻微偏差，这些无法转化为意识反应或行为。然而，这些并未反映在注册的行为反应中。
   虽然感知组织和外显行为之间的这种脱节是一个有趣的发现，但它也与先前关于感知和认知的研究一致，包括情绪识别、面孔处理和不确定性背景下的判断。总体而言，关于合成刺激，这样的发现表明检测困难不一定与缺乏对其的感知敏感性相关，而是 ongoing 感知适应与外显决策需求之间的对应关系有限。考虑到这一点，一些作者提出了人类检测自然与合成刺激的多维解释，其中检测作为离散内部加工水平的产物出现，范围从自动低级感知分析到高级认知评价和明确判断。在这些视角下，生理敏感性和外显行为表现之间的分离可能反映了早期感知信号未能充分发展为意识决策的失败。然而，这些方法在解释检测的情境和关系性质方面存在重要局限性，这从跨任务、背景和刺激类型报告的变异性中可以看出。由此，文献中的发现也可以通过生态和动态视角来理解，其中检测能力从感知者、刺激和背景之间的持续关系中涌现。在这个框架内，表现可能取决于相关信息的可用性、个体对其的适应以及任务本身施加的限制。这种观点有助于解释当前研究中观察到的不一致，其中低水平的行为准确性、高主观信心和启发式依赖可以代表个体-任务-环境系统在特定条件下组织的不同方式。因此，检测的提高可能不仅需要训练，还需要支持对相关信息的适应及其表达为明确判断的条件或环境。
   当前研究的局限性既来自本研究的方法，也来自文献本身。首先，作为一项范围综述，分析强调广泛的定性综合而非定量整合，没有关注这些不同领域和方法的总体检测表现的正式估计。此外，这个新兴研究领域的特点是高度的方法学异质性，特别是在所用刺激、生成模型和技术的变异性、检测任务的方法学设计、结果测量和报告实践方面。因此，研究之间的直接可比性在许多方面受到限制。值得注意的是，研究的方法学质量虽然在“良好”到“一般”范围内，但在整个文献中并不统一。质量评估显示，相当数量的研究未报告或未充分考虑潜在控制变量的效应，并且刺激选择的标准通常不明确。这可能限制研究结果的适当复制和泛化，因此对调节检测表现的潜在因素的得出结论需要更多研究，并且仍应谨慎解释。与此同时，许多实验范式是在受控或简化的实验室环境中进行的，可能无法反映日常生活中与合成内容的真实互动，在日常生活里情境信息和验证机会可能是可用的。
   此外，专注于行为变量作为主要变量的高密度研究本身就对解释提出了挑战，因为仅凭准确率无法提供关于感知敏感性、不确定性或元认知过程的足够洞察。虽然一些研究确实结合了主观或生理变量的更复杂方法，但它们相对较少且通常基于较小的样本。同样，当前发现的普遍性可能有限，因为大量研究使用来自西方人群便利样本，这也可能影响对合成内容的可及性、熟悉度和易感性。最后，值得注意的是，基于AI的技术的快速发展和演进本身可能会限制未来研究的代表性，即使使用类似的样本。这些局限性表明，在该领域建立框架以及更标准化和生态有效的方法学和实验范式仍然存在重要需求。
   总体而言，关于人类检测自然刺激与合成刺激的现状研究和证据表明，跨媒体类型存在差异，突出了信息内容和任务需求的作用。视觉刺激的检测似乎特别容易出现误分类，特别是当熟悉度和感知真实感影响判断时。对于文本刺激，检测相对依赖于连贯性和合理性的评估。音频检测依赖于可爱性和清晰度，而视频似乎结合了必须同时评估的视觉、听觉和情境线索，可能增加认知负荷和不确定性水平。跨模态而言，人们经常在明确区分自然与合成内容时遇到困难，而主观判断和生理指标表明了额外的不确定性、适应和差异性反应层。
   总之，文献研究结果表明，合成刺激的检测不是一种可以通过准确率单独理解的固定能力，而是一个由个体、其可用信息和环境需求之间关系塑造的依赖于背景的过程。展望未来，未来的研究工作应致力于能够同时检查行为、主观和生理测量的综合设计，以帮助确定这些判断如何实时涌现。更全面地理解个体及其对信息环境的适应如何塑造检测表现，对于制定有效策略以支持数字环境中的人类判断和信任至关重要。