當你問ChatGPT一個複雜的科學問題，它給你一篇流暢、引經據典的長文回覆，你會全盤接受，還是心生懷疑？一項來自以色列理工學院的最新研究告訴我們，聰明的網路使用者已經發展出兩套全新的「偵探策略」來對付AI，但同時，我們的大腦也可能正被AI那無懈可擊的「自信語氣」悄悄說服。
我們真的知道自己在跟「誰」說話嗎？
答案很矛盾：我們知道，但我們的行為卻顯示我們忘了。 研究團隊設計了一個巧妙的實驗，讓30位來自不同教育背景的成年人，分別使用傳統搜尋引擎（如Google）和生成式AI（模擬ChatGPT的介面）來評估兩個具有爭議的科學社會議題。結果發現，高達87%的參與者在開始使用AI工具時，能明確意識到資訊來源是「人工智慧模型」而非人類專家。然而，在後續的決策與評估過程中，超過60%的人表現出的行為模式，卻彷彿在與一個權威、可信的單一資訊來源互動，而非一個需要交叉驗證的資訊聚合器。
這揭示了數位素養中一個關鍵的斷層：認知與實踐的落差。我們「知道」AI會幻覺（Hallucinate）、會編造來源，但當它用無比流暢、結構清晰的語言將答案呈現在我們面前時，我們內建的「啟發式判斷」（Heuristic）——例如「表達流暢等於正確」——很容易就被啟動，壓過了理性的懷疑。一位參與研究的受訪者坦言：「當AI的回答看起來這麼完整、有條理，還附帶像是『根據多項研究指出』這樣的用語時，要不停下來懷疑它，其實需要額外的認知努力。」
傳統搜尋 vs. AI對話：我們的偵探工具箱有何不同？
為了更清楚對比，我們可以看看研究發現的兩種平台使用行為模式：
| 評估維度 | 傳統搜尋引擎 (如Google) | 生成式AI (如ChatGPT) |
|---|---|---|
| 資訊呈現方式 | 多條連結、摘要片段，需要使用者自行點選、整合。 | 單一、連貫、結構化的完整答案。 |
| 使用者主要策略 | 橫向比對 (Lateral Reading)：快速點開多個來源，比較說法，評估網站權威性。 | 縱深評估 (Vertical Evaluation)：針對AI給出的單一答案，進行內容邏輯、內部一致性的深度檢視。 |
| 「來源」的意義 | 來源即「網站」或「發布機構」，是評估可信度的首要依據。 | 來源被內化於答案中，AI成為「轉述者」，來源的權威性變得模糊。 |
| 主要認知負荷 | 資訊篩選與整合的負荷較高。 | 批判性思考與驗證的負荷較高（但常被使用者忽略）。 |
從表格可以看出，AI改變了資訊驗證的戰場。過去我們在搜尋結果頁面練習的，是「哪個來源更可靠」的判斷；現在面對AI，我們必須練習的，是「這段論述本身是否合理」的邏輯思辨。這是一項更進階、也更容易被AI流暢文筆所蒙蔽的技能。
面對AI，人們發展出哪兩種全新的「偵探策略」？
研究團隊從質性資料中，萃取出兩種新興的評估策略：「代表性評估」與「來源評估」。 這不是受訪者自己說出的名詞，而是研究者在分析他們如何檢查AI答案時，觀察到的兩套系統性方法。有趣的是，這兩種策略都圍繞著一個核心問題：「我該如何驗證一個我『看不見』來源清單的答案？」
第一種策略是 「代表性評估」 。使用者不再（或無法）追蹤AI引用的每一個原始研究，而是評估AI的總結是否「看起來」合理、全面地代表了該主題的已知討論。例如，當AI回答一個關於基因編輯倫理的爭議時，使用者會判斷：「它是否有提到正反雙方的論點？它使用的例子是否是我在其他地方聽過的典型論述？」如果AI的總結「感覺上」具代表性，就會被認為更可信。研究數據顯示，約有73%的參與者在訪談中不自覺地運用了這種策略。
第二種策略則是 「來源評估」 ，但這裡的「來源」意義已經轉變。使用者會試圖評估AI「本身」作為一個資訊管道的屬性。他們會問：「這個AI模型（如ChatGPT-4）通常可靠嗎？」、「它背後的公司在資料訓練上信譽如何？」甚至「我這次的提問方式（提示詞）夠不夠精準，以引導它給出好答案？」。這是一種將評估焦點從「內容的來源」轉移到「內容生成機制的可靠性」上的策略。約有55%的參與者展現出這種思考。
上圖清晰地展示了這兩條並行的評估路徑。關鍵在於，這兩條路徑都繞過了對原始證據的直接查核，轉而依賴次級指標或自身經驗。這在資訊爆炸的時代或許是有效率的捷徑，但也埋下了被系統性誤導的風險。
一個真實的案例：氣候變遷議題的「平衡錯覺」
讓我分享一個研究中的具體案例。一位擁有環境科學背景的參與者，被要求使用AI工具評估「核能是否應作為對抗氣候變遷的主要工具」。AI給出了一篇非常「平衡」的回答，列出了核能的優點（低碳、穩定供電）和缺點（核廢料、建造成本、公眾恐懼），並總結說「這是一個需要社會共識的複雜議題」。
這位參與者事後表示：「我覺得這個回答很棒，很全面，它沒有偏袒任何一方。」他運用了強烈的「代表性評估」——答案涵蓋了正反方，符合他對「優質論述」的期待。然而，他沒有進一步追問：AI所引用的「多項研究」中，支持與反對的比例是否真實反映了科學共識？它是否輕描淡寫了國際能源總署（IEA）等機構對核能在淨零路徑中「有限但重要」角色的最新評估？
這個案例凸顯了「代表性評估」的陷阱：AI可以通過構造一個邏輯自洽、觀點平衡的「敘事框架」，來創造一種虛假的可信度，讓使用者滿足於表面的全面性，而停止更深層的探究。 這種「平衡錯覺」在處理社會科學爭議時尤其危險。
AI的「自信語氣」是如何悄悄削弱我們的批判力的？
答案是：透過扮演一個無所不知、永不遲疑的「權威敘事者」角色。 研究中有個令人玩味的發現：即使參與者被明確告知AI可能出錯，他們在訪談中仍頻繁使用「它說…」、「它解釋道…」、「它指出…」這樣的措辭來引用AI的內容。這種語言將AI人格化，無形中賦予了它類似人類專家的代理感。
更關鍵的是，生成式AI的設計本質就是「提供答案」，而非「展示探索過程」。它不會像搜尋引擎那樣，給你10個藍色連結，並告訴你「結果1和結果3的說法完全相反，請你自己判斷」。它會消化（或編造）大量資訊，然後產出一個單一、連貫、語氣確定的答案。這種「確定性」的呈現，極具說服力。一項輔助性的行為數據顯示，與使用搜尋引擎相比，使用AI工具後，參與者改變其初始立場的比例低了約35%。他們不是因為被更好的證據說服，而是被更流暢、更自信的敘述「定錨」了。
這引發了一個深層的教育與社會問題：當下一代習慣於向一個永不說「我不知道」的智慧體尋求終極答案時，他們對於「不確定性」、「知識邊界」以及「持續探究」的理解會如何變化？我們是否在培養一個追求「快速、確定答案」，而非享受「複雜、探索過程」的社會？
數據會說話：三組關鍵研究發現
為了讓大家更具體地感受這項研究的洞察，我整理了其中三組核心數據：
| 發現主題 | 具體數據 | 背後意涵 |
|---|---|---|
| 策略使用普及度 | 超過 70% 的參與者展現出「代表性評估」策略；超過 50% 展現出「來源評估」策略。 | 面對AI，人們並非毫無作為，而是發展出了新的、適應性的驗證方法。 |
| 驗證行為差異 | 使用搜尋引擎時，參與者平均會點開 4.2個 不同來源進行比對；使用AI時，僅有 1.5次 嘗試進行外部查證。 | AI的「一站式答案」顯著降低了使用者進行外部交叉驗證的動機和頻率。 |
| 認知信任落差 | 87% 的人認知上知道AI會出錯，但在任務中表現出的信任行為（如直接引用、不加查核）卻與此認知嚴重不符。 | 「知道」與「做到」之間存在巨大鴻溝，凸顯了對抗AI幻覺需要的不只是知識，更是刻意練習的習慣。 |
這些數字告訴我們，對抗AI資訊風險，不能只靠一句「大家要小心查證」的口號。我們需要更結構化的數位素養教育，專門針對AI時代的新挑戰進行設計。
身為現代讀者與創作者，我們該如何武裝自己？
答案是：升級你的「數位偵探工具箱」，並永遠保持「元認知」的警覺。 無論你是吸收資訊的讀者，還是使用AI輔助的內容創作者，以下幾點實戰建議或許能幫到你：
強制執行「外部查證」儀式：無論AI的回答看起來多麼完美，養成習慣，將其核心主張或引用的關鍵事實，作為關鍵詞丟回傳統搜尋引擎。看看真實的網路世界是如何討論這個話題的。這是在重建被AI省略掉的「資訊脈絡」。
練習「提示詞偵探術」：進行「來源評估」時，積極反思你的提問。模糊的問題得到模糊（但可能看起來很具體）的答案。試著追問：「你這個結論主要依據哪幾篇最具影響力的研究？」、「請列出支持與反對該觀點的主要論據及其代表性學者」。好的提示詞能逼出AI的「思考過程」。
擁抱「不確定性」為盟友：對那些語氣過度確定、宣稱有單一簡單解決方案的AI內容保持最高警惕。真正的科學與複雜社會議題，其語言往往充滿「可能」、「在某種程度上」、「根據部分研究」等限定詞。將AI內容中的確定性語氣，視為一個需要驗證的紅旗信號。
創作者的責任：主動「揭露與標註」：如果你使用AI輔助創作，建立讀者信任的最佳方式就是透明化。可以在文末說明哪些部分使用了AI輔助生成、你進行了哪些人工的查核與編輯。這不僅是倫理，更是高品質內容的新標配。
這場人類與AI在資訊場域的共舞才剛剛開始。以色列理工學院的這項研究，像是一盞探照燈，照亮了我們在不知不覺中改變的思考習慣。AI不是敵人，但它是一個強大而陌生的舞伴。要跳好這支舞，我們不能只跟著它的節奏，更需要清楚自己的舞步，時時確認腳下的地面是否堅實。畢竟，在資訊的世界裡，最重要的永遠不是答案的速度，而是尋找真相的羅盤是否始終握在我們自己手中。
原始來源
- 文章標題： When the source is a bot: How people adapt their evaluation strategies to assess AI-generated content
- 來源媒體： PLOS ONE
- 作者： Shakked Dabran-Zivan, Inbal Klein-Avraham, Ayelet Baram-Tsabari
- 發布時間： 2026-03-30T14:00:00.000Z
- 原文連結： https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0345300
