中圖分類號(hào)］N4；TP18 ［文獻(xiàn)標(biāo)識(shí)碼]A [DOI]10.19293/j.cnki.1673-8357.2025.02.002

雖然科學(xué)的迅速發(fā)展已經(jīng)并可能持續(xù)深刻地改變?nèi)藗兊纳?，“但是公眾?duì)前沿科學(xué)的了解卻非常有限，這是我們科學(xué)傳播系統(tǒng)的重要不足”?？茖W(xué)家們的科研成果科普是對(duì)前沿科學(xué)的一種有力展現(xiàn)，可以使公眾更好地了解“檔案”之外的科學(xué)，在提高公眾科學(xué)素質(zhì)的同時(shí)，有利于公眾“思考新研究成果可能帶來的社會(huì)、倫理、政策方面的影響”，從而使之更好地參與到與科學(xué)相關(guān)的社會(huì)議題討論和決策過程中。然而，目前能夠科普化的科研成果仍然比較有限。根據(jù)朱莉·蘇萊斯基（JulieSuleski）等人的研究，目前只有 0.013%～0.34% 的研究論文能夠得到大眾媒介的關(guān)注，其中有關(guān)健康和醫(yī)學(xué)的研究論文被報(bào)道的比例最高，其他領(lǐng)域的論文被報(bào)道的比例在 0.001%～0.005% 之間[2]

生成式人工智能（GenerativeArtificialIntelligence）通過賦能公眾，降低了公眾獲得前沿科學(xué)成果的成本，提高了公眾的主動(dòng)性，公眾可以通過生成式人工智能獲得科普內(nèi)容，甚至參與科普內(nèi)容的生產(chǎn)，如利用ChatGPT提供的“ScienceCommunicator”\"Medical Science Popularization”“PopSci Forge'“SciWrite Assistant”“科普作家”“PopSci WriterAssistant”等科普聊天機(jī)器人[3。然而，生成式人工智能也會(huì)給科普帶來一系列的風(fēng)險(xiǎn)，如生成錯(cuò)誤信息[4]，沖擊已有科普主體組成的系統(tǒng)結(jié)構(gòu)，甚至從根本上動(dòng)搖傳統(tǒng)的內(nèi)容生產(chǎn)者（信息源和科普內(nèi)容制作者）的地位。因此，生成式人工智能生成的科普內(nèi)容有哪些特點(diǎn)，能否取代包括科學(xué)家和科普記者在內(nèi)的傳統(tǒng)科普內(nèi)容生產(chǎn)者就成為受關(guān)注的問題。

前沿科學(xué)成果的科普相較其他科普具有獨(dú)特性。其一，前沿科學(xué)成果完成時(shí)間較近，因此公眾語境中的相關(guān)內(nèi)容較少，不能為生成式人工智能提供充足的訓(xùn)練材料。其二，前沿科學(xué)成果雖然初步取得了科學(xué)合法性，但是還未得到科學(xué)共同體的廣泛認(rèn)可，因此內(nèi)容不確定性較強(qiáng)，在科普過程中需要使用更為謹(jǐn)慎的表達(dá)方式。其三，從技術(shù)的角度看，生成式人工智能的內(nèi)容生成包含多個(gè)過程：在預(yù)訓(xùn)練過程中，對(duì)生成式人工智能大模型的訓(xùn)練主要基于已有的網(wǎng)絡(luò)內(nèi)容進(jìn)行，使其具備通用領(lǐng)域的內(nèi)容創(chuàng)作能力；之后，用戶可以利用訓(xùn)練完成的大模型開展科普內(nèi)容創(chuàng)作。其中，預(yù)訓(xùn)練過程存在兩種可能。一種可能是大模型缺乏預(yù)訓(xùn)練的數(shù)據(jù)，由于預(yù)訓(xùn)練過程需要基于大量已有數(shù)據(jù)，所以當(dāng)公共網(wǎng)絡(luò)資源中不存在相關(guān)主題內(nèi)容時(shí)，沒有受過相關(guān)主題訓(xùn)練的大模型可能在內(nèi)容生成上存在問題；另一種可能是完成預(yù)訓(xùn)練的大模型將具備一定的泛化性能，比如大模型完成10以內(nèi)加減法的訓(xùn)練之后，能夠通過泛化，完成10以上加減法。

基于以上探討，本研究以《中國科學(xué)報(bào)》2024年12月所有化學(xué)領(lǐng)域前沿科學(xué)成果的報(bào)道內(nèi)容與生成式人工智能大模型生成的相同主題的報(bào)道內(nèi)容為研究對(duì)象，從內(nèi)容和呈現(xiàn)方式兩個(gè)角度進(jìn)行對(duì)比分析，以考察生成式人工智能科普前沿科學(xué)成果的特點(diǎn)。本研究選擇使用的5個(gè)廣受認(rèn)可的大模型為：訊飛星火認(rèn)知（科大訊飛）、文心一言（百度）、通義千問（阿里巴巴）、豆包（字節(jié)跳動(dòng)）、元寶（騰訊）。

1生成式人工智能與科普

目前，生成式人工智能被用于文字、圖片、視頻等各種形式的內(nèi)容生成過程中，并在教育、科研、醫(yī)療、商業(yè)、數(shù)字媒介等領(lǐng)域中被廣泛應(yīng)用[5]

現(xiàn)有的關(guān)于生成式人工智能與科普的研究主要關(guān)注兩個(gè)方面。其一是將生成式人工智能看作一項(xiàng)新技術(shù)，探討加強(qiáng)公眾對(duì)其理解的必要性、其可能的發(fā)展路徑、及其帶來風(fēng)險(xiǎn)的應(yīng)對(duì)方式[6-8]，比如通過提高全民科學(xué)素質(zhì)的方式使人能夠更好地利用人工智能，保護(hù)人類創(chuàng)造力，減少對(duì)人工智能的過度依賴，提高人工智能使用者的倫理意識(shí)并增強(qiáng)其倫理教育 [9-1] ○

其二是關(guān)注人工智能對(duì)科普工作的影響。人工智能有利于激發(fā)科普創(chuàng)作者的靈感，降低科普內(nèi)容的查找難度和所需要時(shí)間成本，甚至直接生成科普內(nèi)容[12-13]，實(shí)現(xiàn)個(gè)性化內(nèi)容定制[14]，從而吸引更多更廣泛的主體參與到科普創(chuàng)作過程中[3]

除此之外，生成式人工智能也可能從科普過程和科普系統(tǒng)兩個(gè)方面產(chǎn)生一系列的風(fēng)險(xiǎn)。在科普內(nèi)容方面，生成式人工智能生成的科普內(nèi)容可能出現(xiàn)虛假信息[4.15]，侵犯隱私、安全性、知識(shí)產(chǎn)權(quán)，在具體場(chǎng)景中，比如在館校合作過程中還會(huì)造成數(shù)字鴻溝、倫理偏見等[。在科普系統(tǒng)方面，生成式人工智能為傳統(tǒng)的科普工作組織系統(tǒng)帶來了沖擊。

一方面，生成式人工智能進(jìn)一步打破了傳統(tǒng)傳播者和受眾之間的界限，由于降低了技術(shù)門檻，一般公眾可以在人工智能的輔助下以較低的成本生成科普內(nèi)容，從而可能削減部分傳統(tǒng)傳播者，如科學(xué)家和專職科普人員的權(quán)威性和主體性，動(dòng)搖已有科普服務(wù)系統(tǒng)的根基[2；另一方面，生成式人工智能為科普內(nèi)容監(jiān)管系統(tǒng)帶來了新的壓力，由于缺少傳統(tǒng)的把關(guān)人制度且進(jìn)一步降低了科普內(nèi)容制作門檻，科普內(nèi)容嚴(yán)謹(jǐn)性和可靠性可能進(jìn)一步降低，其中的價(jià)值框架也可能出現(xiàn)問題，從而給監(jiān)管系統(tǒng)帶來了壓力[7]

已有研究深入探討了生成式人工智能與科普之間的關(guān)系，但是仍存在兩方面的問題。一方面，已有研究整體上仍以綜述或者質(zhì)性討論的方式為主，主要依賴于自身或其他學(xué)者的經(jīng)驗(yàn)判斷，以給出可能存在的風(fēng)險(xiǎn)，卻較少對(duì)人工智能參與科普的實(shí)際情況進(jìn)行量化分析。另一方面，已有研究較少區(qū)分生成式人工智能對(duì)不同類型科普內(nèi)容生成的影響，但生成式人工智能在不同類型的內(nèi)容生成上的性能可能存在較為明顯的差異。比如對(duì)于已經(jīng)成為常識(shí)的科學(xué)知識(shí)，或者已經(jīng)有較多科普文章的科普主題，生成式人工智能能夠搜索并學(xué)習(xí)較為全面的相關(guān)信息，從而生成相對(duì)準(zhǔn)確且通俗的科普內(nèi)容。但是對(duì)于網(wǎng)絡(luò)上內(nèi)容較少的前沿科學(xué)成果，由于可學(xué)習(xí)的內(nèi)容較少，因此有可能影響內(nèi)容產(chǎn)出性能。而針對(duì)前沿科學(xué)成果的科普，研究人員的關(guān)注比較有限。阿曼達(dá)·阿爾瓦雷斯（AmandaAlvarez）等人提到，生成式人工智能可以幫助科學(xué)傳播者理解科學(xué)論文，把其中的科學(xué)語言翻譯成一般公眾了解的形式，還可以幫助科研人員根據(jù)不同類型的受眾的特點(diǎn)將研究發(fā)現(xiàn)生成為不同的科普內(nèi)容[4]。

本研究將以實(shí)證研究的方式，從內(nèi)容和呈現(xiàn)方式兩個(gè)方面，考察生成式人工智能在前沿科學(xué)成果科普方面的特點(diǎn)。在內(nèi)容方面，將關(guān)注科學(xué)內(nèi)容的表述嚴(yán)謹(jǐn)性和來源可靠性2個(gè)指標(biāo)；在呈現(xiàn)方式方面，將關(guān)注故事性和情感傾向2個(gè)指標(biāo)。

2研究設(shè)計(jì)

本研究梳理了《中國科學(xué)報(bào)》2024年12月發(fā)表的所有化學(xué)領(lǐng)域前沿科學(xué)成果的報(bào)道，涵蓋基礎(chǔ)研究、應(yīng)用實(shí)踐、技術(shù)發(fā)明等類型。這些主題具有高度前沿性和多樣性，充分體現(xiàn)了化學(xué)領(lǐng)域在能源、材料、環(huán)境等關(guān)鍵議題中的核心作用，兼具科學(xué)價(jià)值、社會(huì)價(jià)值與公眾關(guān)注度。

研究從中提取了前沿科學(xué)成果的主題，并以統(tǒng)一的描述“我是某報(bào)社的記者，請(qǐng)幫我寫一篇以‘’為主題的，面向一般社會(huì)公眾的科普?qǐng)?bào)道，并列出參考文章”，輸入5個(gè)在中國使用廣泛的大模型，分別是訊飛星火認(rèn)知、文心一言、通義千問、豆包、元寶，使之生成同主題內(nèi)容。最終，以24個(gè)主題（見表1）為內(nèi)容的24篇《中國科學(xué)報(bào)》的報(bào)道和120篇5個(gè)大模型生成的報(bào)道作為研究對(duì)象開展分析。

本研究聚焦前沿科學(xué)成果的文字式科普形式，從“科學(xué)內(nèi)容”與“呈現(xiàn)方式”兩個(gè)維度切人，分別評(píng)估科學(xué)報(bào)道內(nèi)容的表述嚴(yán)謹(jǐn)性、來源可靠性、故事性和情感傾向4個(gè)指標(biāo)。指標(biāo)設(shè)計(jì)兼顧科學(xué)傳播的“硬標(biāo)準(zhǔn)”與“軟實(shí)力”，為系統(tǒng)分析和對(duì)比專業(yè)科學(xué)記者撰寫內(nèi)容和大模型科普?qǐng)?bào)道的特點(diǎn)提供了多維度工具（見表2）。

在科學(xué)內(nèi)容方面，嚴(yán)謹(jǐn)?shù)乇磉_(dá)科學(xué)成果的內(nèi)容，減少錯(cuò)誤和虛假信息是科普最基本的要求，也是學(xué)者們認(rèn)為生成式人工智能可能出現(xiàn)的問題[4.15]。表述嚴(yán)謹(jǐn)性直接關(guān)系到信息傳播的可靠性，是科學(xué)內(nèi)容傳播的核心要求之一，在本研究中主要依靠科學(xué)共同體（化學(xué)領(lǐng)域的研究人員）的反饋開展量化研究。而來源的可靠性在一定程度上能夠影響所呈現(xiàn)的科學(xué)內(nèi)容，可通過賦分量化來源的權(quán)威性和普及性（見表3）。

在呈現(xiàn)方式方面，本研究主要關(guān)注前沿成果相關(guān)主題，其本質(zhì)上是新發(fā)生的新聞事件，注重科普的敘事邏輯，以及如何傳達(dá)信息、方式是否有效，因此關(guān)注呈現(xiàn)方式的故事性。根據(jù)故事的組成元素，本研究借鑒了艾瑪·弗朗西絲·布魯姆菲爾德（EmmaFrancesBloomfield）提出的敘事網(wǎng)框架（NarrativeWeb），包括人物、行動(dòng)、順序、范圍、故事敘述者、內(nèi)容6個(gè)方面，具體定義與賦分方式見表4[17]。除此之外，由于內(nèi)容呈現(xiàn)的情感傾向有可能影響受眾對(duì)相關(guān)科學(xué)主題的印象，因此本研究將分析科普內(nèi)容中的情感傾向。

在研究方法方面，本研究采用專家評(píng)分法分析表述的嚴(yán)謹(jǐn)性，請(qǐng)化學(xué)領(lǐng)域的研究人員在參考論文原文或設(shè)備和項(xiàng)目相關(guān)信息的基礎(chǔ)上，對(duì)科學(xué)內(nèi)容的表述嚴(yán)謹(jǐn)性進(jìn)行“高”“低”打分，評(píng)分標(biāo)準(zhǔn)是只要出現(xiàn)一處和科學(xué)內(nèi)容相關(guān)的不準(zhǔn)確之處（不包括少量錯(cuò)別字等問題），則判為“低”，沒有不準(zhǔn)確之處的科學(xué)內(nèi)容則判為“高”。之后，將“高”賦分為1，“低”賦分為0，5個(gè)大模型得分取平均分作為大模型生成內(nèi)容的最終得分。

本研究采用內(nèi)容分析法分析科學(xué)內(nèi)容的來源可靠性和故事性。由兩位研究人員根據(jù)編碼本對(duì)兩篇文章進(jìn)行獨(dú)立編碼，通過一致性檢驗(yàn)之后，由一位研究人員進(jìn)行編碼。在來源可靠性方面，根據(jù)賦分框架，研究人員對(duì)報(bào)道進(jìn)行賦分，5個(gè)大模型得分取平均分作為生成式人工智能大模型生成內(nèi)容的最終得分。在情感傾向方面，本研究使用了PyCharmCommunityEdition2023.3.4作為主要開發(fā)環(huán)境，并結(jié)合Python3.10來編寫與運(yùn)行代碼。

使用的第三方庫有：pandas（用于數(shù)據(jù)的讀取、處理與存儲(chǔ)）、SnowNLP（用于中文文本的自然語言處理與情感分析）。

其中，SnowNLP是一個(gè)專門面向中文文本的自然語言處理庫，它包含了中文分詞、詞性標(biāo)注、情感分析、文本分類、關(guān)鍵字或摘要提取、詞頻一逆向文件頻率、文本相似度等多種功能，能夠高效地進(jìn)行對(duì)中文文本的情感分析[18]。SnowNLP已被廣泛應(yīng)用于社交媒體文本的情感分析研究[19]，在情感分析方面可直接對(duì)中文句子或段落進(jìn)行情感傾向計(jì)算，并反饋情感得分，得分范圍為[0，1]，其中數(shù)值越大表示情感越正面。

其分析過程主要包括三步。第一，數(shù)據(jù)加載與預(yù)處理：數(shù)據(jù)文件通過pd.read_csv（方法加載，文件中應(yīng)包含每篇報(bào)道的編號(hào)（“報(bào)道編號(hào)”）、標(biāo)題（“標(biāo)題”）、內(nèi)容（“內(nèi)容”）。第二，情感分析：使用SnowNLP對(duì)每篇報(bào)道的內(nèi)容進(jìn)行分句處理，并逐句計(jì)算情感得分。第三，統(tǒng)計(jì)結(jié)果：統(tǒng)計(jì)每篇報(bào)道中的正面、中性和負(fù)面句子數(shù)量，并計(jì)算句子情感得分的均值作為整體情感傾向。

根據(jù)情感得分，本研究將5個(gè)大模型生成的科普內(nèi)容的情感得分取平均值作為這一主題生成式人工智能大模型生成文章的情感得分，并與《中國科學(xué)報(bào)》上報(bào)道的情感得分做配對(duì)T檢驗(yàn)，考察兩組科普文章是否在情感傾向上存在顯著性差異，

3研究結(jié)果

3.1科學(xué)內(nèi)容

在科學(xué)內(nèi)容方面，《中國科學(xué)報(bào)》與大模型生成內(nèi)容的表述嚴(yán)謹(jǐn)性均值相近（0.71vs.0.75），整體表述嚴(yán)謹(jǐn)性較好（見表5）。總體上，大模型生成報(bào)道中的不準(zhǔn)確之處主要體現(xiàn)在科學(xué)錯(cuò)誤和科學(xué)表述不準(zhǔn)確兩個(gè)方面。在科學(xué)錯(cuò)誤方面，存在將紫外光波長表述為400nm （應(yīng)為 400nm～10nm ），將科學(xué)方法裂化表述為蒸餾，以及前后科學(xué)內(nèi)容之間建立不存在的因果關(guān)系等問題。在科學(xué)表述不準(zhǔn)確方面，存在翻譯不準(zhǔn)確、科學(xué)名詞書寫不規(guī)范（如Bi2Te3中的數(shù)字應(yīng)使用下角標(biāo)）論文發(fā)表期刊錯(cuò)誤、將其他論文中的結(jié)論歸入另一篇論文中等問題

但兩者的統(tǒng)計(jì)數(shù)據(jù)并沒有顯著性差異（見表6），即傳統(tǒng)科普內(nèi)容生成者并沒有在表述嚴(yán)謹(jǐn)性方面表現(xiàn)出統(tǒng)計(jì)上的優(yōu)勢(shì)。配對(duì)T檢驗(yàn)結(jié)果顯示，兩組內(nèi)容的表述嚴(yán)謹(jǐn)性差異無統(tǒng)計(jì)學(xué)意義（ P=0.674gt;0.05 ）。這表明傳統(tǒng)科普內(nèi)容生成者與大模型在表述嚴(yán)謹(jǐn)性上表現(xiàn)相當(dāng)，大模型并未因訓(xùn)練數(shù)據(jù)限制而顯著降低表述嚴(yán)謹(jǐn)性。

在來源可靠性方面，《中國科學(xué)報(bào)》主要來自一手資料，比如論文原文，但大模型往往參考范圍更廣，不僅包括論文原文，還包括科研機(jī)構(gòu)網(wǎng)站、科研資助機(jī)構(gòu)網(wǎng)站、科學(xué)媒體網(wǎng)站（包括《中國科學(xué)報(bào)》）、行業(yè)媒體網(wǎng)站、自媒體發(fā)布的文章。而且大模型之間的參考文獻(xiàn)選擇范圍也有所區(qū)別，如文心一言相對(duì)更加會(huì)參考論文原文，而有的大模型主要參考各大媒體報(bào)道。

雖然《中國科學(xué)報(bào)》的來源可靠性均值更高（5.83vs.2.65）（見表7），但是兩組科普內(nèi)容之間沒有顯著性差別（ P=0.127gt;0.05 ）（見表8）。這表明差異可能源于數(shù)據(jù)來源多樣性，而非系統(tǒng)性偏差。傳統(tǒng)科普內(nèi)容在來源權(quán)威性上更具優(yōu)勢(shì)，但與大模型生成內(nèi)容的來源可靠性差異并不顯著。

綜上所述，在科學(xué)內(nèi)容方面，《中國科學(xué)報(bào)》與大模型生成內(nèi)容在表述嚴(yán)謹(jǐn)性和來源可靠性方面均較好，并且兩者之間不存在統(tǒng)計(jì)性差異。

3.2呈現(xiàn)方式

在故事性方面，從下圖（圖1）可以看出，兩者在各個(gè)指標(biāo)得分上具有類似的特點(diǎn)。比如由于是對(duì)前沿科研成果的報(bào)道，兩者都會(huì)涉及成果創(chuàng)造者（“人物”）和成果相關(guān)事件（“行動(dòng)”），因此在“人物”和“行動(dòng)”方面得分較高。而由于前沿科研成果主題與一般公眾的日常生活、興趣或利益（“內(nèi)容”）距離比較遠(yuǎn)，兩者都較少提到這方面內(nèi)容，因此，在“內(nèi)容”方面的得分均較低

此外，《中國科學(xué)報(bào)》在敘事網(wǎng)各指標(biāo)的得分較為均衡，特別是在“人物”“故事敘述者”“順序”方面。這可能是因?yàn)椤吨袊茖W(xué)報(bào)》記者能夠直接采訪到相關(guān)的科學(xué)家，從而了解成果獲得背后的曲折過程，因此人和事在報(bào)道中得到了較好的體現(xiàn)。而大模型在“行動(dòng)”和“范圍”方面表現(xiàn)較好，能夠更好地展示研發(fā)步驟，并提供理解成果本身的本領(lǐng)域背景性內(nèi)容和對(duì)其他學(xué)科意義的內(nèi)容。

整體上，大模型表現(xiàn)較好的兩個(gè)指標(biāo)與《中國科學(xué)報(bào)》相比也并不表現(xiàn)得特別突出。而《中國科學(xué)報(bào)》在“人物”“故事敘述者”“順序”方面的優(yōu)勢(shì)較為明顯，因而在故事性方面的整體優(yōu)勢(shì)更加凸顯。

在情感傾向方面，從平均值（見表9）可以看出，無論是《中國科學(xué)報(bào)》還是大模型生成的內(nèi)容，在報(bào)道前沿科學(xué)成果時(shí)，基本采用正面的情感（平均值 gt;0.5 ）。然而，配對(duì)T檢驗(yàn)顯示（見表10），大模型生成的同主題內(nèi)容要比《中國科學(xué)報(bào)》記者寫出的內(nèi)容具有更高的正面情感傾向性（0.722vs.0.687），且兩組內(nèi)容的情感傾向差異具有統(tǒng)計(jì)學(xué)意義（ P=0.008lt;0.05 ）。而大模型生成的內(nèi)容正面情感傾向更為顯著，可能因其訓(xùn)練數(shù)據(jù)偏向積極表述，或受傳統(tǒng)科普內(nèi)容的情感基調(diào)影響而被進(jìn)一步放大。

綜上所述，在情感傾向方面，大模型生成的內(nèi)容要比傳統(tǒng)報(bào)道更傾向于展現(xiàn)正面情感。

4結(jié)論與建議

通過對(duì)比傳統(tǒng)科普內(nèi)容生成者和生成式人工智能模型生成的前沿科學(xué)成果科普內(nèi)容，可以看出，大模型在科學(xué)內(nèi)容表述嚴(yán)謹(jǐn)性和來源可靠性方面的表現(xiàn)較好，并且與傳統(tǒng)科普內(nèi)容生產(chǎn)者之間不存在統(tǒng)計(jì)學(xué)差異。在故事性方面，傳統(tǒng)科普內(nèi)容生成者更有優(yōu)勢(shì)。在情感傾向方面，大模型生成的內(nèi)容要比傳統(tǒng)報(bào)道更傾向于展現(xiàn)正面情感，

第一，生成式人工智能大模型在前沿科學(xué)成果科普內(nèi)容創(chuàng)作領(lǐng)域，展現(xiàn)出了諸多顯著優(yōu)勢(shì)。

在科學(xué)內(nèi)容表述嚴(yán)謹(jǐn)性方面，大模型與傳統(tǒng)科普內(nèi)容生產(chǎn)者相比，不存在統(tǒng)計(jì)學(xué)差異。針對(duì)前沿科學(xué)成果科普在網(wǎng)絡(luò)上直接相關(guān)內(nèi)容較少的情況，大模型能夠生成表述嚴(yán)謹(jǐn)性較高的內(nèi)容，較少出現(xiàn)嚴(yán)重誤導(dǎo)性內(nèi)容。在梳理少數(shù)不準(zhǔn)確內(nèi)容時(shí)發(fā)現(xiàn)，同類問題在傳統(tǒng)科普作品中同樣存在，且出現(xiàn)較多的不嚴(yán)謹(jǐn)內(nèi)容更多是翻譯和科學(xué)概念寫法上的問題，具有嚴(yán)重誤導(dǎo)性的不準(zhǔn)確內(nèi)容比較有限。對(duì)于前沿科學(xué)成果這類在網(wǎng)絡(luò)上可學(xué)習(xí)、可參考、可對(duì)比的內(nèi)容相對(duì)較少的科學(xué)主題，生成式人工智能模型尚且可以生成較為準(zhǔn)確的內(nèi)容表達(dá)，那么對(duì)于其他在網(wǎng)絡(luò)上已經(jīng)存在較多學(xué)習(xí)內(nèi)容的其他科學(xué)主題，生成式人工智能模型非常有可能生成表述嚴(yán)謹(jǐn)性更高的科普內(nèi)容。也就是說，已有研究所擔(dān)心的生成錯(cuò)誤信息的問題[4]可能并不會(huì)發(fā)生，即使發(fā)生也可能并不嚴(yán)重。

在科學(xué)內(nèi)容來源可靠性方面，生成式人工智能模型還能夠直接參考論文原文（在120篇生成式人工智能生成的文章中，有11篇參考了原論文），因而可靠性較強(qiáng)。因此，雖然理論上生成式人工智能大模型可能會(huì)生成錯(cuò)誤信息，但隨著模型參數(shù)規(guī)模的擴(kuò)大和訓(xùn)練數(shù)據(jù)的增加，相關(guān)問題的出現(xiàn)或許在一定程度上能減少。并且，由于生成式人工智能模型生成內(nèi)容的速度較快、效率較高，并且在生成的過程中，通過人與模型的溝通，大模型可以不斷提高科普內(nèi)容的故事性和通俗性，因此，生成式人工智能技術(shù)在科普領(lǐng)域的應(yīng)用前景較好。尤其對(duì)于內(nèi)容相對(duì)來說較為固定的中小學(xué)階段科學(xué)類教材來說，利用生成式人工智能產(chǎn)出的前沿科學(xué)成果科普文章可以成為教材內(nèi)容的有益補(bǔ)充。

第二，生成式人工智能大模型在前沿科學(xué)成果科普內(nèi)容創(chuàng)作領(lǐng)域，仍存在一些劣勢(shì)

在既有內(nèi)容依賴方面，由于網(wǎng)絡(luò)上前沿科學(xué)成果內(nèi)容有限，大模型生成新內(nèi)容時(shí)常常參考傳統(tǒng)科普內(nèi)容生成者的已有成果，例如在本研究中，《中國科學(xué)報(bào)》的內(nèi)容頻繁出現(xiàn)在大模型生成內(nèi)容的參考文獻(xiàn)里。

在情感傾向方面，雖然大模型生成內(nèi)容與傳統(tǒng)報(bào)道的情感傾向一致，皆傾向于展現(xiàn)正面情感，但其情感傾向在傳統(tǒng)報(bào)道的基礎(chǔ)進(jìn)一步被放大。這可能強(qiáng)化已有刻板印象，加劇公眾對(duì)科技的盲目樂觀，削弱公眾對(duì)科技倫理的反思能力，從而影響公眾對(duì)待前沿科學(xué)成果的立場(chǎng)，尤其對(duì)于不確定性強(qiáng)的前沿科學(xué)成果，不利于公眾批判性看待并謹(jǐn)慎評(píng)判其利弊，可能傷害受眾的反思性，進(jìn)而影響其在科技治理過程中的決策。故對(duì)于不確定性較強(qiáng)的前沿科學(xué)成果，更有必要較為中立地開展科普，促進(jìn)公眾批判性地看待前沿科學(xué)成果，謹(jǐn)慎評(píng)判其可能給科學(xué)、社會(huì)、一般公眾帶來的好處和風(fēng)險(xiǎn)，這有利于公眾在相關(guān)科技治理過程中作出更有利于人類福祉的決策。

第三，生成式人工智能大模型在前沿科學(xué)成果科普內(nèi)容創(chuàng)作領(lǐng)域尚不能完全替代人類傳播主體。

雖然生成式人工智能技術(shù)產(chǎn)出的內(nèi)容在科學(xué)內(nèi)容表述嚴(yán)謹(jǐn)性和信源可靠性方面與傳統(tǒng)科普內(nèi)容生成者的內(nèi)容沒有顯著性差異，并且能夠讓科普內(nèi)容生成更加便捷，但其尚不能替代已有的傳統(tǒng)科普內(nèi)容生成者。其一，傳統(tǒng)科普內(nèi)容生成者生產(chǎn)的內(nèi)容為生成式人工智能大模型提供了學(xué)習(xí)材料，如本研究發(fā)現(xiàn)大模型生成內(nèi)容的參考文獻(xiàn)中往往出現(xiàn)《中國科學(xué)報(bào)》記者的相關(guān)報(bào)道。傳統(tǒng)科普內(nèi)容生成者不僅為大模型生成內(nèi)容提供了前沿科學(xué)成果的科學(xué)內(nèi)容素材，還能夠接觸科學(xué)家，了解到前沿成果背后的人物與曲折，為大模型的內(nèi)容呈現(xiàn)提供更多的故事性素材，這些是大模型不可能通過學(xué)習(xí)獲知的內(nèi)容。其二，傳統(tǒng)科普內(nèi)容生成者的內(nèi)容更可能在價(jià)值觀和情感方面發(fā)揮根本性的作用。本研究發(fā)現(xiàn)，生成式人工智能產(chǎn)出的內(nèi)容在情感傾向上與傳統(tǒng)科普內(nèi)容生成者是一致的，而且起到進(jìn)一步加強(qiáng)既有傾向的作用。因此，已有研究所憂慮的生成式人工智能會(huì)對(duì)當(dāng)前的科普系統(tǒng)產(chǎn)生沖擊，尤其是對(duì)傳統(tǒng)傳播者地位造成威脅的情況[12]，可能在短期內(nèi)不會(huì)發(fā)生。雖然生成式人工智能能夠打破傳統(tǒng)傳播者和受眾之間的界限，但在生成式人工智能具有反思性能力之前，將科學(xué)內(nèi)容從科學(xué)共同體語境介紹到社會(huì)語境過程中必不可少的科技記者、編輯、科研機(jī)構(gòu)的宣傳主管，以及生產(chǎn)科普內(nèi)容的科學(xué)家等科普系統(tǒng)中的角色仍然不可替代。生成式人工智能可以在內(nèi)容的通俗性、組織形式、故事性等方面推陳出新，但在更根本的方面，比如情感傾向，更可能延續(xù)傳統(tǒng)科普內(nèi)容生成者奠定的基調(diào)。也就是說，生成式人工智能目前仍然只能起到輔助性的作用，并不能代替?zhèn)鹘y(tǒng)科普內(nèi)容生成者。

因此，應(yīng)該在肯定生成式人工智能大模型優(yōu)勢(shì)的前提下，探索平衡大模型和人類內(nèi)容創(chuàng)作者的方式，進(jìn)一步提高前沿科學(xué)成果科普效率。其一，加強(qiáng)人類內(nèi)容創(chuàng)作者對(duì)大模型的利用能力，通過提高溝通技能、推動(dòng)大模型內(nèi)容生成的敘事能力，加強(qiáng)科普內(nèi)容的通俗性和針對(duì)性。其二，提高人類內(nèi)容創(chuàng)作者對(duì)大模型的認(rèn)識(shí)深度，了解大模型在放大已有情感傾向方面的風(fēng)險(xiǎn)，對(duì)大模型生成內(nèi)容有所警惕。其三，制定大模型參與生成科普內(nèi)容的標(biāo)注政策，通過作者標(biāo)注或風(fēng)險(xiǎn)標(biāo)簽的方式，提醒公眾對(duì)大模型生成內(nèi)容的風(fēng)險(xiǎn)保持警惕。

但本研究存在一定的局限性。首先，本研究的樣本量較少，只關(guān)注了《中國科學(xué)報(bào)》近期報(bào)道的24個(gè)前沿科學(xué)成果主題。其次，本研究僅關(guān)注了化學(xué)領(lǐng)域的前沿報(bào)道，并未涉及其他領(lǐng)域的情況，研究結(jié)果可能存在偏差。最后，本研究只聚焦于中國社會(huì)情景下的5個(gè)大模型，并不能代表國際上通用的大模型，研究結(jié)果的普適性可能受到影響。隨著生成式人工智能大模型的發(fā)展，其對(duì)前沿科學(xué)成果科普的參與可能進(jìn)一步提高，但如何更好地利用大模型服務(wù)于更廣泛的前沿科學(xué)成果科普，規(guī)避其可能帶來的風(fēng)險(xiǎn)，有待進(jìn)一步的研究。

參考文獻(xiàn)

[1] Field H，PowellP.Public Understanding of Science Versus Public Understanding ofResearch[J]. Public UnderstandingofScience，2001，10（4）：421-426.

[2] SuleskiJ，IbarakiM.ScientistsAreTalking，butMostlytoEach Other：A Quantitative Analysis of ResearchRepresented inMassMedia[J].PublicUnderstanding of Science，2010，19（1）：115-125.

[3] 王碩，閻妍，李正風(fēng).生成式人工智能賦能科學(xué)普及：技術(shù)機(jī)遇、倫理風(fēng)險(xiǎn)與應(yīng)對(duì)策略[J].科普研究，2024，19（4）： 5-13，22.

[4] Alvarez A，Caliskan A， CrockettMJ，et al. Science Communication with Generative AI[J].Nature Human Behaviour，2024，8（4）： 625-627.

[5] 王戈，李顯洪.ChatGPT技術(shù)應(yīng)用的情報(bào)分析：國內(nèi)外文獻(xiàn)綜述[J].情報(bào)雜志，2024，43（8）：143-151.

[6] 李健民．促進(jìn)公眾理解生成式人工智能的集體責(zé)任分析——基于集體行動(dòng)的視角[J].科普研究，2024，19（2）：45-53.

[7] 王碩，李秋甫.數(shù)字倫理：數(shù)字化轉(zhuǎn)型中科學(xué)普及的新使命與新規(guī)范[J].科普研究，2023，18（3）：57-64，72.

[8] 楊慶峰．人工智能科普及其問題[J].科普研究，2024，19（2）：32-38.

[9] 段偉文，余夢(mèng).生成式人工智能時(shí)代的終身創(chuàng)造力培養(yǎng)[J].科普研究，2024，19（2）：13-22，38.

[10] 劉永謀，伍銘偉：AIGC對(duì)人類智能的沖擊與提升公民科學(xué)素質(zhì)的可能路徑[J].科普研究，2024，19（2）：39-44，63.

[11] 閆宏秀，楊映瑜.生成式人工智能時(shí)代的使用者倫理研究[J].科普研究，2024，19（2）：23-31.

[12] 王挺，邵華勝，王麗慧.技術(shù)工具視角下的人工智能科普服務(wù)：創(chuàng)新、風(fēng)險(xiǎn)與對(duì)策[J].科普研究，2024，19（5）：5-24.

[13] 蔡雨坤，陳禹堯.取“人”之長：虛擬數(shù)字人在科普中的應(yīng)用研究[J].科普研究，2023，18（4）：26-34.

[14] 黃時(shí)進(jìn).技術(shù)驅(qū)動(dòng)與深度交互：人工智能對(duì)科學(xué)傳播的跨世紀(jì)構(gòu)建[J].科普研究，2020，15（3）：16-19.

[15]Schafer MS.The Notorious GPT：Science Communicationinthe Ageof Artificial Intellgence[J]. Journal of ScienceCommunication，2023，22（2）：Y02.

[16] 周榮庭，魏嘯天，張嘯宇.生成式人工智能重塑科學(xué)教育模式——基于行動(dòng)者網(wǎng)絡(luò)理論的館校合作研究[J].科普研究，2024，19（4）：23-32，61.

[17]BloomfieldEF.ScienceV.Story：NarativeStrategiesforScience Communicators[M].Oakland：UniversityofCaliforniaPress，2024.

[18] 蔡增玉，韓洋，張建偉，等.基于 SnowNLP的微博網(wǎng)絡(luò)輿情分析系統(tǒng)[J].科學(xué)技術(shù)與工程，2024，24（13）：5457-5464.

[19] 王璐，李詩軒，陳燁.基于主題－情感融合分析的新冠疫苗輿情演化研究[J].情報(bào)科學(xué)，2024（42）：65-75.

（編輯顏燕 荊祎瀾）