生成式AI对风险感知的扭曲效应与校正机制研究 .docxVIP

PAGE2

生成式AI对风险感知的扭曲效应与校正机制研究

摘要

生成式人工智能的广泛应用深刻改变了风险信息的生产与传播模式，进而对人类风险感知产生系统性扭曲。本文聚焦生成式AI对风险感知的扭曲效应与校正机制，采用文献分析与逻辑推演法，逐层剖析问题生成、内在矛盾与本质界定。研究指出，生成式AI通过信息过载、拟人化叙事与算法黑箱等路径，诱发可用性偏差与情感启发式偏差，导致风险感知偏离客观概率。本文在揭示扭曲作用逻辑与边界条件基础上，构建了“认知-技术-组织”三维协同的校正机制理论框架。该框架突破了传统单一认知纠偏的局限，实现了对风险感知重塑机制的系统解释。研究结论为优化风险管理实践、防范AI诱发的系统性认知偏差提供了理论支撑与政策启示。

第一章绪论

1.1研究背景

随着数字化进程的推进，生成式AI已深度嵌入社会信息环境，重塑了风险信息的生成与分发逻辑。在风险管理领域，客观准确的风险感知是决策的前提。然而，生成式AI凭借海量内容生成与拟人化交互能力，极大改变了个体获取与处理风险信息的方式。当前社会现实中，由AI生成的虚假风险信息或过度安抚性叙事，频繁导致公众恐慌或麻痹，形成核心矛盾：AI赋能信息普惠的同时，系统性地扭曲了人类风险感知。

理论发展虽已关注到算法对信息环境的影响，但在生成式AI情境下，已有理论对风险感知扭曲的解释力显露出不足。传统启发式偏差理论多基于人际信息传播假设