AI辅助写作的核查负担怎么量化?
复旦论坛讨论人工智能与传播:创作者如何对照自己的工作流程看变化
AI 辅助写作的核查负担,多数时候只被感受成“更累了”,很少被当成一个可以计量的量。这种模糊本身就是问题:它让人既说不清收益,也找不到改进流程的着力点。
把它拆成三个可数的量
核查负担不是一种整体感觉,它可以拆成三个彼此独立的计数。
其一是事实密度,也就是单位文本中需要外部来源支撑的陈述数量。AI 输出的摘要常把大量具体信息压缩进很短的篇幅,事实密度往往高于人工整理的结果,基数一大,后续需要逐条核对的总量也跟着上升。
其二是回源成本,即从一句话回到可核实来源所需的步骤。附带明确出处的信息,回源可能只需一步;而只写“根据公开资料整理”的内容,回源路径实际上并不存在,成本高到无法承受。
其三是错误分布,即错误集中在哪些类型上。最常见的是张冠李戴和过度概括——把一位学者的观点安到另一位头上,或把分论坛的主题概括得过宽。此外还有细节失真,学者回忆早年借乒乓球桌完成读者调查交叉分析这类具体往事,一经转述就容易走样。
净收益怎么算
有了这三个量,净收益可以粗略写成:节省的检索与整理工时,减去“事实条目数 × 单条回源成本”,再减去错误未被发现时留下的风险代价。
这个式子里最容易被漏掉的是最后一项。核查消耗的是可见工时,误判消耗的是信任,后者的账单来得更晚,也更贵。因此判断 AI 是否真帮上忙,关键看它省掉的是哪一类劳动:检索、排版、格式调整属于机械劳动,省下来就是净收益;涉及判断和核实的那部分被省掉,省下的时间迟早要在别处加倍偿还。
哪些量值得持续记录
不同环节的负担并不一样。资料搜集阶段负担最重,因为可验证陈述最密集;修改阶段负担最隐蔽,它把工作从文字层面延伸到了事实层面,而 AI 生成内容的流畅度恰恰会掩盖不准确。
可行的做法是固定记录三项:AI 输出中事实条目的数量、其中能快速找到出处的比例、错误集中在哪些类型。这三项不需要精密测量,只要持续记下去,就能看出工具在变准还是变糊、流程在变省还是变绕。
另外一项变化值得跟踪:随着 AI 生成内容增多,读者对信息来源的信任偏好会往哪边走。这直接决定选题和写作策略,而“值得写”的判断,目前仍然只能由写作者自己给出。



参与讨论
三项记录会不会还是有点多,想再精简一点
错误没被发现的那笔账最贵,这句认同
张冠李戴我碰到过,改起来很费神
没出处的内容根本没法回源,只能重查
事实密度这词挺贴切,压得太密了