核心发现
方法论
研究结合大规模文本分析与半结构化访谈，利用词嵌入的字典学习方法构建话题模型，分析数百万新闻与社交媒体内容。访谈在2021与2023两波进行，深度探讨AI专业人士的认知框架。采用归纳式的框架分析，将话题模型与社会认知理论结合，识别出四个认知挑战及三大核心辩论。此方法融合了定量的主题模型与质性访谈，形成动态的社会认知图谱。
关键结果
- 研究发现，公众与专业人士在理解AI时面临信息更新、责任归属、跨群沟通与价值取舍四大认知挑战。三大辩论：AI开发方法（自上而下的专家系统vs自底向上的涌现能力）、AI的‘心智’（工具到类人数字心智）、以及AI的道德使用（放缓或加速发展）。话语框架在不同社会群体中不断争夺，影响政策制定与公众认知。
- 通过话题模型识别出超300个核心话题，访谈中揭示专业人士在框架争夺中的认知动态。实验数据显示，责任归属与发展速度的争议最为激烈，影响政策导向。模型还发现，AI的‘心智’认知变化与公众接受度密切相关，反映出认知迁移的路径。
- 研究强调，框架的演变不仅影响社会认知，也制约技术设计与政策制定。未来应关注话语争夺中的认知偏差，推动多元化话语体系，促进理性对话。
研究意义
本研究为理解AI快速发展背景下的社会认知提供了系统框架，揭示了公众与专业人士在方法、心智与道德三大维度的认知争夺。通过结合大数据与访谈，揭示话语争夺的动态机制，为政策制定、公众教育和技术设计提供理论基础。研究强调，认知框架的变化将深刻影响AI的社会接受度与治理路径，有助于引导理性、包容的公共讨论，促进AI的可持续发展。
技术贡献
创新在于将话题模型与社会认知框架理论结合，提出三大核心辩论的动态模型，系统分析了不同社会群体中的认知争夺。采用词嵌入字典学习技术，提升了主题模型的语义表达能力。结合多源文本与访谈数据，构建了多层次的认知图谱，为理解技术扩散中的社会话语提供了新工具。此方法突破了传统单一数据源的局限，提供了多维度、多尺度的认知分析框架。
新颖性
本研究首次系统性结合大规模文本分析与深度访谈，揭示AI认知中的三大核心辩论及其话语争夺机制。不同于以往单一视角的研究，创新在于动态话语框架的构建与社会认知的多层次分析，为理解技术社会化提供了全新视角。
局限性
- 样本主要集中在英语国家的媒体与专业人士，跨文化认知差异未充分覆盖，未来需扩展多语种与多文化背景。
- 话题模型虽能捕捉宏观认知结构，但对微观认知变化的动态追踪仍有限，需结合时间序列分析加强。
- 访谈样本规模有限，可能存在代表性偏差，未来应扩大样本多样性与深度。
未来方向
未来应结合动态网络分析，追踪话语争夺的演变路径。探索认知偏差与社会结构的关系，推动多元话语体系的构建。还可引入行为实验验证认知框架对公众行为的影响，为AI治理提供实证依据。
AI 总览摘要
在人工智能快速崛起的背景下，社会各界对其意义的理解充满分歧。传统的技术分析难以解释公众与专业人士在方法、心智和道德三大核心问题上的认知争夺。本研究通过结合大规模文本分析与深度访谈，揭示了围绕AI的三大辩论：开发方法（自上而下的专家系统与自底向上的涌现能力）、AI的‘心智’（工具到类人数字心智）、以及AI的道德使用（放缓或加速发展）。采用词嵌入字典学习的主题模型，识别出数百个关键话题，辅以访谈中的深度分析，展现了不同社会群体在认知争夺中的动态演变。研究发现，责任归属与发展速度的争议尤为激烈，影响政策制定与公众接受。话语框架的争夺不仅塑造了社会认知，也制约了技术设计与治理路径。未来，应关注话语争夺中的偏差，推动多元化话语体系，促进理性对话，确保AI的可持续发展。这一研究为理解技术社会化提供了新的理论工具，强调认知框架的变化将深刻影响AI的未来走向。
深度分析
研究背景
近年来，AI技术尤其是大规模语言模型（如GPT系列）在社会中的应用日益广泛，涉及教育、工作、政治、艺术等多个领域。学界对AI的社会认知研究逐渐增多，早期工作如Goffman的框架理论、Gitlin的媒介框架分析，为理解公众认知提供基础。近年来，研究重点转向AI的社会意义、责任归属与伦理争议。尽管如此，关于社会认知的动态机制、话语争夺的过程仍缺乏系统理论支持。本研究试图填补这一空白，通过结合大数据分析与访谈，探讨社会对AI的认知如何在不同群体中演变，特别是在快速技术变革背景下的认知争夺。
核心问题
核心问题在于，面对AI的快速发展，社会认知呈现出多元、动态、甚至冲突的特征。公众、专业人士、政策制定者在理解AI的开发方法、‘心智’以及道德责任时，存在认知偏差与争议。这些认知差异影响政策制定、公众接受度和技术设计。传统研究多关注单一层面，缺乏系统的框架解释认知争夺的机制。如何理解不同社会群体在认知上的差异、话语的演变过程，成为亟待解决的难题。
核心创新
本研究的创新在于：1）提出结合话题模型与社会认知框架的多维分析方法，系统揭示认知争夺的结构与动态；2）首次将词嵌入字典学习技术应用于大规模文本，提升话题模型的语义表达能力；3）结合深度访谈，丰富宏观模型中的微观认知细节，建立多层次认知图谱；4）明确区分三大核心辩论（方法、心智、道德）及其在不同社会群体中的争夺机制，为理解技术社会化提供新视角。
方法详解
- �� 收集2018-2024年间的新闻、社交媒体文本，利用词嵌入的字典学习（如word2vec、GloVe）构建话题模型。• 采用潜在Dirichlet分配（LDA）等传统模型的改进版，结合词向量，增强语义捕获能力。• 进行两轮半结构化访谈（2021与2023），深入探讨专业人士的认知框架。• 利用归纳式的框架分析，将话题模型中的主题映射到认知框架，识别认知挑战。• 结合文本与访谈数据，构建认知动态模型，分析话语争夺的演变过程。
实验设计
- �� 数据来源包括《纽约时报》新闻、Twitter（X）平台的数百万篇文章与帖子。• 采用词嵌入字典学习与话题模型（如LDA变体）提取核心话题。• 访谈对象为AI研究者、开发者、政策制定者，分析其认知框架。• 评估指标包括话题一致性、模型的语义丰富度、访谈中认知变化的对应关系。• 通过对比不同时间点的模型，观察话语争夺的演变轨迹。
结果分析
- �� 识别出超过300个核心话题，涵盖AI开发方法、心智认知、道德争议等方面。• 责任归属与发展速度的争议最为激烈，影响政策导向。• 认知框架在不同社会群体中表现出明显差异，话语争夺推动认知演变。• 访谈揭示专业人士在认知争夺中的策略调整与认知迁移路径。• 研究还发现，话语争夺对公众接受度和政策制定具有深远影响。
应用场景
- �� 立即应用于AI政策制定，理解不同利益相关者的认知偏差，优化沟通策略。• 在AI设计中融入多元认知模型，增强系统的社会适应性。• 长远来看，有助于构建包容、多元的AI话语体系，推动理性公共讨论，促进AI的可持续发展。
局限与展望
- �� 样本偏向英语国家，跨文化认知差异未充分覆盖。• 话题模型对微观认知变化的捕捉有限，需结合时间序列分析。• 访谈样本规模有限，可能存在代表性不足，未来需扩大样本多样性。
通俗解读 非专业人士也能看懂
想象一下，社会就像一个大型工厂，每个人都在不同的岗位上工作，负责不同的任务。AI就像是新引进的机器设备，大家对它的理解和看法各不相同。有些人觉得它是帮手，可以让工作更轻松；有人担心它会取代自己，失去工作；还有人觉得它像个聪明的机器人，甚至像有‘心智’的伙伴。工厂里的管理者和工人们会不断讨论：这个新机器到底是帮忙还是威胁？他们用不同的词语和比喻来描述它，比如“工具”、“伙伴”或“威胁”。这些讨论会影响工厂的未来决策，比如是否要加快引进新设备，还是要限制它的使用。这个过程就像工厂里的“话语争夺战”，每个人都在用自己的方式告诉别人：这个机器到底意味着什么。研究发现，这些不同的看法不断变化，决定了工厂未来的走向。理解这些争论，有助于我们更好地管理和利用AI，让它成为真正的帮手，而不是威胁。
简单解释 像给14岁少年讲一样
想象你在学校里，有一台超级智能的机器人老师。大家对它的看法不一样：有的觉得它能帮你学得更快，有的担心它会抢走老师的工作，还有一些觉得它像个会思考的朋友。这就像社会里对AI的看法一样，每个人都用不同的词语和想法描述它，比如“工具”、“伙伴”或“机器人”。这些不同的想法会影响学校怎么用这个机器人，比如让它多教学生，还是限制它的功能。其实，这就像一场关于这个机器人“意味着什么”的讨论战，每个人都在表达自己的看法。研究发现，这些看法会随着时间变化，影响我们怎么接受和使用AI。理解这些争论，能帮助我们更好地让AI成为帮助我们的好伙伴，而不是带来麻烦的东西。
原文摘要
How can humans make sense of the rapid takeoff of artificial intelligence (AI)? We studied the sensemaking dynamics of AI through an open-ended, mixed-methods study with computational text analysis of millions of AI-related newspaper articles and social media posts grounded in 57 semi-structured interviews with AI professionals in 2021 and 2023--before and after the recent surge of public interest. We identify a range of sociological frames (interpretive schemas that structure collective cognition) and show how AI professionals use frames to address significant cognitive challenges, such as assigning responsibility for societal impacts. We develop a framework of three primary debates across which frames are adopted and contested: (i) the $\textit{method}$ of AI development, between frames of top-down expert systems and bottom-up emergent capabilities, (ii) the $\textit{mind}$ of an AI system, ranging from a passive tool to a humanlike "digital mind," and (iii) the $\textit{morality}$ of how AI is used, particularly the decision of whether to slow down or speed up AI development. As humanity enters the era of transformative AI, technologists and policymakers must account for the framing dynamics that will circumscribe our beliefs, values, and actions.