一次聊天机器人对话，似乎让阴谋论信念降低了数月

事实毕竟可能有用——但论文现在挂着一面警示旗

2024 年，一项研究报告了一个违反常见直觉的结果。让一个人和 AI 进行一段很短、只有三轮的对话——使用 GPT-4 Turbo，专门回应对方亲自提出、用来支持自己所信阴谋论的证据——平均而言，那个人对该阴谋论的信念会下降约 20%。两个月后，这个下降仍然存在。效果出现在经典阴谋论（John F. Kennedy 遇刺、外星人、光明会）以及较新的议题（COVID-19、2020 年美国大选），甚至对原本信念很强、而且把它与自身认同绑在一起的人也有效。专业事实核查人员评估 AI 在样本中提出的 128 项事实主张后，127 项被判为真、1 项具误导性，没有任何一项被判为假。

最广为流传的说法是：你真的可能把人从阴谋论兔子洞里劝出来——相信阴谋论的人并不是事实无法触及，只是需要足够具体、正好对准他们所引用证据的事实。这是一个真正有意思的主张，而且这项研究的设计比大多数说服研究更仔细。

接着到了 2026 年 6 月，《Science》在论文上加了一则 Editorial Expression of Concern。这一段是很多转述最可能略过的，但它恰恰决定了目前我们可以把多大重量放在这项结果上。

被指出的问题相当具体。作者后来得知，论文文字与已公开的分析代码，在受试者筛选条件的实际套用方式上存在不一致；同时，公开数据集中还混入了由代码合并错误拼接进去的额外列。这些问题使得部分报告数字无法顺利从公开材料重现。作者已提供给《Science》一套更正后的分析流程与更新结果，并表示新结果在方向、统计显著性与效应量上都与原始结果一致。《Science》仍在评估。在期刊完成评估之前，精确数字都应该被视为带着问号的暂定值，而只有期刊能在最后把这个问号拿掉。

所以这其实是两个故事同时发生：一个关于事实能否动摇根深蒂固信念的有趣结果，以及一个科学记录如何在公开环境中自我修正的实时案例。这篇文章要做的，就是不要把两件事混在一起。

作者做了什么

• 进行两项实验，共纳入 2,190 名参与者；每个人都用自己的话说出一个自己相信的阴谋论，以及他们认为支持它的证据。
• 每位参与者与 GPT-4 Turbo 进行三轮对话。在处理组中，AI 被要求直接反驳参与者提出的特定证据；在控制组中，AI 则讨论一个无关主题。
• 在对话前、对话后立即测量对所选阴谋论的信念，并于 10 天后与 2 个月后再次联系参与者。
• 请专业事实核查人员评估样本中 AI 提出的全部 128 项事实主张是否正确。
• 检查效果是否会溢出到其他、不相关的阴谋论；并作为特异性测试，看看它是否也会让人降低对那些碰巧真的发生过的阴谋事件的相信程度。

他们发现了什么

• 与控制组相比，处理组对自己所选阴谋论的信念平均下降约 20%（研究 1：100 分量表上的 95% 置信区间为 [13.8, 19.7] 分，P < 0.001）。
• 效果持续存在。 处理组的下降没有明显反弹：10 天与两个月后，信念都维持在接近对话刚结束时的水平，而控制组全程较高。论文将这描述为对所选阴谋论的影响至少持续两个月，并未减弱，而不是短暂波动。
• 效果具有广泛性。 不论人们提出哪一类阴谋论，整体方向都类似；即使原本信念很强的人，也仍出现效果。
• 在这个任务中，AI 的事实主张高度准确。 128 项中有 127 项（99.2%）被判为真、1 项（0.8%）具误导性、0 项为假。
• 效果具有特异性，而不是让人全面怀疑。 干预并没有降低参与者对真实阴谋事件的相信程度，表示它更像是在削弱缺乏支持的信念，而不是把人变得对一切都犬儒。
• 也有一些溢出效果。 对其他不相关阴谋论的信念约下降 12%，参与者也更表示愿意反驳阴谋论主张。主要效果在研究 2 中重现；另一个较小、没有控制组的样本也朝相同方向变化（证据较弱，但一致）。

这并没有证明什么

• 目前它不是一个毫无争议的结果。论文因数据处理与可复现性问题被加注 Editorial Expression of Concern，而且更正后数字仍在《Science》评估中。在审查完成前，具体数值都应视为暂定。
• 它没有证明 AI 能“治好”阴谋论信念。平均下降约 20% 是有意义的变化，但不是把信念消除——多数人之后仍相信，只是没有原来那么强。
• 这不是真实世界部署的结果。参与者自愿加入研究，并愿意认真与 AI 互动；在现实世界，最投入某个阴谋论的人，往往也是最不可能主动找一个会和自己辩论的聊天机器人的人。
• 99.2% 的准确率只适用于这个任务、这个模型与这套仔细设计的提示，不能当成大型语言模型通常都会说真话的保证。作者也明确指出，同样的个性化说服能力，如果拿去推动错误信念，也可能一样有效。
• 这里所谓“持久”是指两个月。对一次对话来说已经相当可观，但并不等于永久。

证据有多强

• 研究设计本身是明显优点。 有处理组与控制组的实验、设计清楚的安慰剂式控制、两项研究与另一个独立样本、长期追踪，以及对 AI 自己说法的准确度检查——这比多数说服研究严谨，而且只要做了测试，效应方向大致都一致。
• 但 Expression of Concern 绝不是脚注。 能否从公开数据与代码重新产生报告数字，本来就是结果可信度的一部分；而现在出问题的恰恰就是这里——筛选条件的不一致，以及代码合并错误造成的重复/额外数据列。作者表示更正后流程仍保留结果，这是令人鼓舞、也合理的信息，但目前仍是作者自己的说法，还不是独立裁定。《Science》的评估结果才是关键。
• 最诚实的状态是“被正式标记”，不是“被推翻”或“已确认”。 这是一项设计仔细、结果吸引人的研究，但其精确数字正接受正式审查。这不是一个好故事最舒服的结尾，却是现在最准确的位置。

为什么重要

多年来，一种颇具影响力的看法认为，阴谋论信念主要由心理需求与身份认同驱动，因此不可能靠事实辩论把人说服。如果这个持久、以证据为核心的降低效果最后能站稳，它会对这种悲观论形成重要制衡：也许问题的一部分在于，一般化的辟谣从未真正对准信徒自己拿来支持信念的特定证据，而大型语言模型刚好可以大规模做到这件事。

它也重要，因为这是科学应如何运作的一个案例。Expression of Concern 的教训不是“轰动研究都不值得相信”，而是错误会被指出、数据会被重新检查、主张会在公开环境中再次被验证。这套机制正在运转，是功能，不是丑闻——也正因如此，对这项结果最合理的态度是耐心，而不是立刻欢呼或立刻否定。

而且这对 AI 是双面刃。同一种能用量身打造的论点削弱错误信念的能力，也可能同样有效地强化错误信念。技术本身是中性的，目的不是。

简明总结

一项 2024 年研究发现，与 GPT-4 Turbo 进行三轮对话，可让人们对自己所信某个阴谋论的信念平均降低约 20%；效果持续两个月、跨不同阴谋论类型都出现，而 AI 的事实主张几乎全被评为正确。2026 年 6 月，论文因数据处理与可复现性问题被加注 Editorial Expression of Concern；作者表示更正后分析在方向、显著性与大小上仍保留原本结果，《Science》则仍在评估。现在最恰当的读法，是把它视为一项真正有意思、设计仔细、但正在正式审查中的结果——尚无定论，也没有被推翻。对它最诚实的一句话，正是科学流程本身正在写的那句：再检查一次。