历史叙事的“可解释性”要求：当大模型写年表、脉络与概述时，史学责任在哪.docxVIP

PAGE2

历史叙事的“可解释性”要求：当大模型写年表、脉络与概述时，史学责任在哪

摘要

随着大语言模型广泛介入历史年表、脉络与概述的生成，史学叙事面临“可解释性”缺失的严峻挑战。本文聚焦AI辅助综述的课堂使用边界，探讨史学责任的当代定位。提出问题：大模型生成的平滑叙事掩盖了史料异常值与出处断裂。分析问题：剖析算法平滑化与史学求异原则的内在矛盾，揭示“黑箱”机制对叙事可审计性的侵蚀。解决问题：建构“可审计的叙述”原则，要求关键断言绑定原始出处、异常值强制保留。

本文逐章递进。绪论界定研究背景与目标；文献综述梳理数字史学与AI伦理的进展与盲区；概念与理论基础明确“可审计叙述”的内涵；核心问题解析揭示平滑化与求异的矛盾本质；机制阐释说明算法抹平异常值的逻辑与边界；理论建构提出“出处绑定-异常保留”的双轨框架；结论与启示明确课堂使用边界与史学责任；局限与展望反思理论推演的未竟之业。本文核心在于确立史学责任从“生成”向“审计”的转移，为AI时代的史学理论提供规范基石。

第一章绪论

1.1研究背景

当前，大语言模型深度介入学术写作，尤其在历史综述、背景脉络与年表编制中展现出强大的文本生成能力。这种技术便利背后潜藏着深刻的社会现实矛盾：师生追求效率的诉求，与史学学科强调溯源、考证的本体论要求发生激烈冲突。模型生成的叙事往往逻辑连贯、辞藻丰满，却掩盖了史料基础的脆弱性。

在理论发展层面