2026 年 11 月 3 日
随着生成式人工智能在新闻报道、公司通讯及营销材料创作中的广泛应用，如何识别并规避 AI 固有的偏见成为传播领域关注的焦点。美国堪萨斯大学大众传播教授 Mugur Geana 近日发表研究章节，为通信专业人员提供了一套识别和避免 AI 偏见的技术框架。
Geana 的研究成果收录于由德国柏林 Quadriga 应用科学大学出版的《可持续人工智能：公关、通信、公共事务和可持续性专业人士的读者》（Sustainable AI: A Reader for PR, Communication, Public Affairs and Sustainability Professionals）一书中。该书由 Ana Adi、Alexander Morton 和 Thomas Stoeckle 编辑，目前在 Zenodo 平台可供免费下载。
AI 训练数据中的认知盲区
大型语言模型基于人类工作数据进行训练，这一过程不可避免地引入了认知偏见。Geana 指出，许多社区的故事、特定潮流以及未被数字化的意识形态或哲学经验被遗漏，导致用于训练 AI 的数据库存在知识缺口。这种缺口不仅源于技术访问限制，有时也涉及人为忽视，构成了当前 AI 面临的主要问题之一。
为了分析潜在的训练谬误及其造成的伤害延续机制，Geana 借鉴了伦敦大学学者 Miranda Fricker 关于“认识不公正”的理论。他强调，承认 AI 模型存在知识缺口是关键第一步，同时这些缺口是可以被发现并加以解决的。
四维检查清单与问责机制
针对通信人员在工作中可能遇到的偏见陷阱，Geana 提出了一份包含四个维度的检查清单，旨在帮助从业者严格审查 AI 输出：
- 证词的可信性
- 解释的完整性
- 呈现方式（视觉和叙事）
- 机构问责制
该清单通过一系列具体问题，引导用户识别潜在的偏见信号、警告标志，并采取相应行动以规避风险。Geana 认为，沟通人员的任务并非放弃工具，而是停止将“流利度”等同于“准确性”，并建立系统性地询问“谁的声音和知识进入了页面”的习惯。
“人类优先”的行业实践
在澳大利亚大学新闻与大众传播学院，目前推行“人类优先，人类最后”的方法论。鉴于 AI 从有缺陷的人类输出中学习，且作为合成实体无法对自己的行为负责，所有 AI 生成的内容都必须经过严格的人工检查。
该书编辑团队还制定了披露 AI 使用的标准化标题规范。部分作者利用 AI 作为研究助理，另有作者使用其进行从母语到英语的翻译辅助。Geana 表示，这本书并不旨在鼓舞或警告 AI 技术，而是指导沟通和可持续发展从业者在战争、政治两极分化及社会不平等等复杂背景下，负责任地使用 AI 工具。
尽管世界正经历多重挑战，Geana 对技术的进步持积极态度，认为解决认识和系统性偏见是可行的方向。他在结论中写道：“我们试图解决可持续人工智能的主题，而不期望提出最终解决方案……我们问自己能做些什么来证明其输出的认识真实性。”
参考文献：
Ana Adi et al., Sustainable AI: A Reader for PR, Communication, Public Affairs and Sustainability Professionals, Zenodo (2026). DOI: 10.5281/zenodo.23136892
