依賴人工智能獲取準確新聞的後果
麻省理工學院媒體實驗室的一項新研究表明，就像GPS削弱了我們的導航能力一樣，依賴人工智能驗證新聞會導致用户獨自檢測虛假信息的能力下降。研究追蹤了67名參與者四周，發現使用AI時檢測準確率提高21%，但移除AI後，未輔助的準確率下降了15個百分點。研究強調了“AI依賴性悖論”，並建議AI應作為教練而非枴杖，通過蘇格拉底式提問促進主動學習。
近年來，人工智能在信息獲取領域的應用呈爆炸式增長，尤其是像ChatGPT、Claude和Gemini這樣的大型語言模型（LLM）越來越多地被用於新聞驗證和消費。皮尤研究中心報告顯示，五分之一的美國青少年經常使用LLM獲取新聞，四分之一的年輕人至少嘗試過一次。然而，麻省理工學院媒體實驗室的一項新研究給這些用户敲響了警鐘：一個月內，依賴AI系統驗證事實的參與者在聊天機器人被移除後，獨自檢測虛假信息的能力反而下降了。
這項開放獲取研究追蹤了67名參與者，讓他們在四周內評估新聞標題-圖片配對。結果顯示，在有AI聊天機器人輔助時，參與者的虛假新聞檢測準確率提高了21%，這與MIT斯隆管理學院之前的研究一致，表明AI可以有效減少人們對錯誤信息的相信。但當AI不再可用時，參與者在第四周對新新聞的未輔助表現比研究開始前下降了15個百分點。值得注意的是，約四分之一的參與者報告感覺自己進步了，儘管實際表現退步。
這種現象被稱為“AI依賴性悖論”，已在多個知識領域觀察到，例如2025年一項研究發現，使用AI的醫生在無輔助時檢測癌症的能力變差。它反映了數十年來“去技能化”或“認知卸載”的更廣泛技術趨勢，從計算器削弱數學能力到GPS影響方向感。
研究共同第一作者、MIT媒體藝術與科學博士生Anku Rani指出：“用户對這些‘神奇’的LLM感到興奮，但忘記它們只是預測下一個標記的統計模型。許多令人印象深刻的行為源於規模化，但存在真實侷限性。”定性分析識別出不同行為模式，團隊將五分之一的參與者標記為“依賴性開發者”，他們逐漸從主動自我依賴轉向被動接受AI指導。一名參與者在實驗後調查中坦言：“聊天機器人強調要跨多個來源驗證，但沒有教會我如何探索圖片本身的背景。”
研究團隊表示，AI模型在情緒化的突發新聞中尤其容易出錯，例如特朗普遇刺事件和伊朗戰爭期間廣泛傳播的錯誤信息。此外，用於訓練AI模型的原始人為內容越來越不可靠和帶有偏見，進一步加劇了問題。該論文在2026年CHI人機交互會議上發表，由Danry和Rani共同展示，合作者包括助理教授Paul Pu Liang、高級研究科學家Andrew Lippman和資深作者Pattie Maes。
研究人員指出，AI與用户互動的方式決定了其影響是“作為教練還是枴杖”。研究發現，蘇格拉底式提問和“深度探究”等策略雖然可能暫時減緩交互速度，但有助於加強獨立檢測能力。Danry説：“直接提供答案的AI更容易培養依賴，而通過提問引導的AI更能讓人學會獨立辨別真相。這是速度與努力之間的權衡。”
研究存在侷限性，包括僅約50個經過驗證的新聞項的小數據集以及集中於美國和英國的人口統計。未來團隊希望在更具地理多樣性的羣體中重複實驗，包括資源匱乏的社區，並探索其他多模態交互策略，如文化適應的數字孿生。Maes強調：“在學校和學術社區提高對AI作為學習工具缺點的認識尤其重要。如果人們‘委託’思考，就不會在那種特定問題解決上變得更好。”Danry補充説，快速發展的機器學習領域需要持續教育，以確保不將關鍵任務完全外包給這些模型，需要發展一種新的AI素養。