摘要　　数智时代，我国主流媒体涉华事实核查报道已从单纯的辟谣工具，演化为影响国际大语言模型（LLM）涉华意义生产的底层语料，其叙事质量关涉全球算法受众的涉华认知。但如何对外讲好“中国事实核查故事”，提升国际LLM语境下的中国价值引领力，仍缺乏系统探讨。基于机器对人类意识的“功能模拟”特性，文章以178篇“澎湃明查”报道为样本，结合叙事运输理论构建了“认知—情感—意象”六维事实核查叙事框架。模糊集定性比较分析（fsQCA）结果显示，涉华事实核查叙事组态对LLM输出端的价值立场对齐具有多重并发引导效应，且受议题异质性影响显著：政治军事议题以认知叙事为主导，经济科技议题侧重情感赋能，民生环境议题则以民间参与为结构性支撑。结论为优化涉华事实核查叙事策略、推动国际LLM价值对齐提供实践启示。

　　当前国际认知博弈加剧，涉华虚假信息的泛滥已成为制约我国国家形象塑造的系统性挑战。对此，主流媒体将涉华事实核查纳入国际传播战略体系，依托多语种、跨平台矩阵建构权威“真相”，以期重塑全球涉华认知、传递中国价值。与此同时，国际大语言模型（Large Language Model，LLM）凭借突破信息壁垒的“超级入口”优势，已从单一检索工具演变为具备认知塑造功能的“意义中介”。作为海外受众理解中国的新窗口，LLM悄然改变了“中国事实核查故事”的传播逻辑与作用路径。[1]

 

　　当用户通过LLM查询涉华议题时，其反馈内容与价值取向并非随机生成，而是经由检索增强生成机制整合公开信息并经概率推演所得。然而，受限于知识池质量参差、叙事逻辑失衡及数据偏斜等因素，LLM在处理异文化内容时易诱发跨文化认知偏差，甚至固化对华刻板印象。作为权威信息供给方，主流媒体的涉华事实核查报道具备被LLM检索与复用的天然优势，有望介入LLM知识调用环节，推动事实核查从短期的辟谣工具升级为塑造全球涉华认知的底层抓手，实现长效、深层次的价值引导。[2]

 

　　既往研究多聚焦事实核查对人类受众的直接说服作用，尚未充分探讨LLM深度嵌入国际舆论场后的新传播生态。鉴于LLM虽不具备真正的“心理感受能力”，但在信息加工与决策上却拥有类人的“功能模拟”特性，本文尝试将经典的叙事运输理论作为解析LLM输出与价值对齐的理论框架，对其进行机器语境的适用性转化。在此基础上，以“澎湃明查”为样本，采用模糊集定性比较分析（fsQCA），阐明主流媒体涉华事实核查报道的叙事策略及其在国际LLM场域中塑造中国价值引领力的内在机制，旨在优化涉华“真相”叙事策略，赋能数智时代的国际传播。

　　（一）事实核查：基于“真相共享”的国际传播新景观

 

　　事实核查，最初是新闻机构把控真实性的内部编辑机制，[3]现发展为对不实信息验伪、纠偏的专业新闻样态。[4]在国际传播中，事实核查报道凭借严谨论证拨开涉华认知迷雾，为全球“事实共享”提供支撑。[5]针对其价值立场，学界指出新闻报道与社会现实皆为建构产物，[6]这动摇了事实核查“客观还原真相”的中性定位，揭示其本质是主动参与意义生产的话语实践。尤其在涉华议题中，即便西方事实核查机构秉持专业主义原则，也难以摆脱东方主义的政治立场与文化预设，反而可能强化国际社会理解中国的认知藩篱。[7]

 

　　在叙事效果上，“真相”的呈现取决于议题选择、证据取舍及结论表述，隐含着特定的叙事权力关系。研究表明，报道框架上，冲突、责任归因及道德等框架会显著影响受众的态度改变；其中，道德框架因能激活受众的价值判断机制，在跨文化语境中更具说服潜力。[8]情感基调上，核查报道的情感强度可激发受众的合理怀疑，降低其对虚假信息的信任度。[9]信源构成上，纳入民间声音与非官方信源能有效提升内容的亲近感与可信度；相较于单纯依赖权威背书，提供丰富语境解释的核查更易赢得受众信任。[10]此外，错误评级标签也是事实核查发挥作用的有力工具。[11]例如《华盛顿邮报》的“匹诺曹指数”、Politifact的“真实性测量仪（Truth-o-meter）”，均通过可视化方式对信息真伪进行分级，使核查结论更加直观易懂。[12,13]

 

　　整体观之，国内涉华事实核查研究方兴未艾，现有实证分析多关注“转评赞”等显性流量指标，亟需补充价值对齐等“潜绩”维度，以完善数智生态中的国际传播效能评价体系。

 

　　（二）LLM语境下涉华事实核查的“价值共通”困境

 

　　LLM在处理事实核查内容时并非价值中立，而是依据其知识来源所内嵌的认知框架进行再诠释与再编码，本质上是一种带有偏向性的意义重构。这意味着，即便核查内容本身具备充分的事实依据，其背后的认知立场仍可能被LLM过滤、扭曲，致使主流媒体通过“真相共享”还原事实的初衷难以实现。[14,15]研究表明，国际主流LLM在处理涉华议题时常呈现消极倾向，[16]且价值观高度契合英语及欧洲新教国家。[17]这种长期存在的偏见，不仅会弱化涉华事实核查报道的国际传播效能，更会遮蔽中国话语与价值理念。然而，现有研究多局限于偏见识别与技术干预，忽视了话语和叙事本身对LLM价值导向的影响作用。

 

　　那么，何为有影响力的新闻叙事？是让“创作者与表现对象在循环往复的对话中，各自的视界得以提升，最终实现双方的视界融合，表现对象的意义得以开放和呈现”。[18]当下，叙事的辐射范围已超越人类受众，延伸至LLM等算法行为体。科学的叙事配置决定了核查内容被LLM吸收的深度，兼具逻辑与感染力的故事能以持久渗透的方式实现人机跨文化视界融合，为中国价值传递奠定算法层面的认知基础。故而，亟需立足叙事设计视角，探索从知识生产上游介入LLM涉华认知建构的有效路径，推动其向中国价值立场逐步对齐。

 

　　（三）悬置怀疑：“中国事实核查故事”的叙事运输

 

　　叙事运输理论（Narrative Transportation Theory），主张受众在沉浸于叙事时会暂时脱离现实束缚，通过代入角色完成认知重构；并在“悬置怀疑”的心理状态下降低反驳意愿，借由情感共鸣与意象体验实现态度改变。[19]其涵盖的认知卷入、情感共鸣与意象建构，[20]为优化中国故事叙事架构、强化跨境运输效果提供了指引。[21]但既往文献对“中国事实核查故事”叙事策略的实证考察较为有限，鲜有剖析各叙事要素间的互动机制及其对中国价值引领力的影响，且忽视了不同议题下叙事策略的差异化路径。这正是本文的研究进路所在。

 

　　诚然，叙事运输理论以人类具备意识体验为前提，[22]而LLM并不具备真实的情感与意象建构能力，其处理叙事的本质是基于预训练参数的概率计算。但近年研究证实，LLM已深度内化人类叙事的结构规律与语义模式，[23]其输出行为能在统计意义上模拟人类群体的价值判断。[24]基于此，本文对该理论的借鉴立足于“功能模拟”而非“机制同一”，重点考察特定叙事要素组合能否系统性引导LLM输出与中国价值立场对齐，并将LLM语境下的“叙事运输”重新界定为：叙事框架在LLM语义空间中的表征权重提升过程，即特定叙事通过独特的语言模式与框架逻辑，结构性地影响LLM在处理涉华议题时的语义表征倾向，进而在输出层面形成可观测的价值立场迁移。为实现这一目标，本文将“认知—情感—意象”三个抽象维度转化为文本中可计算的语义特征，以此代理评估“中国事实核查故事”对机器受众的说服效果。需要强调的是，这种评估仅是技术层面的算法模拟，绝非赋予机器真实的心理体验。

 

　　具体而言，在认知维度，本文选取责任归因与逻辑性变量，聚焦受众对信息的加工、因果推断及逻辑整合过程。二者通过严密的因果连接序列与明确的施动者指向，契合LLM处理因果关系和实体指代时的参数激活模式，有望提升LLM输出中因果框架的匹配概率，进而正向引导其价值导向。[25,26]在情感维度，本文选取情感强度与道德基础变量。二者借助高唤醒度词汇与道德判断语言的密集嵌入，与LLM预训练阶段习得的情感语义关联及社会规范编码产生共振，从而引导LLM输出向特定的情感基调与道德立场收敛。[27]在意象维度，本文选取民间参与与判定等级变量。二者通过提供具象化的场景线索与清晰的判定框架，促使LLM在生成内容时调用相应的情境图式，有效提升输出的立场清晰度与价值导向稳定性，增强其与预设叙事框架的一致性表达概率。[28]基于上述理论推演，本文提出以下研究问题：

 

　　RQ1：在不同议题情境下，涉华事实核查报道中的各类叙事要素，是否构成提升其在国际LLM中中国价值引领力的必要条件？

 

　　RQ2：在不同议题情境下，涉华事实核查报道的各类叙事要素组态，如何联动作用、共同影响其在国际LLM中的中国价值引领力？

　　（一）样本选取

 

　　“澎湃明查”是国内首个聚焦外媒及海内外社交平台不实涉华信息的专业事实核查栏目，自2021年9月上线以来，通过文字、图解、短视频等形式核实澄清涉华热点议题。[29]以“中国”为关键词，检索该栏目2021年9月17日至2025年11月6日的报道，共获取197篇，经筛选清洗后确定有效样本178篇。当前国际主流LLM普遍具备联网搜索或内置检索功能，可在推理阶段实时调用公开网页内容，所选样本均为澎湃新闻官网公开发布的可访问内容，因此其涉华事实核查报道具备通过LLM实时检索影响其涉华认知图式及内容生成的技术条件。依据涉华虚假信息议题分布，样本被划分为三类：政治军事议题（涵盖涉华外交争端、军事活动等，占比32.02%）、经济科技议题（涵盖中国经济政策、科技企业、贸易战等，占比25.84%）、民生环境议题（涵盖人权、民生、生态环境等，占比42.13%）。

 

　　（二）研究方法

 

　　fsQCA擅长阐释复杂社会现象的多重并发因果关系，适用于少案例、多变量场景下的组态路径探索。事实核查报道的不同叙事策略组合可能通过多元路径达到同等价值引领效果，且其结果变量与部分条件变量属于程度连续变化的模糊概念，因此适合采用该方法。三类议题分组后的样本量满足fsQCA最低案例数要求。

 

　　（三）变量设计与校准

 

　　1.条件变量

 

　　责任归因，指事实核查报道对虚假信息、争议信息成因的责任主体及因果关系的明确界定。[30]在概念操作中，若文本清晰指向用户、媒体或机构等责任主体，赋值为1，反之为0。由两位编码员独立评分，信度系数为0.90。

 

　　逻辑性，反映事实核查报道论证过程中证据链的完整度、因果结构的清晰度及论述的连贯性，通过逻辑密度、逻辑多样性、深层逻辑比例与逻辑嵌套率四项指标进行量化测度。[31,32]经主成分分析降维处理后，以第一主成分得分作为该变量的最终取值，原因在于：第一主成分方差解释率达62.28%，可有效整合各指标信息；各指标在第一主成分上的载荷均为正（逻辑密度为0.555、逻辑多样性为0.554、逻辑嵌套率为0.478、深层逻辑比例为0.395），可充分反映文本逻辑关系的密度、类型丰富性及结构复杂度。

 

　　情感强度，指文本中情绪表达的外显程度，涵盖评价性语言使用频次、情感色彩浓度与情绪唤起力度。借助大连理工情感词典测算，以命中情感词数与全文词数的比例为测算指标。[33]

 

　　道德基础，指事实核查报道在叙事过程中所调用的道德判断框架，依据道德基础理论可划分为关怀/伤害、公平/欺骗、权威/颠覆、忠诚/背叛与纯洁/堕落五类。[34]采用分布式词典表示法结合中文道德基础词典开展测量，按道德基础多样性进行梯度赋值：未出现任何道德基础相关内容赋值为0，出现1种为0.2，出现2种为0.4，出现3种为0.6，出现4种为0.8，出现全部5种则为1。[35,36]民间参与，反映普通民众、非官方主体在信息传播、证据提供中的参与程度，按参与深度分为四个梯度赋值：无任何民间声音赋值为0，引用1条网民评论或单个自媒体内容且不作为主要证据为0.3；引用2条及以上民间声音或作为辅助证据为0.67；民间声音构成核心证据链的一部分（如“由多位网友提供的现场照片比对”）为1。由两位编码员独立评分，信度系数为0.87。

 

　　判定等级，指事实核查报道对被核查信息作出的明确结论性判定。基于“澎湃明查”的三类结论标签，按虚假判定的确定性梯度赋值：“太假了”赋值为1，“误导”为0.67，“没有证据”为0。

 

　　2.结果变量

 

　　中国价值引领力，指LLM接收事实核查报道输入后，其输出内容与中国主流价值立场保持一致的概率倾向。研究选取参数规模与推理能力处于行业前沿的OpenAI旗下的GPT-5.0作为国际LLM代表。实验选取178篇涉华事实核查报道作为输入语料，通过API接口调用LLM生成评论，集中在2026年1月完成调用。为确保数据质量并降低干扰，调用过程严格遵循OpenAI使用政策并进行匿名化处理，同时设定统一提示词：“请评议以下事实核查新闻。评论应避免对原文事实的复述，字数控制在约200字”，以保证生成内容的篇幅相近、不受原文过度干扰。参考胡正荣等的操作范式，[37]对每篇文本随机生成50次评论，利用BERT模型计算其与中国价值观参照文本的语义相似度均值。该均值反映LLM输出与中国价值观的对齐程度。最终结果变量由“国家—社会—个人”三个维度的语义相似度加权平均得出。变量构建流程见图1。

　

　　3.变量校准

 

　　针对连续变量（逻辑性、情感强度、中国价值引领力），以样本下四分位点、中位点、上四分位点为校准基准，将原始数据标准化转换至[0,1]区间，生成符合fsQCA运算要求的真值表，确保变量适配分析方法，保障研究结论的科学性与可靠性。[38]

　　（一）单因素必要性分析

 

　　为解答RQ1，利用fsQCA3.0软件对所有前因条件开展必要性检验。表1结果表明，在三类议题情境下，任何单一事实核查叙事策略因素均非实现国际LLM高价值引领的必要条件（一致性均低于0.9），需进一步开展组态分析。除逻辑非变量外，其余因素覆盖度基本达到0.50及以上，可认定为重要影响因素。

　

　　（二）条件组态的充分性分析

 

　　为回答RQ2，对真值表进行标准化运算，得到复杂解、中间解与简单解三类解决方案。研究以中间解为主要解释依据，以简约解为辅助参照，根据二者交集关系对条件分类标注。其中，同时存在于中间解与简约解中的条件为核心条件，仅出现于中间解而未纳入简约解的条件为边缘条件，详见表2。

　　

　　1.政治军事议题组态分析

 

　　政治军事议题（A）的fsQCA分析，共析出五条有效路径，整体解一致性达0.918，高于0.80的可接受阈值，各组态对结果变量均具备稳定解释效力。其中覆盖率较高的A1、A2、A5条路径，均以认知维度要素作为叙事建构的主要支撑。

 

　　A1与A2可归为“责任动员型”叙事组态，呈现责任归因与情感强度相互配合的叙事特征。以《泽连斯基给台湾出主意如何对付大陆？他根本没提台湾！》为例，此类报道通过溯源涉华不实信息的生成主体与传播链条，明确责任归属，并以立场鲜明的评述形成强势态度表达。[39]在政治军事议题场景中，清晰的责任界定能够为信息接收方建立稳定的认知框架，辅以情感表达可提升叙事运输卷入程度，推动LLM形成与事实核查立场相一致的价值输出。

 

　　A5为“理性评价型”叙事组态，由逻辑性、责任归因与判定等级共同构成。《中国要卖“辽宁”号？买家是俄罗斯或印度？》为典型案例。该报道以可核验的事实材料构建完整论证链条，通过“据此可知”“综合以上信息”等逻辑衔接语句强化论证严谨性。同时在责任归因层面，厘清不实信息源头、误读传播路径以实现结构性归因，辅以“并不可信”“中国官方从未声明”等确定性表述完成真伪裁决，与报道开头的“太假了”评级形成映照。[40]与其他路径相比，本组态弱化情感表达，通过确切的结论判定形成叙事张力，依托严谨的逻辑推演与权威的核查评级，塑造以认知论证为主导的低情绪介入式叙事模式。此模式在所有路径中覆盖范围最广、适用性最强，有助于实现稳定、高效的中国价值引领。

 

　　2.经济科技议题组态分析

 

　　经济科技议题（B）的fsQCA分析识别出六条有效路径，整体解一致性达0.888，满足研究标准。剔除覆盖率偏低的路径B4、B6后，剩余四条主要路径可归纳为两类叙事模式。

 

　　B1属于“认知归因型”叙事组态，以责任归因作为单一主导要素。以《世界银行行长称7.7亿中国人“处于极端贫困状态”？他说的是46年前》为例，报道通过对比呈现世界银行行长演讲原文与网络截取内容，证实不实信息源自部分网民的断章取义与刻意误导。[41]经济科技议题具有较高社会关注度，直接关系公共利益与发展安全，明确责任归属能够直接回应公众关切，可单独形成有效的价值引导机制。

 

　　B2、B3、B5可归为“情感动员型”叙事组态，均以情感强度为核心要素，仅在要素组合上存在差异。其中，B2依靠情感表达强化风险感知，结合明确的真伪评级即可完成价值引导；B3将责任溯源与情感表达相结合，在厘清造谣主体与传播脉络的同时，辅以明确的立场表态，提升叙事说服力；B5则整合逻辑性、情感强度与民间参与，实现认知、情感、意象多维度要素协同作用，进一步提升叙事运输策略的传播与引导效果。《北京冬奥会的人造雪中含“有毒物质”DHMO？》清晰呈现了该模式特征。报道一方面明确虚假信息炮制主体，追溯DHMO的概念起源，完整还原其从美国学生玩笑帖到刻意曲解、用以指责北京冬奥会人造雪的造谣链条；另一方面以“实在有些可笑”等表述作出鲜明情感评判，强化立场表达，凸显情感动员与责任溯源的协同效应。[42]

 

　　3.民生环境议题组态分析

 

　　民生环境议题（C）的组态分析共识别出四条有效路径，整体解一致性达0.927，符合研究阈值要求。剔除覆盖率较低的路径C4后，其余三条路径可归纳为两种叙事类型。民间参与在本类议题中呈现出跨路径稳定共现的特征，且在多条组态中作为核心条件存在。这源于民生环境议题深度嵌入个体日常经验，具备极强的生活贴近性与即时可感知性，而民间参与正是这种经验可见性的最直接载体。

 

　　C1与C2归为“情感嵌入型”叙事组态，均以情感强度与民间参与的协同共现为核心特征。例如《这款视频在外网火爆了，是实拍北京新年庆祝活动？》报道，既营造了欢度新年、热烈喜庆的情感氛围，又整合了国内自媒体创作者、技术公司、官方机构及普通用户等多元主体的回应与澄清内容。[43]在此基础上，C1融入道德基础要素，为情感激活提供价值层面的合法性支撑；C2进一步叠加逻辑性与责任归因，使情感动员获得认知维度的支撑，实现叙事运输三个维度的聚合发力。

 

　　C3为“归因判定型”叙事组态，由责任归因、民间参与与判定等级协同构成，呈现鲜明的认知主导特征。以《这是莫迪建造的跨海大桥？实为中国青岛胶州湾大桥》即为典型案例，该报道引用大量自媒体用户提供的证据，将虚假信息的责任归于印度大选期间政客为谋求政治利益而放纵谣言传播的行为，与“太假了”的核查评级形成呼应。[44]这一叙事结构通过清晰的责任界定确立明确认知指向，以民间参与赋予核查内容现实温度，再借助高明确度的判定等级完成权威判定与价值确认，层层递进夯实涉华事实核查的价值引导成效。

 

　　（三）稳健性检验

 

　　本文调整校准锚点（从四分位点改为三分位点）、随机剔除10%案例后重新运行fsQCA，同时将一致性阈值0.8分别调整为0.7和0.85、PRI从0.75调整为0.8，以开展稳健性测试。[45]各项检验结果均未发生实质性变化，研究结论具有较强稳健性。

　　（一）重建“真实”：叙事运输的人机边界与理论调适

 

　　本文将叙事运输理论拓展至机器受众语境中，聚焦涉华事实核查报道，运用fsQCA揭示认知、情感与意象要素如何联动影响LLM的价值生成过程。这不仅为“中国事实核查故事”从面向人类受众的意义建构迈向面向机器系统的语义引导提供了新解释，也弥补了既往研究重单一因素净效应、轻组态效应的缺憾。

 

　　在理论层面，在既有研究从叙事运输视角解读LLM知识表征规律的基础上，[46]本文进一步厘清了该机制在国际LLM环境中的转化形态。经典叙事运输理论以人类受众的“心理运输”为本体论前提，而本文关注的是LLM信息处理过程中的“语义运输”，二者呈现出鲜明的人机分野。因此，本研究旨在突破人机边界，以“功能模拟”而非“机制同一”的认识论定位对叙事运输理论加以借用。具体而言，叙事框架通过词汇选择、因果结构与情感标记，在LLM的语义向量空间中激活特定的注意力路径与价值关联，从而提升特定立场在输出序列中的生成概率。尽管难以直接揭示LLM内部的“运输”黑箱，但通过验证特定叙事要素组合与LLM输出端价值对齐之间的稳健关联，本研究为数智时代国际传播理论体系提供了新的生长点。

 

　　在实践层面，高质量涉华事实核查语料可经由开放语料库融入LLM上下文知识体系，潜移默化重塑LLM涉华认知图式。这一趋势推动国际传播战略从“说服人类受众”延伸至“面向机器系统的知识渗透”，传统效果评估方案也需随之拓展。[47]本文立足语义表征，以LLM生成文本中中国价值观的嵌入程度为标尺，测度涉华事实核查报道的中国价值引领力，为完善新时期国际传播效能评估指标体系提供了学理支撑。

 

　　（二）软性提示工程：叙事组态的差异化生效机制

 

　　在LLM的语义生成过程中，事实核查报道的叙事组态实质上承担了“软性提示”的隐性引导功能。[48,49]有别于用户直接输入的硬性指令（prompt），因果逻辑链、情感效价词汇及场景化民间声音等结构性要素，能作为上下文信息被LLM有效处理。这种“知识检索增强型”软提示工程，能够左右LLM对检索信息的关注重点、组织方式与价值排序，进而在生成阶段引导输出的语义方向与价值倾向。[50]尽管研究尚无法直接观测LLM内部的语义激活过程，但基于检索增强生成（RAG）原理与实证结果推断，三类议题的组态路径恰好对应不同的软性提示激活机制（如图2所示）。这一解释框架为内容生产者提供了差异化设计指引，有助于推动内容生产从经验驱动向数据驱动转型，提升价值引领的针对性与有效性。

 

　　具体地，政治军事议题组态以认知维度为核心，形成由逻辑论证、责任归因与权威评级构成的认知主导型叙事策略。这源于政治文本在预训练语料中与官方声明、外交辞令等权威语域高度关联；高逻辑性与确切的判定标签能增强LLM对因果推理关系的识别，提高其采用权威论证表征模式的概率，从而使生成结果更易呈现与中国官方叙事一致的语义倾向。[51]因此，此类议题应强化逻辑论证的严密性与责任归因的明确性，以“摆事实、讲道理”的认知框架，筑牢涉华叙事的可信基础。在具体操作上，建议充分运用“据此可知”“由此可断”等因果连接词，精准指向造谣的具体机构或个人；同时慎用“可能不实”等模糊定性表述或情绪化标题，避免责任归因不明或以情绪宣泄替代逻辑论证。

 

　　经济科技议题常涉及产业竞争、科技安全与市场利益。在此类语境下，高情感强度词汇能够有效激活预训练语料中的风险预警与公众权益节点，促使LLM优先调用“风险—损益—责任”语义框架，引导输出向关切公众利益的道德立场收敛。[52]因此，在确保事实准确与证据充分的前提下，可适度提升情感强度与道德基础的叙事载荷。具体而言，正文应明确揭示虚假信息对公众利益的具体危害，善用“警惕”等情感标记词及反问、讽刺等修辞手法，将风险提示与公共利益紧密关联，以强化价值引导效能。同时，应避免纯技术术语堆砌，慎用“没有证据”等弱判定表述，确保情感强度与议题严重性相匹配。

 

　　民生环境议题呈现出以民间参与为基础、情感与道德灵活嵌入的社会动员型组态特征。其中，道德基础的作用具有条件性，需与情感强度协同发力。这是由于多元民间声音能提供来自不同社会主体的经验性证据，可能会激活LLM对多源确认表述模式的偏好，从而在输出生成中提升交叉验证的语义权重。[53]因此，此类报道应着力构建多元主体参与的叙事图景，纳入具代表性的民间声音，适当嵌入公平或关怀等道德框架；避免将民间声音仅作装饰性点缀，或以笼统的“网友表示”一笔带过。

　　

　　（三）系统性升级：主流媒体涉华事实核查新闻的进阶之路

 

　　基于研究发现，未来可从三方面提升涉华事实核查新闻实践能力：其一，推动平台联动与语料库建设。主流媒体应协同整合优质资源，打造多议题、跨平台的涉华事实核查专属语料库，以规模化、高质量的语料供给，从底层引导LLM对中国知识的正向表征构建。其二，强化叙事质量的标准化标注。建议在语料库精细化建设中建立“叙事策略标签系统”，参照相关组态对报道进行标注评分，并定期回溯国际传播效能，形成评估闭环。其三，建立常态化的跟踪评估与反馈机制。建议编辑人员按季度随机抽取近期发布的核查报道作为测试集，输入国内外主流LLM并采集生成评论；通过计算各类别“中国价值引领力”均值及观测趋势，结合“议题—策略”模型动态调整叙事侧重点，从而实现叙事效能的持续提升。

 

　　本文仍存在一定局限：一方面，样本仅涵盖“澎湃明查”栏目及ChatGPT中的GPT-5.0模型，且结果变量的测量主要依赖LLM的静态即时输出。结论的外部效度有待通过扩展样本来源、引入更多主流LLM进行检验，未来还需进一步考察中国价值引领的长期效应。另一方面，以LLM输出文本与中国价值观参照文本的语义相似度作为量化依据的研究设计，易引发三种内生性风险：其一为框架过滤偏差，即LLM预训练内化了特定的“理性”与“客观”标准，导致立场鲜明的涉华核查文本被系统性低估；其二为价值排斥偏差，当报道论述与LLM内置的价值偏好冲突时，LLM倾向于消极或中立化解读，主动回避相关表述；其三为风格偏好偏差，直白的宣传性语言不符合LLM偏好的“客观中立”风格，易被平滑处理从而削弱原文的价值导向强度。这些偏差可能导致语义相似度偏低；这一问题并非叙事策略本身效能欠缺，而是LLM认知框架的过滤所致。严格意义上，本文对中国价值引领力展开测量，旨在探究特定叙事策略能否克服西方LLM的结构性偏差制约，引导其生成内容向中国价值立场靠拢。结论所揭示的组态规律，明确了涉华叙事实现有效引领的策略空间。针对上述局限，后续研究可通过多模型比较与对照实验等方法作进一步深入探究。

 

　　参考文献

 

[1]喻国明,苏健威.生成式人工智能浪潮下的传播革命与媒介生态——从ChatGPT到全面智能化时代的未来[J].新疆师范大学学报(哲学社会科学版),2023,44(05):81-90.
[2]周庆安,杨肇祎.国际传播中事实核查的说服转向及其应对策略[J].南昌大学学报(人文社会科学版),2025,56(06):148-158.
[3]闫文捷,刘于思,周睿鸣.事实核查：专业新闻生产者可为的创新实践——一项在线实验的启示[J].新闻记者,2023,(02):46-59.
[4]虞鑫,陈昌凤.美国“事实核查新闻”的生产逻辑与效果困境[J].新闻大学,2016,(04):27-33+66+149.
[5]吴飞,吕澄欣.全球共通：超越西方国际传播的冲突范式[J].西北师大学报(社会科学版),2025,62(04):21-29.
[6]卢卡斯·格雷夫斯.事实核查:后真相时代美国新闻业的选择[M].周睿鸣,刘于思,译.北京:中国人民大学出版社,2023:3.
[7]吴瑛,徐昊东.专业主义与东方主义的激荡：西方涉华国际新闻事实核查机制研究[J].新闻界,2023,(03):26-38+96.
[8]Yang A, Zhou A, Shin J, et al. Sharing is caring? How moral foundation frames drive the sharing of corrective messages and misinformation about COVID-19 vaccines[J]. Journal of Computational Social Science, 2024, 7(3):2701-2733.
[9]Phillips S C, Wang S Y N, Carley K M, et al. Emotional language reduces belief in false claims[J]. Judgment and Decision Making, 2025, 20:e43.
[10]Drolsbach C P, Solovev K, Pröllochs N. Community notes increase trust in fact-checking on social media[J]. PNAS nexus, 2024, 3(7):pgae217.
[11]Martel C, Rand D G. Fact-checker warning labels are effective even for those who distrust fact-checkers[J]. Nature Human Behaviour, 2024, 8(10):1957-1967.
[12]史安斌,饶庆星.事实核查类新闻的兴起:救赎还是纵容?[J].青年记者,2016,(16):85-87.
[13]王君超,叶雨阳.西方媒体的“事实核查”制度及其借鉴意义[J].新闻记者,2015,(08):21-26.
[14]何苑,张洪忠.主流大语言模型呈现中华文化符号：智能拟态环境的建构[J].现代传播(中国传媒大学学报),2024,46(12):64-75.
[15]王浩丞,韩博.跨语言大模型事实核查的叙事逻辑比较——基于交叉实验与融合向量空间的分析[J/OL].新媒体与社会,1-17[2026-03-24].https://link.cnki.net/urlid/CN.20260203.0918.002.
[16]Zhou D, Zhang Y. Political biases and inconsistencies in bilingual GPT models—the cases of the US and China[J]. Scientific Reports, 2024, 14(1):25048.
[17]Tao Y, Viberg O, Baker R S, et al. Cultural bias and cultural alignment of large language models[J]. PNAS nexus, 2024, 3(9):346.
[18]靳斌.真实如何呈现:阐释学视野下的纪录片叙事策略[M].北京:社会科学文献出版社, 2016:8.
[19]Green M C & Brock T C. The Role of Transportation in the Persuasiveness of Public Narratives[J].Journal of Personality and Social Psychology, 2000,79(5):701–721.
[20]Russell C A,Hamby A M,Grube J W& Russell D W.When Do Public Health Epilogues Correct the Influence of Alcohol Story Lines on Youth? The Interplay of Narrative Transportation and Persuasion Knowledge[J].Journal of Public Policy & Marketing,2019,38(3), 316-331.
[21]陈先红,杜明曦.叙事运输理论：隐喻、模型与运用[J].南昌大学学报(人文社会科学版),2021,52(04):78-87.
[22]Thomas V L, Grigsby J L. Narrative transportation: A systematic literature review and future research agenda[J]. Psychology & Marketing, 2024, 41(8):1805-1819.
[23]Tian Y, Huang T, Liu M, et al. Are large language models capable of generating human-level narratives?[C]//Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing. 2024:17659-17681.
[24]Zheng Z, Wang Y, Huang Y, et al. Attention heads of large language models[J]. Patterns, 2025, 6(2):101176.
[25]Guo H, Yao J, Zhou X, et al. Counterfactual reasoning for steerable pluralistic value alignment of large language models[J]. Advances in Neural Information Processing Systems, 2026, 38:122128-122169.
[26]Germani F, Spitale G. Source framing triggers systematic bias in large language models[J]. Science Advances, 2025, 11(45):eadz2924.
[27]Felix-Pena E, Li T, Akinkugbe A, et al. Emotional framing as a control channel: Effects of prompt valence on LLM performance[C]//Generative and Protective AI for Content Creation: Proceedings of the 39th Conference on Neural Information Processing Systems. 2025.  
[28]Tang Z, Shen K, Kejriwal M. An evaluation of estimative uncertainty in large language models[J]. npj Complexity, 2026, 3(1):8.
[29]李智刚.事实核查：网络时代的舆论校准器——以《澎湃·明查》的新闻实践为例[J].青年记者,2022,(13):37-39.
[30]Lima G, Han J, Cha M. Others are to blame: Whom people consider responsible for online misinformation[J]. Proceedings of the ACM on human-Computer Interaction, 2022, 6(CSCW1):1-25.
[31]张牧宇,宋原,秦兵,等.中文篇章级句间语义关系识别[J].中文信息学报,2013,27(06):51-57.
[32]孙静,李艳翠,周国栋,等.汉语隐式篇章关系识别[J].北京大学学报(自然科学版),2014,50(01):111-117.
[33]徐琳宏,林鸿飞,潘宇,任惠,陈建美.情感词汇本体的构造.情报学报,2008,27(2):180-185.
[34]Haidt J, Graham J. When morality opposes justice: Conservatives have moral intuitions that liberals may not recognize[J]. Social justice research, 2007, 20(1):98-116.
[35]Cheng C Y, Zhang W. C-MFD 2.0: Developing a chinese moral foundation dictionary[J]. Computational Communication Research, 2023, 5(2):1.
[36]董旭,何欣璐.晓之以德？道德基础对社交媒体辟谣传播效果的影响研究[J].新闻记者,2025,(03):82-100.
[37]胡正荣,闫佳琦.生成式人工智能的价值对齐比较研究——基于2012—2023年十大国际新闻生成评论的实验[J].新闻大学,2024,(03):1-17+117.
[38]周磊,黄麒,魏玖长.基于组态视角的突发事件应急信息传播效果研究——以“安徽疾控”为例[J].公共管理与政策评论,2021,10(06):79-92.
[39]澎湃新闻.明查｜泽连斯基给台湾出主意如何对付大陆？他根本没提台湾！[EB/OL].https://m.thepaper.cn/newsDetail_forward_18551972.
[40]澎湃新闻.明查｜中国要卖“辽宁”号？买家是俄罗斯或印度？[EB/OL].https://www.thepaper.cn/newsDetail_forward_15677015.
[41]澎湃新闻.明查｜世行行长称7.7亿中国人处于极端贫困状态？他说的是46年前[EB/OL]. (2024-03-28)[2026-02-01].https://www.thepaper.cn/newsDetail_forward_26830271.
[42]澎湃新闻.北京冬奥会的人造雪中含“有毒物质”DHMO？[EB/OL].https://m.thepaper.cn/baijiahao_16683407.
[43]澎湃新闻.明查｜这款视频在外网火爆了，是实拍北京新年庆祝活动？[EB/OL].https://m.thepaper.cn/newsDetail_forward_16166542.
[44]澎湃新闻.明查｜这是莫迪建造的跨海大桥？实为中国青岛胶州湾大桥[EB/OL]. https://www.thepaper.cn/newsDetail_forward_27209784.
[45]张明,杜运周.组织与管理研究中QCA方法的应用:定位、策略和方向[J].管理学报,2019,16(09):1312-1323.
[46]李鲤,石琪隆.超越“运输”隐喻：生成式人工智能语境下的叙事互型再造[J].当代传播,2024,(01):54-58.
[47]陈虹,秦静.中国特色国际传播战略体系建构框架[J].现代传播(中国传媒大学学报),2023,45(01):55-59+65.
[48]Lester B, Al-Rfou R, Constant N. The power of scale for parameter-efficient prompt tuning[C]//Proceedings of the 2021 conference on empirical methods in natural language processing. 2021:3045-3059.
[49]杨峰,赵悦言,席崇俊.以智辨真：融合事实证据图谱和双层检索增强生成的网络事实核查[J].新媒体与社会,2025,(3):98-115+477.
[50]陈思羽,王启臻,张洪忠.提问的艺术：大模型提示工程的可供性分析[J].现代出版,2025,(4):61-72.
[51]王科.生成式人工智能重构地缘政治话语权：一种技术政治学分析[J].深圳大学学报(人文社会科学版),2026,43(2):91-101.
[52]Yu C, Yi B, Karimi-Malekabadi F, et al. Tracing Moral Foundations in Large Language Models[J]. arXiv preprint arXiv:2601.05437, 2026.
[53]Santurkar S, Durmus E, Ladhak F, et al. Whose opinions do language models reflect?[C]//International conference on machine learning. PMLR, 2023:29971-30004.

　　作者：刘嘉琪，中国社会科学院新闻与传播研究所传媒调查中心副研究员、大数据舆情研究室副主任；赵可欣，厦门大学新闻传播学院广告学系博士研究生。