人機協同視角下生成式AI新聞的前沿應用與規制進路

蔣雪穎 劉欣 許靜

【摘要】生成式人工智能深刻影響當下的新聞生產模式和媒介可信度。首先梳理了生成式人工智能應用于新聞生產的演進歷程；其次分析人機協同下的新聞實踐，實現了從替代模式到共生模式的主體協同、從PGC到AIGC的文本協同、從單向線性趨向多元網狀的流程協同；最后探討人機協同下的新聞規制，以構筑信任機制為核心，將技術信任、人機信任和制度信任三維協同，以責任鏈調動多元主體共同參與規制。為我國新聞生產實踐打開人機協同的可能性，同時為建構可持續的人機共生生態提供規制進路。

【關鍵詞】生成式人工智能；ChatGPT；新聞生產；人機協同；智能傳播

生成式人工智能（Generative Artificial Intelligence，簡稱GAI）正在重構著當下新聞生產模式和產業鏈結構，為新聞生產者的主體地位、新聞生產的內容、傳播形式、受眾對新聞的接收與反饋等帶來全方位變革，并倒逼著“人機關系”的觀念從敵對論轉向協同論[1]。本研究從人機協同理論出發，對國際新聞業的前沿實踐案例進行分析，旨在彌合現有研究在經驗材料上的不足，一方面為我國新聞生產實踐探尋人機關系新的可能性，另一方面為建構可持續的人機協同新聞生態提供規制進路。

一、演進歷程：生成式AI與新聞生產的結合

以ChatGPT為代表的生成式人工智能技術問世以來，它在提升工作流程效率、文本創建、更正、搜索、研究、翻譯等方面展現了巨大的潛力。世界新聞出版商協會調查顯示，全流程效率提升、翻譯、個性化新聞是當前人工智能技術應用于新聞生產實踐中最具潛力的三大領域[2]。學者Diakopoulos總結了GAI工具在新聞生產實踐中的主要功能：（1）針對文本的處理與生成，例如評估文本的新聞價值；分析文檔并進行分類和標記；處理多語言文本的原始數據并進行翻譯；審核并分類評論，如“仇恨言論”或“高質量評論”；根據不同社交媒體創造不同風格的推文；基于非結構化或者結構化數據的自動寫作；基于用戶模型構建或重寫精選內容的標題或摘要。（2）針對可視化信息的編輯與處理，例如編輯多格式的照片和視頻，根據內容主題生成圖表。（3）針對以算法為基礎的工作流程進行優化，例如針對不同的受眾群體進行個性化推送；自動審查并刪除不當言論等。[3]

隨著人工智能技術的不斷演進，特別是自然語言處理（natural language processing，簡稱NLP）和大型預訓練模型的突破性進展，按自動化程度進行劃分，人工智能融入新聞生產實踐大致經歷了三個階段：在自動化的第一階段，人工智能承擔輔助工具的職能，為記者和編輯從海量信息中推薦新聞選題；發揮信息收集與新聞發現的功能；通過監控社交媒體熱點、分析流行話題或掃描數據集，利用算法參照預定義標準識別有新聞價值的事件。第二階段，人工智能以主體身份逐漸參與到新聞內容生產等人類智力活動中，將結構化的數據轉化為敘述性文本。具體而言，GAI通過使用特定類型新聞（如體育或財經新聞）的模板和自然語言生成技術實現對新聞報道的文本編寫。第三階段，人工智能逐漸滲透到“把關”環節，實現與把關權的融合。在新聞內容發布方面，GAI可自動撰寫和發布某些類型的新聞報道，無需人工審核，并可選擇在發布后通知編輯。在當前的實踐中，這種情況通常僅限于由數據驅動的新聞報道。

在未來，新聞業需要在GAI輔助人類任務與GAI自動化日常任務之間取得微妙的平衡。技術不僅僅是被新聞生產主體強制吸納到新聞生產中的一種外部性工具，更是一種由新聞實踐、人類需求和行業規范不斷塑造的手段。

二、實踐探索：人機協同下生成式AI新聞前沿應用

以物聯網、大數據、云計算和人工智能為代表的數字智能技術已經滲透到個體日常生活的結構之中，因此“人—機”關系的主流觀念也從以友好、敵對為特征的范式轉向更為當代的協同范式。人機協同強調了人類與GAI為代表的智能機器在社會技術景觀中的相互依存、相互作用和共同進化。對于人機協同在新聞生產實踐中的研究，則更關注人類與GAI之間復雜的相互作用和共同的進化協同模式。

（一）主體協同：從替代模式到共生模式

新聞信息采集是新聞生產的基礎，編輯部以此對選題進行策劃和決策。在信息采集和選題策劃階段，GAI與人類主體的協同方式共有三種：替代式、補充式和共生式。（1）替代式多應用于記者、編輯日常工作中重復性高、細節繁瑣的任務，如自動收集和準備背景信息、推薦消息來源和線人、消息源驗證和事實核查等。特別是信息采集階段，傳統新聞生產是記者按需在新聞專業主義指導下主動收集信息，GAI可通過基于NLP實現特定類型的常規信息自動化收集。以路透社使用的News Tracer信息采集系統為例，它可實現從社交媒體的信息流中收集數據，并使用NLP和機器學習檢測新聞事件，幫助記者在報道重大新聞時比其他全球新聞機構搶先8到60分鐘[4]。（2）補充式是利用GAI彌補專業新聞生產者人力或效率的不足。例如，在新聞事件的跟蹤報道中，GAI的模式匹配機制可用于識別更新的信息，通過持續追蹤為正在發生的事件帶來新的啟示或意想不到的報道角度。（3）共生式以可持續協同發展為價值導向，不斷在實踐中校準人類價值與技術工具之間的關系。共生式最典型的實踐是新聞從業者對GAI進行“新聞價值”的訓練。GAI可通過大型預訓練模型對“新聞價值”進行機器學習，幫助記者和編輯發現具有新聞價值的事件。

GAI成為記者與社會現實之間的“傳感器”，一方面將新聞生產主體從繁瑣的驗證和事實核查等日常任務中解放出來，但另一方面也需警惕，利用GAI自動發現新聞也有可能過于依賴有限范圍的消息源，從而忽略可能更具新聞價值的邊緣事件。

（二）文本協同：PGC與AIGC的融合

1.自動內容創作，變革生產模式

GAI可以自動生成標準化的文本，幫助記者和編輯創建新聞大綱、優化標題、生成新聞導語、生成采訪問題、解釋概念和總結舊報道。國外AI生成的新聞網站已經多達125家[5]。新聞網站NewsGPT和Generative Press都是完全由GAI驅動生成新聞，完全沒有編輯團隊介入和人工干預。谷歌開發的新聞AI工具Genesis已被《紐約時報》《華盛頓郵報》和《華爾街日報》等報紙采納作為記者的補充工具。路透社還使用GAI快速定位視頻素材庫中的人物和音頻，自動進行音頻的時間編碼、轉錄和翻譯，自動生成文本，提升寫作效率[6]。

2.多元敘事風格，差異話語策略

GAI可以根據出版機構的風格定位來改編新聞，創作多元敘事形態、修辭風格、新聞體例、新聞框架的報道，在語言建構和語義表達方面實現差異化改編。全球媒體Semafor執行主編吉娜·蔡（Gina Chua）使用聊天機器人Claude，要求它以《紐約時報》《紐約郵報》《中國日報》和《福克斯新聞》的風格，改編一則中國努力扭轉人口出生率下降的新聞，她發現《紐約時報》的版本偏向于古板，并且加入了很多背景描述；《紐約郵報》則傾向使用激烈的措辭，如“隨著出生率的下降，中國陷入恐慌”；《中國日報》多引用政府觀點，例如“官方落實育兒假制度減輕家庭養育負擔”等；而《福克斯新聞》多為嚴厲的批判口吻，帶有強烈的主觀偏見[7]。

3.數據跨鏈接互證，信息多維深度呈現

新聞生產平臺NewsCube利用GAI實現增強新聞報道。它將驗證過的信息來源，與現有的內容單元進行關聯，從而提高新聞報道的可信度。該平臺將經過認證且自成一體的小型語義單元進行重組，以綜合敘述的方式重新生成新內容，包括文章、鏈接、圖像、視頻剪輯、動畫等。NewsCube可以在互聯網中提取來自不同政治、宗教、種族等價值取向的信息，從而對同一事件呈現出不同觀點。這種多元性有助于提高新聞報道的可信度。它還可以對強調不同事實、提出不同解釋和表達不同情感的內容進行識別。具體而言，GAI可以在海量信息中定位支持弱勢群體的言論或帶有錯誤價值觀導向的觀點，這對于建構多元向善的輿論環境至關重要。記者和編輯等專業主體可通過標注相關主題、來源、信息的原始上下文等方式，防止易產生混淆的拼貼和挪用，提升信息的豐富性和準確性[8]。

（三）流程協同：從單向線性趨向多元網狀

傳統新聞生產是從記者、編輯等專業主體出發，經過采、寫、編、發等環節，將新聞送達受眾的單向線性結構。GAI通過流程挖掘、算法資源優化、立體交互式分發等，使新聞生產中間的任一環節都可產生跳躍性互聯，流程協同中的新聞生產走向多元網狀生產結構。

1.挖掘行為模式，實現流程再造

GAI可利用流程挖掘（process mining）來分析記者和編輯的信息搜索等工作行為，幫助其建立自動化的信息收集和分析流程。例如，編輯部中的某位記者反復搜索某在線社區論壇，在里面瀏覽和收集足球比賽評論，GAI可以利用事件日志從記者的行為模式中挖掘出“流程描述”[9]。挖掘出的流程描述可用于基于規則或機器學習的流程自動化工具，這些工具可模仿重復性的人類任務，如數據錄入、表格填寫和數據驗證等。之后，每當記者開始撰寫新的評論文章時，界面會自動搜索指定的足球社區論壇。除此之外，GAI還可以應用于現有的工作流程和業務流程管理系統，將挖掘到的流程描述調整到類似的情境中，改善新聞生產者的創作和生產體驗，實現流程的智能化。

2.基于算法的資源優化，提高組織效率

新聞生產不僅是個體的創造性勞動，更是集體的協商性活動。如何選擇合適的記者跟蹤特定類型的報道，是新聞編輯室中的重要工作。GAI可以學習記者及其過往報道并建立資料庫，從而針對某類新聞選題推薦最匹配的記者，組建具有互補背景和能力的記者團隊，進一步提高效率。但是，我們也必須保持警惕，堅持健全的商業模式和編輯獨立性，以確保這些提高新聞和組織效率的新機遇被充分用于提升新聞報道的質量，而非濫用于削減新聞工作者的隊伍。

3.立體交互式分發機制，推動信息個性化重組與再收集

圍繞GAI技術搭建數字新聞平臺已成為一大趨勢。以NewsCube為例，用戶可以將文字、圖片、視頻、超鏈接、文章、檔案等各種元素組合在一起，將故事、想法、人物或公司等信息“打包”成虛擬的3D信息立方體。這些立方體作為技術驅動的敘事手段，將多媒體元素、時間、地點、聲音、事件和不同視角的報道結合在一起，創造沉浸式、可視化新聞體驗。NewsCube的互動設計一方面保證用戶可以對正在瀏覽的故事進行主線閱讀，與此同時也允許其進入支線鏈接中，瀏覽不同媒體和新聞來源，以實現對主線新聞故事的補充，克服在龐大的超文本空間中對信息的迷失感。而用戶對信息做了何種選擇，又會積累成痕跡數據，存入NewsCube中，為未來的新聞生產和個性化分發提供數據決策依據。

三、規制進路：人機協同下生成式AI新聞信任機制

媒體信任有多個層次，從對媒體內容的信任，到對記者、單個媒體品牌和媒體類型的信任，再到對整個新聞業的信任。新聞媒體的可信度可以從公平性、偏見性、完整性、準確性和事實性等方面進行描述。隨著GAI在新聞實踐中的使用越來越廣泛，信任危機日益凸顯。根據Morning Consult的調查，70%的美國成年人擔心AIGC傳播錯誤信息；68%的美國成年人擔心使用AI搜索引擎獲得的結果中包含錯誤信息；63%的美國成年人對AI搜索結果的準確性、AIGC內容中的偏見和歧視表示擔憂[10]。我們需從構筑信任機制著手，加強對GAI新聞業的規制。具體而言，將技術信任、人機信任和制度信任三維協同，以“責任鏈”范式調動記者、編輯、技術研發者、新聞出版機構、行業協會、政府機構等多元主體共同參與。

（一）技術信任：優化技術設計，實現技術善治

在數字時代，新聞容易遭到篡改或斷章取義，其目的可能是吸引注意、影響行為、操縱輿論，或者進行欺騙和誤導。信息評估的范圍包括檢測文本、語音、音頻、視頻與來自傳感器的結構化數據流，以及結構化或非結構化參考數據中的有意和無意的錯誤信息[11]。在這一背景下，我們面對兩種主要形式的媒體偽造：低級偽造（cheap fakes）和深度偽造（deepfakes）。

低級偽造涉及對媒體內容的濫用，例如輕微扭曲圖片或斷章取義地反復使用圖片。應對低級偽造的核心技術包括以下四點：（1）深度圖像分析（deep

image analysis），該技術使用深度學習和計算機視覺方法，對潛在偽造的圖像進行分析，以識別其中可能的不一致或異常。（2）反向圖像搜索（reverse image search），利用待識別圖像作為參照系，在互聯網上尋找相似或相同的圖像來源，以確定待識別圖像在何種程度上以怎樣的方式被偽造。（3）確定內容來源，追溯特定圖像的元數據、水印、版權信息等，以確保它沒有被篡改或濫用，以此驗證圖像的真實性。（4）評估原始語境與使用語境的相似性，比較圖像在原始環境中的使用和在懷疑偽造的上下文中的使用之間的差異。[12]與此不同的是深度偽造，它利用深度學習技術，尤其是生成式對抗網絡來創建合成媒體。例如將人臉特征疊加在他人身上，或僅偽造聲音，形成如同真人的體驗。為了應對深度偽造，一種方法是通過訓練判別器網絡來識別生成的內容與真實內容之間的差異。判別器網絡可以被用來檢測潛在的偽造，因為生成的內容通常在細節、噪音、紋理等方面與真實內容有所不同。另一種方法是訓練生成式對抗網絡來生成具有反偽造特征的媒體內容。這種生成對抗訓練的目標是生成媒體內容，其中包含了一些隱含的特征，可以幫助其他檢測工具更容易地識別偽造。這些特征可能包括水印、數字簽名、元數據等。[13]

國際新聞業還采取了多媒體取證（multimedia forensics）的方式。多媒體取證涉及對圖像、音頻和視頻等各類多媒體內容進行分析和認證，驗證數字多媒體文件是否被篡改。該技術的主要目標和任務包括：（1）真實性驗證：確定多媒體文件是原始文件還是被篡改或偽造的文件。（2）源識別：追蹤多媒體內容的來源，以確定其來源、創建者或位置。（3）完整性評估：評估內容自創建以來是否被修改、編輯或篡改。（4）偽造檢測：檢測數字篡改跡象，如圖像拼接、修飾或音頻篡改。（5）圖像出處分析：分析圖像的歷史，以確定其真實性并識別任何更改。（6）內容分析：檢查多媒體文件的內容，提取有助于驗證的信息或背景。[14]

綜合來看，低級偽造和深度偽造帶來的挑戰表明，僅靠目前被動的事實核查和媒體驗證方法還遠遠不夠。主動驗證是一種替代方法，它利用哈希（hashing）和區塊鏈等技術發放帶有可驗證、防篡改簽名的內容證書。這些證書可以應用于元數據、原子內容單元以及復合內容。因為內容單元的可信度取決于情境，這將需要新的AI解決方案來挖掘和評估情境信息。此外，我們需要更好地理解情境和可信度之間的關系，以便根據不同的情境評估可信來源。需要指出的是，積極驗證可能會過度依賴易于在捕獲點驗證的主流來源信息，這可能會損害不尋常、非主流來源的可信度驗證。

（二）人機信任：可信度評估，多主體責任鏈

在人機交互技術中呈現出了新的信任形式，即“電子信任”（e-trust）。人機交互過程中的機器能動性不斷增強，直接影響了人機之間的信任問題。人機新聞的良性發展最重要的是受眾與GAI之間的信任問題，國際新聞業提出了從來源、合成到評估等環節的可信度操作步驟。（1）提高來源可信度：通過元數據（數據的附加信息）來追溯信息提供者的各種指標，包括歷史聲譽、社交網絡連接、知識背景、職位、贊助組織等，還可以評估開放和專有數據庫以及檔案中的背景信息，并了解提供信息的人員和組織。（2）保證可信度合成（trustworthy composition）：新聞報道不僅需要由可信的內容單元和元數據構成，還需要可信的呈現方式和敘述方式。新聞從業者需要關注內容單元的細化程度、來源、提取方式、與語境的契合度，確保報道的內部一致性，使信息更容易理解和驗證，從而增加讀者對報道的可信度感知[15]。（3）提供可信度報告：需要將可信度的評估結果、推理和證據及時開放給受眾，并且確保受眾能夠理解人工智能方法的輸出結果。這些報告通過介紹內容單元的來源，解釋它們是如何以及為什么被組合在一起的，從而提供了問責機制。當信息已經得到新聞機構的證實后，可信度報告可以有針對性地根據受眾個人需求來提供，減少信息冗余。（4）監測受眾反饋：監測受眾對新聞內容的感知，包括通過受眾研究、用戶評級、NLP分析和新聞分享行為來評估可信度，利用這些信息來改進新聞的來源選擇、內容呈現和敘述，以優化可信度。

除了受眾信任以外，新聞業各主體之間的信任也至關重要，單純依靠編輯和記者的努力無法建構全局性的信任格局，需要以“責任鏈”范式實現新聞信任機制構建主體的關聯與協同。這不僅涉及編輯、記者、新聞機構、技術開發者等責任主體，還涉及立法機構、執法機構、司法機構、行業協會等治理性機構。在責任鏈上游，技術研發者應該協助新聞共同體理解算法，還需要避免算法中的偏見、歧視和侵權行為，確保數據隱私和安全，以及遵守隱私政策和用戶協議。可解釋人工智能（Explainable Artificial Intelligence）是人工智能的一個子領域，其重點是以系統和可解釋的方式向人類展示復雜的人工智能模型，通過透明度、解釋方法和自然語言生成技術等來闡釋人工智能決策。在責任鏈中游，編輯和記者需要明確GAI應用的義務與責任邊界，充分評估技術與使用場景的適配性，保證新聞的可信度，避免人工智能幻覺（AI Hallucination）。在責任鏈下游，新聞機構需要加強把關責任，應在審核環節從“事后審核”擴展到“事前審核+事后審核”，對審核方式進行技術化和協同化升級，同時保留人類審核的決策地位，還應該允許受眾監督和反饋，保證受眾對其中的技術參與程度與具體工作的知曉權。

（三）制度信任：健全技術原則，引入貢獻鏈機制

世界新聞出版商協會（World Association of

News Publishers）與德國SCHICKLER咨詢公司合作開展的全球調查中發現，只有20%的新聞編輯室對何時以及如何使用GAI工具制定了管理指南[16]。新聞編輯室缺乏明確的指導方針可能會導致不確定性和潛在的控制不足。因此，圍繞負責任地使用GAI工具，制定明確的指導準則是極其迫切的。制度信任本質上是硬性的“他律”，其根本目的是將外在約束內化為人類的“自律”意識，使制度信任與技術信任、人機信任相融合[17]。規范化與模式化的外在性制度使各方行為具有更大的可預測性，強化新聞業共同體的“本體安全感”，保障技術信任的有效實施。

全球出版和新聞組織（Global Publishing and

Journalism Organizations）聯合代表全球數千名創意專業人士的26個組織，在2023年9月6日發布了《人工智能全球原則》（Global Principles for Artificial Intelligence）。該文件涉及知識產權、透明度、問責制、質量和完整性、公平性、安全性、設計和可持續發展等重要方面[18]。《人工智能全球原則》主要有12條核心原則：第一，AI系統的開發者、運營者和部署者必須尊重知識產權。第二，出版商有權就使用其知識產權進行談判并獲得適當報酬。第三，版權和相關權利保護內容創作者和所有者免受其內容未經許可使用的侵權行為。第四，應該承認為創作者和權利持有人的內容提供現有的授權市場。第五，AI系統應該向創作者、權利持有人和用戶提供細粒度的透明度（granular transparency）。第六，AI系統的提供者和部署者應該合作，以確保對系統產出的責任。第七，確保質量和完整性是建立對人工智能工具和服務應用的信任的基礎。第八，AI系統不應該創造或存在創造不公平市場或競爭結果的風險。第九，AI系統應該值得信賴。第十，AI系統應該保證安全并應對隱私風險。第十一，這些原則應在設計中納入所有人工智能系統，包括通用AI系統、基礎模型和GAI系統。第十二，AI系統必須符合人類價值觀，并按照全球法律運行。

新聞業還可以引入“貢獻鏈”（contribution chains）機制，以建立更加嚴格的問責制度。貢獻鏈記錄了內容的衍生和來源，詳細記錄了信息是如何從其他內容中衍生出來以及由誰（或何者）進行了衍生。這一機制提供了責任追蹤，允許準確記錄信息的來源和貢獻者身份。貢獻鏈的應用有助于避免重復的整合、驗證或其他評估過程，同時可以用于檢測那些具有特定利益關系的消息來源所散布的錯誤信息。貢獻鏈可以在媒體制作工作流的一部分自動創建，也可以通過反向內容搜索、自然語言推理技術和深度圖像分析等方法進行重新建構。此外，貢獻鏈還可以被用于深入了解不同類型信息和錯誤信息是如何通過社交媒體產生和傳播的，特別是當這些信息本身所包含的內容和上下文十分有限，難以用于驗證的情況下。這種綜合方法有助于確保新聞媒體的責任追蹤，維護信息的準確性和可信度，同時防止虛假信息的傳播。

四、結語

國際新聞業對GAI應用已經積累了初步的探索經驗，為我國新聞業的媒介融合和技術創新提供諸多發展啟示。然而，未來的發展遠不止此。我們在考慮GAI相關的新聞實踐和規制問題的同時，還應正視GAI引發的政治經濟不平等、數據信息安全、意識形態價值觀等挑戰。我們也應當關注全球范圍內不同的文化和區域環境，特別要正視全球南方國家，如非洲等地區如何跨越資源、語言和技術方面的鴻溝，以便更有意義地參與到GAI技術的發展中。中國需要提高GAI的自主創新能力，加強核心技術攻關，爭取技術標準話語權，防范“數字霸權主義”帶來的信息安全風險和意識形態風險，為世界提供中國方案。

[基金項目：國家社會科學基金重點項目“突發公共事件輿論引導的機制、路徑與方法研究”（23AXW008）]

參考文獻：

[1]劉永謀，王春麗.智能時代的人機關系：走向技術控制的選擇論[J].全球傳媒學刊，2023（3）.

[2]Monojoy Bhattacharjee. Almost 50% of news publishers

use Generative AI tools， but “quality of content” is the

#1 concern[EB/OL].2023-01-23[2023-07-14].https：//whatsnewinpublishing.com/almost-50-of-news-publishers-use-generative-ai-tools-but-quality-of-content-is-the-1-concern/.

[3]Nick Diakopoulos. What Could ChatGPT Do for News

Production？[EB/OL].2023-01-15[2023-07-15].https：//generative-ai-newsroom.com/what-could-chatgpt-do-for-news-production-2b2a3b704

7d9.

[4]Liu X， Nourbakhsh A， Li Q， et al. Reuters tracer：Toward automated news production using large scale social

media data[C]//2017 IEEE International Conference onBig Data （Big Data）.IEEE，2017：1483-1493.

[5]Joe Mandese.AI-Generated News Sites More Than Double In Two Weeks[EB/OL].2023-05-19[2023-07-25].https：//www.mediapost.com/publications/article/385557/ai-generated-news-sites

-more-than-doubles-in-two-w.html.

[6]Marcela Kunova. How Reuters uses AI to speed up

discoverability of video news content[EB/OL].2023-07-25[2023-07-27].https：//www.journalism.co.uk/news/how-reuters-uses-ai-to-speed-up-discoverability-of-video-news-content/s2/a1055917/.

[7]Gina Chua.How chatbots can change journalism.Or not.[EB/OL].2023-02-19[2023-07-19].https：//www.semafor.com/article/02/17/2023/how-chatbots-can-change-journalism-or-not？utm_source=pocket_saves.

[8]NewsCube.NewsCubed project archive[EB/OL].[2023-10-23].http：//newscubed.com/.

[9]Van Der Aalst W.Process mining[J].Communications of the ACM，2012，55（8）：76-83.

[10]AJ Dellinger.AI-Powered Search Engines Driving Concerns Over Accuracy，Bias[EB/OL].2023-01-22[2023-07-12].https：//pro.morningconsult.com/instant-intel/ai-powered-search-concerns-bing-chatgpt.

[11]Seo H，Blomberg M，Altschwager D，et al.Vulnerable populations and misinformation：A mixed-methods approach to underserved older adults online information assessment[J].NewMedia & Society，2021，23（7）：2012-2033.

[12]Paris B，Donovan J.Deepfakes and cheap fakes[J].2019.

[13]Verdoliva L.Media forensics and deepfakes：an overview[J]. IEEE Journal of Selected Topics in Signal Processing，2020，14（5）：910-932.

[14]Khan S A，Sheikhi G，Opdahl A L，et al.Visual User-Generated Content Verification in Journalism：An Overview[J].IEEE Access，2023.

[15]Opdahl A L，Tessem B，Dang-Nguyen D T，et al.Trustworthy journalism through AI[J].Data & Knowledge Engineering，2023，146：102-182.

[16]Roper D.Gauging Generative AIs Impact in Newsrooms[R].1：WAN-IFRA，2023-05-24.

[17]王鵬濤，徐潤婕.AIGC介入知識生產下學術出版信任機制的重構研究[J].圖書情報知識，2023，40（05）：87-96.DOI：10.13366/j.dik.2023.05.087.

[18]WAN-IFRA Staff.Global Publishing and Journalism

Organizations Unite to Release Comprehensive Global Principles for Artificial Intelligence[EB/OL].2023-09-06[2023-10-23].https：//wan-ifra.org/2023/09/global-principles-for-artificial-intelligence-ai/.

作者簡介：蔣雪穎，北京大學新聞與傳播學院博士生（北京 100089）；劉欣（通訊作者），北京大學新聞與傳播學院博士生（北京 100089）；許靜，北京大學新聞與傳播學院教授（北京 100089）。

編校：董方曉