第4周行业和学术资讯推送

发表于： 分类于：
字数： 1864 阅读：≈ 4分钟 浏览：

本周行业资讯

  • 《Nature｜AI and the PhD student: friend or foe?》： https://www.nature.com/articles/d41586-026-00843-y

    导读

    Nature杂志近期刊登一份调查报告，揭示全球各国的在读博士生使用AI的情况。75%的受访者认为AI能提升科研效率，但81%表示不完全信任AI，65%担心它会弱化思维与写作能力。多位博士生亲身说明，AI在文献检索、代码生成和语言润色方面优势显著，尤其为非英语母语研究者带来了学术平权机会。然而，AI也会犯下误读图表、错算数据等严重错误，若缺乏人工检查，后果不堪设想。

  • 《人物｜一个文科生被「龙虾」冲击的两周》： https://mp.weixin.qq.com/s/UTkAEUWGV0eYjzXfQyvBaQ

特别推荐

本周学术资讯

  • Baslandze, S., Edwards, Z., Graham, J. R., McClure, T., Meyer, B., Sparks, M., Waddell, S., & Weitz, D. (2026). Artificial intelligence, productivity, and the workforce: Evidence from corporate executives. NBER. https://doi.org/10.2139/ssrn.6410338

    导读

    AI真的已经让企业大规模裁员，并显著提升生产率了吗？这篇论文基于近七百五十名企业财务高管的两轮调查数据，追踪企业在AI投资、收入、就业和岗位结构上的变化。研究发现，AI采用已经相当普遍，但扩散速度在行业和企业规模之间差异很大。短期内企业确实感受到生产率提升，而且高技能服务业与金融业最明显，不过这些收益主要不是来自机器和设备投入增加，而是来自新产品、新服务和更有效触达客户带来的收入效率提升。与此同时，AI并没有在整体层面引发剧烈裁员，更明显的变化是岗位结构重排，也就是例行文书类工作减少、技术类岗位相对增加。

  • Garicano, L., Li, J., & Wu, Y. (2026, March 23). Weak bundle, strong bundle: How AI redraws job boundaries. Working Paper. https://www.dropbox.com/scl/fi/xi1wc7eudk8zpgietl18i/2026.03.24-Bundles.pdf

    导读

    当越来越多工作任务能被AI完成时，职业岗位一定会被拆掉吗？这篇论文建立了一个包含两类任务、两维技能和协调成本的理论模型，用竞争均衡分析岗位何时会保持完整、何时会被AI重新划界。研究发现，决定就业和劳动收入变化的关键，不只是某个职业有多少任务暴露给AI，更在于这些任务从一个岗位中拆出来到底要付出多大协调代价。如果一个职业属于“弱捆绑”，也就是任务之间较容易分离，AI就更可能接手其中一部分任务，人类只保留剩余职责，岗位边界收缩，劳动份额下降，边缘工人甚至会因价格下跌而被挤出。但如果一个职业属于“强捆绑”，也就是任务之间共享大量情境、责任和判断，AI更像是在岗位内部提供辅助，而不是替代整份工作。

  • Costa, D. G. (2026). The risks of GenAI in shaping our cities. Cities (London, England), 173(107025), 107025. https://doi.org/10.1016/j.cities.2026.107025

    导读

    生成式AI（即GenAI）会帮助我们规划更好的未来城市，还是只会把旧时代的城市想象重新包装一遍？这篇论文对四个主流GenAI工具的统一提示比较，分析它们如何描绘未来城市及其潜在风险。研究发现，GenAI虽然能快速生成城市情景、整合空间与社会数据、辅助交通和环境规划，但它的输出深受训练数据中的文化偏见与既有知识框架影响。因此，GenAI很容易反复生产“高密度、高技术、去自然化”的传统未来城市图景，而忽略更具可持续性和地方性的替代方案，例如自然融入社区、公共交通优先和都市农业。

  • Elgammal, Z., & Alhajj, R. (2026). Evolution of deep learning models for misinformation detection in social media textual data: Background, architectures, datasets, and emerging LLM applications. Social Science Computer Review, 08944393261432625. https://doi.org/10.1177/08944393261432625

    导读

    社交媒体上的虚假信息能否被大语言模型（LLM）真正高效、稳健地识别出来？这篇论文系统梳理了七十多篇近期文献，比较不同LLM与深度学习架构在社交媒体文本虚假信息识别中的实现方式、性能表现与常用数据集。研究发现，这一领域目前仍以BERT系模型为主流，约占现有研究的大多数。而像CT-BERT这样的领域专用模型，在新冠相关虚假信息识别等特定场景中表现更强。论文同时强调，尽管这类方法在准确率等指标上已经取得很亮眼的结果，但跨领域泛化能力、实时识别能力、语言细微差别处理、模型可解释性和伦理问题仍是关键瓶颈。

  • Tomczyk, P. (2026). Researcher as manager of the academic writing process with generative artificial intelligence. Framework for systematic literature review in management. International Journal of Social Research Methodology, 1–19. https://doi.org/10.1080/13645579.2026.2651311

    导读

    在GenAI越来越能写、能找、能总结的今天，研究者在系统文献综述中究竟会被替代，还是会变成一种新的管理者？这篇论文综合管理学中的系统文献综述流程、人机协作文献以及对二十余种学术写作AI工具的功能测试，构建了一个“研究者管理数字员工”的框架。研究发现，GenAI已经能够承担文献探索、初步筛选、信息提取、摘要生成、写作润色等许多原本由研究助理完成的操作性任务，因此研究者的角色正在从亲自执行每一步，转向负责规划研究问题、组织工作流程、协调不同工具、审查输出质量并承担伦理责任。这种转变并不意味着人类判断可以退出，因为GenAI仍然存在来源不透明、结果难复现、只会总结不会真正综合、可能削弱青年学者训练等问题。