利用大语言模型对抗气候错误信息：来自ChatGPT的证据

《PLOS Climate》：Countering climate misinformation with large language models: Evidence from ChatGPT

　　

公众对气候行动的支持取决于信息环境的完整性。在一项在线实验中，美国成年人使用ChatGPT评估气候相关主张。研究人员首先通过计算文本分析处理GPT对话日志，借助基于语言模型的分类器与链接级元数据，评估ChatGPT回复的效价(valence)、正式性(formality)、偏见(bias)、时效性(recency)、权威线索(authority cues)与语义丰富度(semantic richness)。同时，研究人员通过参与者自我报告测量其对主张及ChatGPT回复的可信度判断。可信度感知主要由个体差异驱动；对科学共识的更高接受度、对气候变化的关注度、先前对ChatGPT的熟悉度以及较年轻年龄预测了更高的感知可信度。在控制这些因素后，权威线索与略微不极端的气候态度相关，而正向效价与语义丰富度与感知可信度呈正相关。这些结果支持以透明、无偏、受众定制化的参与作为强化负责任气候传播并缩小科学共识与公众理解差距的路径。

研究背景方面，公众参与气候减缓与适应不仅依赖证据与政策，更受信息环境完整性的影响。气候错误信息(misinformation，无意欺骗的虚假或误导内容)与气候虚假信息(disinformation，蓄意欺骗内容)在社交平台广泛传播，常宣称全球变暖属自然现象、模型不可靠、科学家无共识或治理成本过高，从而侵蚀信任、加剧极化并削弱行动支持。传统事实核查在速度、规模与个性化上难以匹敌数字平台，而大语言模型(LLM)的兴起为实时验证提供新路径。以ChatGPT为代表的对话式AI可在接触误导内容即时给出及时、显著且可扩展的修正，但亦存在幻觉、偏见继承、提示敏感与过度自信等风险。在此背景下，研究人员依托精细加工可能性模型(ELM)与Shin的FATE框架（公平性fairness、问责性accountability、透明性transparency、可解释性explainability），探究LLM生成回复特征如何影响可信度判断与气候支持态度，研究发表于《PLOS Climate》。

关键技术方法上，研究人员于2025年4月通过PureSpectrum招募810名美国成年人，排除未完成ChatGPT交互的20人后保留790人，随机分配四条广泛流传的虚假气候主张之一（如“寒潮否定气候变化”），要求被试至少与ChatGPT交互3至10轮以核实主张真伪。研究人员记录对话日志，采用RoBERTa-base估计效价，DistilBERT二分类检测偏见，Semrush获取域名权威值，Google检索出版日期判定时效性，DeBERTa-large估计正式性，朴素香农熵计算语义丰富度；因变量包括主张感知可信度（2题5点量表）、ChatGPT回复感知可信度（5题5点量表）与气候态度（3题6点量表）；控制变量含年龄、气候立场、气候关注与ChatGPT前置知晓度，并以多元线性回归建模。

研究结果部分，首先为“ChatGPT回复的感知可信度”：回归显示年龄负向预测(β=-.07)，气候关注(β=.19)、气候共识立场(β=.30)与ChatGPT熟悉度(β=.15)正向预测；回复特征中偏见负向(β=-.09)、正向效价(β=.16)与语义丰富度(β=.15)正向影响可信度。其次为“气候错误信息的感知可信度”：年龄仍为负向(β=-.14)，气候关注(β=.18)、共识接受(β=.08)与熟悉度(β=.09)为正向；回复的正向效价(β=.22)与语义丰富度(β=.15)亦提升对错误信息本身的可信度评分。再次为“对气候变化的態度”：气候立场(β=.67)与关注(β=.24)主导预测，年龄微负(β=-.05)；回复权威线索呈现小幅但显著的负向关联(β=-.08)，即引用更高权威源与略不极端的亲气候态度相关。

讨论与结论翻译部分，研究人员指出，LLM回复的效价、语义丰富度等属性可塑可信度评价，正向效价与高语义丰富度作为通用信任启发式同时提升对AI修正与错误信息的可信度感知；偏见降低ChatGPT回复可信度但不显著作用于独立错误主张评价，可能与动机性推理有关。正向效价传达效能感却具双刃性，丰富语义可制造“解释深度错觉”放大伪科学呈现。权威线索的负向态度关联契合心理抗拒理论，过于断言的权威语气引发自主感威胁。受众既有取向（年龄、共识接受、AI熟悉度）比文本特征更能预测可信度，其中熟悉ChatGPT产生“溢出信任”使人对正误主张皆抬升信任。局限含非概率抽样、特征变异受限、LM编码误差与未建模交互深度。研究人员建议LLM气候传播坚持accuracy-first设计：审慎使用正向语言、明文沟通不确定性（置信水平、假设、局限）、仅当细节可追溯至IPCC等评估合成时方输出丰富语义，明示争议边界与共识范畴，并以透明、问责、受众分层与定制化参与弥合科学共识与公众理解之差距。

总体而言，该研究以计算文本分析耦合实验心理学测量，揭示ChatGPT等LLM在气候错误信息校正中的启发式机制与双重用途风险，为负责任AI介导气候传播提供基于FATE与ELM的设计原则与实证支点。