隨著新聞媒體的黨派傾向日益加劇，跨黨派信任受到侵蝕，大型語言模型（LLM）提供了一種大規模去偏見的潛在手段。然而，這樣的干預是否真正有效？一項由Faisal Feroz和Jonas R. Kunst進行的最新研究透過兩項預先註冊的實驗，系統評估了LLM生成的去偏見新聞標題對保守派讀者信任相關判斷的影響。
在第一項實驗中，研究人員採用了微妙的詞彙去偏見策略，即用更中性的同義詞替換原題中的情緒化詞語。結果令人意外：這種干預對人類讀者完全沒有產生任何效果，但當研究人員使用LLM模擬的“矽基參與者”進行測試時，卻發現同樣的操作顯著改變了模擬讀者的判斷。這一鮮明的對比表明，表面層面的語言調整遠不足以改變真實人類的認知，而LLM卻高估了這種策略的有效性。
第二項實驗則轉向了更實質性的框架重述干預。研究人員讓LLM重新構建新聞標題的敘述框架，以削弱其固有的意識形態色彩。結果顯示，這種干預顯著提高了保守派讀者對自由派新聞的感知可信度、資訊完整性和參與意願，同時沒有在自由派樣本中引發反彈效應。然而，當再次使用矽基參與者模擬時，儘管效果方向與人類一致，但某些指標上的效應量被人為放大了。
進一步的調節分析揭示了更深層的問題：LLM對於“哪些人會回應去偏見”存在一套隱含的理論，但這套理論與實際預測人類反應的心理特徵完全脫節。這意味著，即使模型在某些情況下能夠改善跨黨派接受度，它也缺乏對自身干預效果的準確量化能力，更無法理解干預背後所依據的人類心理機制。
總的來說，這項研究證實了基於LLM的去偏見在針對意識形態框架而非表面語言時可以發揮作用，但它也敲響了警鐘——當前模型在定量準確性和定性心理保真度上都存在嚴重缺陷，無法擺脫人類監督而獨立評估自己的干預效果。未來若要將這種技術應用於實際新聞平臺，必須更加謹慎地設計評估流程，並結合人機協作來確保其可靠性和倫理合規性。