摘要
人工智能（AI）问答引擎在和平与冲突问题上，现已占据分析师、学者和公众提问的越来越大份额。大型语言模型（LLMs）在某些条件下会出现幻觉，但当它们被询问关于冲突的问题时，这些错误是否存在可辨识的模式？如果存在，这又能教会我们什么？
为了解答这一问题，我们首先对28个冲突进行了一系列提问，向五个领先的问答引擎发问，并对其5460个答案进行了记录证据的评分。研究发现，当某个冲突的可检索记录较薄弱时，引擎的创造、误归属和错误计数现象会加剧。薄弱的记录不仅促使幻觉的发生，还使其在错误和虚假信息面前暴露出结构性脆弱性，因为这些记录最容易通过生成引擎优化（GEO）扭曲以偏见引擎的回应。
通过分析AI LLM从中提取冲突事实的1048个网站，我们发现GEO源优化已经在进行中，尽管国家党派数字捕获仍处于初期阶段，但其快速增长的趋势显而易见。我们解释了这些发现对于学术研究以及政策的意义，呼吁恢复深度本地监测和基于翻译的研究，这是AI工具无法复制的。最后，我们讨论了在这一快速发展的领域中未来的研究机会和挑战。
博主点评： 本文深入探讨了AI在冲突信息处理中的局限性，强调了人类监测的重要性。面对不断变化的信息环境，依赖于AI的单一视角可能导致严重的信息失真。未来的研究需关注如何结合AI与传统研究方法，以提升信息的准确性和可靠性。