当真实新闻如何“变脸”：用AI模拟假新闻的演化之路

假新闻并非凭空出现

传统研究常将假新闻视为既定事实进行传播分析，就像研究病毒如何扩散却不管病毒最初如何变异。但现实中，许多假新闻是由真实信息经过反复扭曲、误解后形成的。想象一则在亲友群传播的健康建议：最初可能是权威机构的科学结论，经过多人转述后逐渐加入主观解读，最终变成夸大其词的“偏方”。FUSE框架（Fake news evolUtion Simulation framEwork）正是要解开这个“真实变虚假”的过程之谜。

用AI搭建社交实验室

研究团队用大语言模型（LLM）构建了一个微型社交网络，其中包含四类模拟角色：

• 传播者：像热衷转发消息的朋友，只负责扩散不验证

• 评论者：类似爱发表观点的网友，会给信息添加主观解读

• 验证者：扮演事实核查者角色，但可能因能力有限无法完全纠偏

• 旁观者：相当于沉默的大多数，被动接收信息

这些AI角色通过模拟日常互动，让原始真实新闻在多次传递中自然“发酵”。就像现实生活中，一条微博经过大V转发、网友评论、部分人质疑后，核心事实可能早已面目全非。

测量信息的“变质”程度

为了量化新闻的失真过程，团队开发了FUSE-EVAL评估体系。它不像简单的真假判断，而是从多个维度检测信息变异：

• 语义偏移：核心事实是否被曲解（如“某药物可能缓解症状”变成“该药物绝对治愈”）

• 情感倾向：中性表述是否被添加强烈情绪（如加入“惊天黑幕”等修饰）

• 细节增减：关键数据是否被遗漏或虚构细节

实验显示，这种模拟能高度还原已知假新闻案例的演变路径，且与人类判断高度一致。例如关于气候变化的科学报告，在模拟中经过20轮传播后，32%的内容出现了显著性失真。

早期干预的黄金窗口

研究最实用的发现是“失真加速度”现象——假新闻不是匀速形成的，而是在传播初期（前几轮）就会出现关键性扭曲。这就像面团发酵，最初几小时的温度和湿度决定了最终品质。模拟表明，如果在信息变异初期（如前3次转发时）进行事实核查，纠错效率比后期干预高出4倍。

超越简单的真假二分法

这项研究的突破性在于跳出了“非真即假”的思维定式。现实中更多信息处于灰色地带：部分真实的数据配上误导性标题，客观事件夹杂主观推测……FUSE框架能捕捉这些细微的渐变过程，帮助识别那些正在“变质”但尚未完全虚假的信息。

AI研究的双重角色

值得注意的是，这项研究本身使用了大语言模型，而研究对象又是假新闻——这恰好体现了AI技术的“双刃剑”特性。研究者特别强调，这类工具既能被用来理解虚假信息，也可能被滥用生成更隐蔽的假新闻，因此需要严格的伦理边界。