生成式人工智能正在从根本上改变文本的可信度生态。过去，读者常以行文是否流畅、措辞是否专业来判断一段内容的真实性，但在大语言模型能够以极低代价生成流利、连贯文本的今天，这条经验法则已经开始失效。针对这一现象，Qing Zhang 等五位研究者在一篇提交至 arXiv 的论文中提出了“流利性陷阱”的概念：一方面，用户很容易轻信那些听起来头头是道、但实际上属于幻觉的内容；另一方面，一旦某段原本准确的内容被打上“由 AI 制作”的标签，用户又会倾向于低估其可信度。这种双向的认知偏差使得内容的传播与判断变得异常困难。
现有平台普遍采用“Made with AI”这样的二元标签来回应上述挑战，但论文指出，这类标签只是披露了内容的作者身份，并没有回答一个更根本的问题：这段话所声称的事实，到底有没有证据支持？为此，作者提出了一种新的透明机制——“来源密度”（Provenance Density）。它不再给出一句话式的定性说明，而是借助证据可视化界面，把文本中经过核实的断言在整体文本中的密度呈现给用户，让用户在阅读时能够直观地感受到某个文本的可核实程度高低，从而据此决定是否信任。
为了验证这种可视化手段的实际效果，研究者招募了 81 名参与者进行用户实验。实验结果显示，当参与者使用理想化的来源密度界面时，他们在真实内容与捏造内容之间的辨别力差距显著扩大，分数差达到 4.15 分，效应量 d=1.82；相比之下，那些完全没有获得任何信号提示的对照组参与者，则几乎没有表现出区分真伪的能力。也就是说，来源密度并不是一种理论上有效的装饰性设计，而是能够切实改善用户判断力的工具。
不过，研究并未止步于理想化界面的效果验证。在对 200 个样本进行的技术审计中，团队发现只依靠检索到的来源密度并不足以可靠地区分真实与伪造信息；出人意料的转折点是，动态查询场景里“一致性否决”（Consistency Veto）机制承载了大部分的判别信号。这意味着，来自外部知识源的一致程度比单纯的密度数值更能揭示可疑内容，任何试图把来源密度直接产品化的方案，都必须把这一点纳入考虑。
这篇论文已于 2026 年 9 月 3 日提交至 arXiv，编号为 arXiv:2609.03460，收录于人工智能（cs.AI）方向。作者在结论中强调，随着 AI 生成内容与人类写作的边界日益模糊，有效的透明机制不能停留在说是“谁写的”，而应转向展示“凭什么相信”。以证据可视化取代简单的作者身份披露，可能是缓解 AI 内容信任危机的重要路径。