追問daily | 慣用手是練出來的，而非天生的；

█ 腦科學動態

Nature：靶向激活特定腦細胞改善小鼠亨廷頓病運動障礙

慣用手是練出來的而非天生

大腦語言網絡版圖擴張，發現17個此前未知的語言反應腦區

音樂治療25分鐘實現生理共振

丘腦枕精細網絡圖譜為難治性癲癇個體化治療提供新靶點

揭示應激腦回路阻礙恐懼消退機制

早期視覺皮層深度參與大腦決策

蝸牛看世界是慢動作嗎？評估動物時間景觀新框架

█ AI驅動科學

Nature：深度學習發現預測心源性猝死的新型心電圖生物標志物

全新Transformer模型BehaVERT自主解碼動物行為語義

長期與大模型互動或削弱人類心理韌性

元認知反饋強化學習顯著提升大模型誠實度

3D打印定制個性化假肢：磁傳感器與專屬AI實時解碼19種手勢

AI復活親人體驗如何？情感共鳴比事實準確更重要

AI模仿政治辯論被評比真人更具真實感與說服力

大型語言模型精準解讀口頭報告，揭示人類風險決策背后的動態機制

腦科學動態

Nature：靶向激活特定腦細胞改善小鼠亨廷頓病運動障礙

針對亨廷頓病如何破壞腦回路，Sonja Blumenstock、Irina Dudanova和Takaki Komiyama（加州大學圣地亞哥分校等機構）合作研究發現，糾正特定腦回路的活動失衡可以恢復運動功能，顯示出精準靶向特定細胞促進康復的潛力。

? 患有亨廷頓病的小鼠大腦中不同類型神經元的活動失衡。圖中展示了行為記錄過程中抑制性（左）血管活性腸肽（VIP）神經元和興奮性（右）神經元的活動示例視野。每種類型中選定神經元的活動軌跡顯示在圖像上方。Credit: Sonja Blumenstock, Komiyama Lab, UC San Diego

研究人員訓練患有亨廷頓病的轉基因小鼠進行旋轉梯步行任務。利用雙光子鈣成像，研究人員縱向追蹤了運動皮層中不同細胞在疾病進展中的變化。結果發現，不同神經元的活動嚴重失衡：負責傳遞運動指令的皮質紋狀體神經元以及血管活性腸肽神經元活性顯著降低；而另外兩類抑制性神經元則過度活躍。為了扭轉這種失衡，研究人員采用光遺傳學選擇性刺激小鼠的VIP神經元。結果顯示，激活VIP神經元不僅使CStr神經元的活性恢復正常，還顯著改善了小鼠的步態規律性并減少了后肢拖地時間。值得注意的是，這種運動能力的改善在光刺激結束后仍持續了數天，表明干預觸發了腦回路持久的有益重塑。研究發表在 Nature 上。

#疾病與健康 #神經機制與腦功能解析 #亨廷頓病 #光遺傳學 #腦回路

閱讀更多：

Blumenstock, Sonja, et al. “Restoring Cortical Disinhibition Improves Huntington’s Disease Phenotypes.” Nature, July 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-026-10671-9

慣用手是練出來的而非天生

慣用手是否天生更擅長運動控制？Ahmet Arac、Nicolas Y. H. Jeong Lee（加州大學洛杉磯分校）和 John W. Krakauer（約翰·霍普金斯大學）通過一系列對比實驗發現，雙手的技能差距并非與生俱來，而是終生練習和使用工具的不對稱產物。

研究人員首先利用無標記3D運動捕捉技術，比較了受試者雙臂在普通伸手、手腕負重和前臂固定輕質竹棍伸手時的運動表現。結果顯示，在前兩項任務中雙臂并無明顯差異，這推翻了大腦優勢半球天生擅長控制肢體動力學的傳統假說。只有在涉及模擬工具使用的竹棍任務中，非慣用臂才顯現出控制復雜軌跡的困難。為了進一步驗證，研究人員讓受試者改用全新的效應器——肘部來綁筆書寫。結果表明，在沒有練習歷史的肘部書寫任務中，慣用側的優勢徹底消失。在接受同等練習后，雙肘的書寫精度對稱提升，且均優于未經訓練的非慣用手。這表明，慣用手優勢本質上是特定工具和物體練習效果的累積，而非普遍的神經動力學優勢。研究發表在 PNAS 上。

#認知科學 #神經機制與腦功能解析 #運動控制 #慣用手 #工具使用

閱讀更多：

Arac, Ahmet, et al. “Arm Dominance Is an Emergent Effect of Practice Executing Complex Trajectory Shapes Required by Tools and Objects.” Proceedings of the National Academy of Sciences, vol. 123, no. 27, July 2026, p. e2601569123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2601569123

大腦語言網絡版圖擴張，發現17個此前未知的語言反應腦區

語言處理是否僅局限于大腦的傳統區域？Agata Wolna與Evelina Fedorenko團隊（麻省理工學院）通過對大量腦成像數據的系統分析，成功發現了17個此前未被重視的語言反應腦區，繪制出更完整的語言網絡版圖。

研究團隊分析了772名受試者的功能磁共振成像（fMRI）數據。在測試中，受試者需要閱讀或聆聽真實句子以及無意義的詞語序列。研究人員通過語言定位器對比兩種條件下的腦部活動，成功識別出17個新的語言相關腦區。這些區域分布于小腦、海馬體、杏仁核及內側額葉皮層等，占大腦灰質總體積的不到5%，大小約相當于一顆大草莓。研究人員還結合了其中490名受試者的空間工作記憶任務數據，發現多數新區域具有高度的語言選擇性，不響應非語言認知任務；但小腦中的3個區域展現出多任務響應特征，可能負責整合多重需求系統（multiple demand system，處理非語言通用認知任務的大腦網絡）的信息。研究發表在 Journal of Neuroscience 上。

#認知科學 #神經機制與腦功能解析 #大腦地圖 #語言加工 #多功能腦區

閱讀更多：

Wolna, Agata, et al. “The Extended Language Network: Language-Responsive Brain Areas Whose Contributions to Language Remain to Be Discovered.” Journal of Neuroscience, June 2026. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.0638-25.2026

音樂治療25分鐘現生理共振：治療師與患者心率同步隨時間漸入佳境

音樂治療如何促進醫患連接？Sun Sun Yap、Fabian T. Ramseyer和J?rg Fachner等（安格利亞魯斯金大學及奧地利克雷姆斯應用科學大學等）發現，治療師與患者在治療中達到最強心率同步需要約25分鐘，首次揭示了音樂治療中生理共振的時間動態規律。

研究人員對11名接受神經康復的患者和1名治療師進行了音樂治療觀測。團隊通過心電圖傳感器追蹤雙方的心率數據，并結合錄像，利用窗口互相關分析生理同步性。結果顯示，醫患間的心率同步顯著高于隨機水平。然而，這種同步并非瞬間發生，而是隨著療程推進逐漸增強，在20至25分鐘區間達到峰值。這表明，建立生理層面的共鳴需要時間累積，因此臨床上需要合理安排和保護好治療時間。此外，高度同步往往由患者的心率變化所主導，暗示患者在建立聯系時扮演了更積極的角色。研究發表在 Frontiers in Psychology 上。

#疾病與健康 #神經調控 #音樂治療 #心率同步 #神經康復

閱讀更多：

Yap, Sun Sun, et al. “It Takes Time to Synchronize: The Emergence of Dyadic Heart-Rate Synchrony during Music Therapy in Neurorehabilitation.” Frontiers in Psychology, vol. 17, Apr. 2026. Frontiers, https://doi.org/10.3389/fpsyg.2026.1629778

丘腦枕精細網絡圖譜為難治性癲癇個體化治療提供新靶點

如何為藥物難治性癲癇患者實施更精準的個性化腦電刺激治療？Jordan A. Bilderbeek、Nicholas M. Gregg、Dora Hermes和Gregory A. Worrell等研究人員（梅奧診所）通過研究，繪制了一張精細的大腦深部丘腦枕網絡連接圖譜，為深部腦刺激技術提供了精準的定位指南。

? 刺激丘腦枕的不同部位會激活不同的腦網絡。左圖（黃色）：刺激丘腦枕外側部分主要激活與視覺相關的腦區。中圖（紅色）：刺激丘腦枕下部（腹內側部分）會激活與記憶、語言和物體識別相關的腦區。右圖（橙色）：刺激丘腦枕上部（背內側部分）會激活與注意力、空間感知和計劃相關的腦區。Credit: Mayo Clinic

這項研究采用單脈沖電刺激對30名植入了立體定向腦電圖臨時電極的難治性癲癇患者進行測試。研究發現，丘腦枕（pulvinar，負責傳遞和協調多種感官信息的大腦深部結構）并非單一均勻的結構，其內部相距僅3毫米的不同亞區連接著完全不同的腦網絡。具體而言，刺激外側丘腦枕主要激活視覺相關腦區；刺激腹內側區域主要激活與記憶和語言相關的顳葉皮層；刺激背內側區域則會激活與注意力及空間感知相關的頂葉皮層。這一發現表明，若想有效抑制癲癇發作并減少副作用，必須將電極精確放置在與特定癲癇網絡對應的亞區內。研究發表在 Journal of Neuroscience 上。

#疾病與健康 #神經調控 #癲癇 #腦網絡 #深部腦刺激

閱讀更多：

Bilderbeek, Jordan A., et al. “Pulvinar Subregions Influence Select Cortical Pathways in Humans.” Journal of Neuroscience, vol. 46, no. 26, July 2026. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1604-25.2026

揭示應激腦回路阻礙恐懼消退機制

創傷后應激障礙（PTSD）等由創傷引起的精神疾病常使用暴露療法，但在壓力環境下復發率極高。Hugo Bayer、Annalise N. Binette、Stephen Maren等（伊利諾伊大學貝克曼高級科學技術研究所）利用動物模型，解析了壓力損害大腦抑制恐懼記憶能力的特異性神經回路，為提高暴露療法的療效提供了新靶點。

研究人員采用化學遺傳學與鈣成像技術，分析了高壓力如何干擾腹內側前額葉皮層的功能。研究發現，刺激腦干中的藍斑核會模擬出極度踩電擊的壓力狀態，這會激活基底外側杏仁核，進而對前額葉皮層產生前饋抑制，導致其活躍度顯著降低并阻礙恐懼消退學習。然而，如果在基底外側杏仁核中注射普萘洛爾，便能成功阻斷這種抑制效應，從而使前額葉重新恢復對恐懼的理性控制。該發現闡明了壓力導致恐懼調節受損的環路機制，對改善創傷后應激障礙的臨床治療具有啟發意義。研究發表在 PNAS 上。

#疾病與健康 #心理健康與精神疾病 #神經機制與腦功能解析 #恐懼消退 #創傷后應激障礙

閱讀更多：

Bayer, Hugo, et al. “Locus Coeruleus–Amygdala Circuit Disrupts Prefrontal Control to Impair Fear Extinction.” Proceedings of the National Academy of Sciences, vol. 123, no. 11, Mar. 2026, p. e2528250123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2528250123

早期視覺皮層深度參與大腦決策

大腦如何實現思考與視覺的深度協同仍是神經科學界的關鍵謎題。Tomas Gallo Aquino、Robert Kim和Nuttida Rungratsameetaweemana團隊（哥倫比亞大學工程學院）對此進行了研究，通過構建生物學神經網絡并結合動物電生理數據，揭示了抑制性神經元在感官與決策信息整合中的核心回路機制。

研究團隊首先構建了包含興奮性和抑制性神經元的循環神經網絡模型，并訓練其執行需要動態整合感官刺激和任務指令的延遲樣本匹配任務。在對模型內部進行拆解分析時，研究者發現一種特定的去抑制信號連接，負責將決策指令傳遞給感官系統。當在模型中削弱這種去抑制連接時，系統在不同任務間靈活切換的能力完全喪失。隨后，團隊通過分析小鼠第一視覺皮層的公開電生理數據驗證了這一預測，結果表明，當在活體中沉默這一關鍵回路中的抑制性細胞時，視覺皮層追蹤任務情境的能力同樣顯著下降。該研究不僅深化了對大腦多任務處理機制的理解，也為開發更精簡且具適應性的人工智能提供了生物學啟發。研究發表在 PLOS Biology 上。

#神經科學 #神經機制與腦功能解析 #大腦回路 #去抑制信號 #循環神經網絡

閱讀更多：

Aquino, Tomas Gallo, et al. “Disinhibitory Signaling Enables Flexible Coding of Top-down Information.” bioRxiv, 3 Apr. 2024, p. 2023.10.17.562828. bioRxiv, https://doi.org/10.1101/2023.10.17.562828

蝸牛看世界是慢動作嗎？評估動物時間景觀新框架

如何科學地探究動物的內心世界？Ishan Singhal、Jonathan Birch和Anil K. Seth（薩塞克斯大學與倫敦政治經濟學院）提出一個新穎框架，主張通過分析動物經驗的時間景觀（timescape，感知內容在時間維度上組織與演變的結構），即時間維度的感知結構，來開啟比較非人類動物意識研究的新途徑。

傳統上，科學家常用臨界閃爍融合閾值（CFFTs，肉眼無法分辨光線閃爍而覺得其連續穩定的最高頻率）衡量動物的視覺暫留，但該指標僅反映視網膜敏感度。為此，研究團隊在 Trends in Cognitive Sciences 上發表綜述，結合動物行為學、神經科學和現象學，提出了表征動物時間環境的五個核心時間窗口：同步窗口（大腦在單一感知瞬間綁定不同感覺事件的時間區間，如獼猴對閃光滯后效應的敏感度高于人類）、修正窗口（大腦根據后續信息回溯性更新已有感知內容的時間范圍，如小鼠的似動現象窗口達230至450毫秒）、持續時間、注意力窗口（大腦持續將注意力分配給特定對象的時間跨度，如獼猴在注意瞬燃任務中比人類稍長）以及知覺穩定性停留時間（大腦在面對雙穩態或沖突圖像時維持某一種解讀的堅固程度，如黑腹果蠅可達2至20秒）。通過系統比較這些窗口，研究者無需依賴單一指標，便能更真實地還原不同物種獨特的感知節奏，從而為跨物種意識研究奠定科學基礎。

#認知科學 #跨學科整合 #動物意識 #時間知覺 #時間景觀

閱讀更多：

Singhal, Ishan, et al. “Timescapes of Non-Human Experience.” Trends in Cognitive Sciences, June 2026. ScienceDirect, https://doi.org/10.1016/j.tics.2026.05.002

AI 驅動科學

Nature：深度學習發現預測心源性猝死的新型心電圖生物標志物

如何更準確地預測心源性猝死以拯救患者？Ziad Obermeyer、Alexander Schubert、James Ross等研究人員組成的合作團隊，利用深度學習技術分析瑞典大規模心電圖與死亡登記數據，成功發現了一種能夠比傳統臨床指標更精確預測心源性猝死風險的新型心電圖生物標志物。

研究團隊利用瑞典某地區的整套心電圖及死亡證明數據訓練深度學習模型，并在由35,417名未植入除顫器患者構成的獨立數據集上進行了驗證。結果顯示，該模型的受試者工作特征曲線下面積達到0.872，顯著優于傳統臨床指標左心室射血分數（LVEF，通過超聲評估心臟泵血能力的指標）。該模型篩選出的高風險群體占樣本的2.2%，其年猝死率達7.0%，遠高于低LVEF組。值得注意的是，這些高風險患者中有86.1%未被傳統LVEF指標識別。此外，團隊在美國與臺灣的數據集上進行了外部驗證，證實模型能特異性地預測導致猝死的心律失常。最后，團隊結合生成式模型，首次可視化了這一此前未被發現的新型心電圖波形標志物，為心源性猝死的機制研究提供了新視角。研究發表在 Nature 上。

#疾病與健康 #個性化醫療 #深度學習 #心電圖 #心源性猝死

閱讀更多：

Obermeyer, Ziad, et al. “An ECG Biomarker for Sudden Cardiac Death Discovered with Deep Learning.” Nature, vol. 655, no. 8121, July 2026, pp. 210–18. www.nature.com, https://doi.org/10.1038/s41586-026-10674-6

全新Transformer模型BehaVERT自主解碼動物行為語義

如何從動物復雜的身體動作中準確解讀出深層的社交行為含義？Seung Jae Shin、Junesu Lee、Chang Ko以及Daesoo Kim等（韓國科學技術院）對此進行了深入探討。該團隊開發出一種能夠像處理自然語言一樣理解動物行為的人工智能模型，成功在無先驗知識的情況下自主識別出孤獨癥模型小鼠的社交行為缺陷。

? 人工智能獨立發現孤獨癥模型小鼠的關鍵社交行為缺陷。Credit: KAIST

研究團隊將小鼠的身體關鍵點位置轉化為行為標記tokens，并訓練了一個基于 Transformer的模型 BehaVERT。該模型通過自監督學習理解動作的上下文含義。在針對孤獨癥模型小鼠（Shank3B 基因常用于構建孤獨癥小鼠模型）的對照實驗中，該模型在沒有任何生物學先驗知識的情況下，敏銳且一致地鎖定了口口接觸這一社交行為的減少。這一自主發現與現有的生物學研究完全吻合，證明了模型優異的解釋能力。此外，BehaVERT 展現出了較強的跨物種遷移能力，利用大鼠行為數據訓練的模型可以成功用于小鼠行為分析。研究發表在 International Journal of Computer Vision 上。

#疾病與健康 #心理健康與精神疾病 #孤獨癥 #人工智能 #行為分析

閱讀更多：

Shin, Seung Jae, et al. “BehaVERT: A Transformer-Based Motion Language Model for Decoding Behavioral Semantics in Mice.” International Journal of Computer Vision, vol. 134, no. 6, June 2026, p. 303. Springer Link, https://doi.org/10.1007/s11263-026-02834-y

長期與大模型互動或削弱人類心理韌性

人機關系已走出科幻。Andreia Sofia Teixeira、Sukhwinder Singh Shergill和Guy Laban團隊（東北大學倫敦分校等）通過研究發現，長期與大語言模型交互會使人產生情感依賴，可能在語言和心理上重塑自我并疏遠現實社交。

研究人員通過分析人機交互特征和人工智能事故數據，揭示了人工智能的阿諛奉承傾向（即無條件贊同用戶）極易將個體引入情感依賴深淵。這種持續的單向互動會制造所謂的一個人的回音室效應，強化個體的執念。對于兒童以及焦慮癥和抑郁癥患者等弱勢群體，這種缺乏外部視角的反饋循環極易導致危險的心理惡性循環，甚至使人們將決策權和自主權讓渡給機器。統計顯示，近年輕型人工智能事故激增，2025年前10個月 of 事故總數已超過2024年全年。研究強調，人際關系中必要的摩擦是培養心理韌性和應對挑戰的關鍵。因此，多學科專家應攜手評估該技術對社會結構的深遠影響，法律層面也需建立類似傳統消費品的嚴格監管和測試召回流程。研究發表在 Nature Machine Intelligence 上。

#疾病與健康 #心理健康與精神疾病 #人機交互 #情感依賴 #社交孤立

閱讀更多：

Teixeira, Andreia Sofia, et al. “Human–AI Interactions Reshape the Self and Our Social Networks.” Nature Machine Intelligence, vol. 8, no. 6, June 2026, pp. 858–59. www.nature.com, https://doi.org/10.1038/s42256-026-01248-2

元認知反饋強化學習顯著提升大模型誠實度

如何解決大語言模型因過度自信產生幻覺且無法識別自身知識邊界的問題？Gabrielle Kaili-May Liu、Arman Cohan（耶魯大學）以及Avi Caciularu、Gal Yona、Idan Szpektor組成的研究團隊提出了一種新方法，通過賦予模型自我評估能力，顯著提升了其表達內部不確定性的真實性。

研究團隊開發了伴隨元認知反饋的強化學習框架。該方法在偏好優化階段，不僅對高質量的生成內容給予獎勵，還根據模型自我評估其表現的準確性來調整學習信號。此外，團隊利用元認知數據選擇篩選出模型自我評估極高和極低的兩端樣本進行訓練。在應用上，該研究采用兩階段解耦策略：首先通過 RLMF 校準模型輸出的數值置信度，隨后利用大模型重寫協議將數值轉化為符合語境的語言學不確定性修飾詞。實驗表明，RLMF 在多項任務中實現了優異的真實校準，在評估自身能力邊界方面比標準強化學習提升了高達 63%，且未損害任務準確率。人類評估中，該方法的語言學表達自然度與適應性相比強基線取得了 96% 的勝率。

#大模型技術 #其他 #元認知反饋 #強化學習 #不確定性校準

閱讀更多：

Liu, Gabrielle Kaili-May, et al. “Reinforcement Learning with Metacognitive Feedback Elicits Faithful Uncertainty Expression in LLMs.” arXiv:2606.32032, arXiv, 30 June 2026. arXiv.org, https://doi.org/10.48550/arXiv.2606.32032

3D打印定制個性化假肢：磁傳感器與專屬AI實時解碼19種手勢

為解決傳統肌電假肢控制不直觀且易受環境干擾的問題，Erik Engeberg和Wen-Yu Cheng等研究人員（佛羅里達大西洋大學）開發了定制化3D打印磁感袖套，結合個性化人工智能模型，實現了對19種手勢的穩定、實時解碼。

? 采用 3D 打印技術定制的可穿戴設備，專為每位用戶量身打造。該設備內置磁傳感器，能夠檢測細微的肌肉活動。Credit: Florida Atlantic University

該系統首先通過三維掃描獲取殘肢形狀，利用3D打印定制雙件式可穿戴袖套。袖套內嵌有柔性磁性力肌電傳感器陣列，可根據肢體結構配置18或24個模塊，實時捕捉肌肉動作。在包含三名上肢截肢者在內的十名受試者測試中，配合個性化人工智能模型，系統實時分類了19種手勢，平均準確率達93.64% ± 2.90%。在超過7500次的力循環耐久性測試中，系統信號清晰且無明顯衰減，其信噪比達34.51 dB ± 1.49 dB。通過主成分分析優化傳感器布局后，七名受試者用更少傳感器獲得了最高準確率。研究發表在 IEEE Transactions on Neural Systems and Rehabilitation Engineering 上。

#疾病與健康 #意圖與決策 #個性化醫療 #力肌電 #3D打印假肢

閱讀更多：

Cheng, Wen-Yu, and Erik D. Engeberg. “Compliant Magnetic Sensor Arrays Enable Real-Time Force Myogram Pattern Recognition for Dexterous Hand Control by Amputees.” IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 34, 2026, pp. 2910–22. IEEE Xplore, https://doi.org/10.1109/TNSRE.2026.3702598

AI復活親人體驗如何？情感共鳴比事實準確更重要

用AI復活逝者進行對話是否能帶來精神慰藉？Jack Manuel Manning和Jed R. Brubaker等研究人員（科羅拉多大學博爾德分校）通過一項新研究，首次對模擬“人工智能幽靈”進行了用戶體驗評估，探討了不同人稱設計及對話交互要素對悲傷療愈的影響。

研究團隊招募了16名失去親友的參與者，采用“綠野仙蹤”模擬實驗方法（即后臺人員根據逝者信息實時微調大語言模型），讓參與者分別與第一人稱的“轉世”（reincarnation）和第三人稱的“再現”（representation）兩種模式的AI幽靈各對話20分鐘。結果表明，參與者普遍更青睞使用第一人稱“我”的“轉世”模式，認為其更具即時性和情感親密度。研究發現，相比于AI偶爾出現的實事錯誤或“幻覺”，參與者對情感基調和語言習慣的失準更為敏感，例如當AI扮演的繼父使用了逝者生前從不使用的愛稱“冠軍”時，參與者幾乎中斷了對話。用戶普遍更喜歡帶有表情符號的簡短回復，而非AI特有的冗長段落。盡管所有參與者均表示愿意再次使用該技術，但他們對該技術可能帶給其他悲傷親友的潛在依賴和心理風險表達了擔憂。研究發表在 DIS '26: Proceedings of the 2026 Designing Interactive Systems Conference 上。

#疾病與健康 #心理健康與精神疾病 #大模型技術 #悲傷療愈 #人機交互

閱讀更多：

Manning, Jack Manuel, et al. “Designing Conversations with the Dead: How People Engage with Generative Ghosts.” Proceedings of the 2026 Designing Interactive Systems Conference [New York, NY, USA], DIS ’26, 2026, pp. 3610–21. ACM Digital Library, https://doi.org/10.1145/3800645.3813090

AI模仿政治辯論被評比真人更具真實感與說服力

面對生成式人工智能對政治信息生態的潛在威脅，Steffen Herbold、Alexander Trautsch、Zlata Kikteva和Annette Hautli-Janisz（帕紹大學）合作開展研究，發現公眾普遍認為人工智能模仿政治人物的辯論回答比真人實際發言更真實、更具說服力。

研究團隊使用 GPT-4 Turbo 結合112位公眾人物的維基百科傳記，生成了對英國廣播公司第一臺（BBC1）政治辯論節目《問答時間》中觀眾提問的模仿回答。隨后，由948名英國成年人組成的代表性樣本對這些回答進行了評估。結果表明，參與者在真實性、連貫性和相關性上給AI生成回答的評分顯著高于真人。在語言特征上，AI文本表現出更豐富的詞匯量，且極少使用認知標記（epistemic markers，指用來表達說話者對陳述內容確信程度的詞匯，例如‘我認為’）。盡管存在這些文體差異，公眾仍難以區分真偽。進一步分析顯示，AI能更直接地切中問題要害，而政治人物常傾向于回避問題。公眾對此表現出強烈的擔憂，并高度渴望AI使用的透明度。研究發表在 PLOS One 上。

#認知科學 #大模型技術 #人工智能安全 #政治傳播 #虛假信息

閱讀更多：

Herbold, Steffen, et al. “LLM-Impersonated Debate Contributions Are More Authentic, Relevant and Coherent than Their Original: A Representative Study Using BBC1’s Question Time.” PLOS ONE, vol. 21, no. 7, July 2026, p. e0347757. PLoS Journals, https://doi.org/10.1371/journal.pone.0347757

大型語言模型精準解讀口頭報告，揭示人類風險決策背后的動態機制

如何在大規模研究中解析人類決策的心理權衡？Kamil Fu?awka、Ralph Hertwig和Dirk U. Wulff（德累斯頓工業大學等）利用大型語言模型構建了分析框架，通過系統分析人類口頭報告，成功揭示了人們在風險決策中如何根據情境動態調整決策策略。

在實驗中，研究團隊設計了20個貨幣彩票選擇任務，并要求參與者以自由文本解釋選擇原因。為進行系統分析，團隊預先定義了47種決策理由，每種理由均由自然語言的口頭表征和基于數學規則的形式表征組成。通過對比GPT-4o等8個大型語言模型，研究人員發現Qwen3-235B-A22B模型表現最出色，理解決策理由的準確率超過96%。將該模型用于分析人類的口頭報告時，其識別出的決策理由在94.7%的試驗中與人類的實際選擇高度吻合。研究發現，人類決策時所依據的理由并不滿足傳統理論假設的不變性，而是會隨著選擇問題的結構發生系統性偏移。此外，基于口頭報告數據構建的模型，其樣本外預測準確率與經典累積前景理論（cumulative prospect theory）等計算模型不相上下。研究發表在 PNAS 上。

#AI驅動科學 #意圖與決策 #大模型技術 #決策科學

閱讀更多：

Fu?awka, Kamil, et al. “Large Language Models Accurately Identify Decision Reasons in Verbal Reports.” Proceedings of the National Academy of Sciences, vol. 123, no. 27, July 2026, p. e2526798123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2526798123

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫院、上海市精神衛生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、科普視頻媒體「大圓鏡」等。