面对AI生成内容，如何运用“答案字体学”辨别真伪

在谷歌搜索“青少年每天使用屏幕的时间多少才算过多”时，得到的不再是传统的链接列表，而是一段由人工智能生成的复杂回答。AI不仅引用了具体数字，还指出时间质量、睡眠、运动及情绪状态等因素比单纯的小时数更为关键。

另一项关于“是否应每日服用阿司匹林”的搜索中，AI在提供医疗信息并警告潜在风险的同时，表示若提供年龄和病史，可给出更具针对性的指导。

这些回答虽流畅权威，但属于不同类型。当前关于AI生成内容的争论多聚焦于准确性，然而准确性仅是评判标准之一。不同类型的回答要求用户从不同维度进行判断。

弗吉尼亚大学图书馆馆长兼图书馆学院院长Leo S. Lo提出了一种名为“答案字体学”（answer typography）的分类法，将AI生成的回答归纳为四种基本类型：事实型、解释型、构建型和战略型。该分类法最初发表于《学术图书馆学杂志》。

尽管AI代理的回答可能混合多种类型，且以同样流畅的形式呈现，但识别其底层逻辑对于判断回复是否可直接使用至关重要。

事实型答案做出原则上可通过证据核查的声明，例如“弗吉尼亚大学成立于何时”或“金的化学符号是什么”。

评估此类答案的稳健性，需将其与适当来源进行核实。如果回答引用了来源，应点击链接验证，而非仅将AI的回答本身视为证明。

解释型回答建立在证据之上，但没有单一结论。例如“远程工作是否提高了生产力”或前述的屏幕时间问题。答案取决于纳入了什么证据、遗漏了什么，以及如何理解分歧。

谷歌对屏幕时间问题的回答显示，虽然初步提及两小时限制，但随后强调儿科指导意见更看重屏幕使用的质量和背景。美国儿科学会也指出，对于青少年没有确切的推荐时长，关键在于屏幕使用类型及其可能挤占的活动。

评估解释型答案时，不能仅检查事实。用户应思考：系统强调了什么证据？遗漏了什么？是否存在另一种合理的解释？一个有效的后续提问是：“支持不同结论的最强证据是什么？”

构建型答案是创造出来的，而非发现出来的。例如让AI起草求职信、撰写悼词或重组段落，这里没有唯一正确的结果。

评判标准在于目的、受众和语气。一篇悼词可能语法完美，但若听起来不像演讲者本人，或让家属感到平淡乏味，即为失败。用户需仔细阅读，评估其实际效果是否符合预期。

战略型问题询问“该怎么做”，如“我应该买这套房子吗”或“我应该每天服用阿司匹林吗”。答案结合了信息与关于目标、风险、权衡和个人情况的判断。

在阿司匹林的案例中，谷歌警告风险并建议咨询专业人士，这与美国预防服务工作组（USPSTF）的指导方针一致，即低剂量阿司匹林的使用应个体化，权衡心血管益处与出血风险。

对于战略型答案，用户应自问：在建议适用于我个人之前，系统需要了解什么？需考虑利害关系、替代方案以及是否有资格的人士参与。最终判断权仍在用户手中，因为你是必须承受后果的人。

随着AI生成回答直接嵌入搜索结果，答案的类型可能在同一次交互中发生切换。报道医疗指南与决定如何将其应用于特定个人截然不同，而流畅的语调变化往往掩盖了这种差异。

作为用户，在质疑AI答案是否正确之前，应先识别AI代理进行了何种类型的智力工作。确定回答类型，将指引你下一步是该直接采信、进一步调查，还是寻求专业意见。