主观还是客观 ： AI 写作对新闻可信度的影响机制研究
—
姚
琦
周
*
【内容摘要】 智能传播时代，人工智能对新闻业的影响继续深化，AI 写作在新闻领域
的应用也愈加广泛。基于媒体等同理论，采取问卷调查与情境实验相结合的研究方
法，探究 AI 写作对新闻可信度的影响机制。研究发现： 用户认为 AI 记者撰写的新闻比
人类记者撰写的新闻可信度更高； 感知新闻偏见中介了新闻写作主体（ AI 记者 vs. 人
类记者） 对新闻可信度的影响； 新闻类型（ 软新闻 / 硬新闻） 对主效应起调节作用，由于
受众对软硬新闻的感知偏见不同，对 AI / 人类记者撰写的新闻可信度比较也存在差异。
赟
—
研究不仅丰富了 AI 写作及新闻可信度的相关研究，也为 AI 写作在新闻相关行业的运
用提供了理论借鉴和实践指导。
【关键词】 AI 写作； 新闻可信度； 感知新闻偏见； 新闻类型； 作者类型
DOI:10.19997/j.cnki.xdcb.2022.10.020
不一样的结论，
认为人类写作的新闻比 AI 新闻更
④
可信。 为什么会出现不同甚至相反的结论？ 其背
一、引言
在智能媒体时代，
大数据与人工智能等技术
的广泛应用，
全面重塑和再造了新闻与资讯的生
①
分发、
用户互动以及评价等全部环节。 以腾
产、
讯 Dreamwriter、今日头条的 XiaoMingbot 等为代
表的人工智能（ Artificial Intelligence，缩写 AI） 写
作即 AI 写作更是推动了新闻业的一大技术新
潮。尽管 AI 写作在新闻领域的应用尚未普及，
但却预示了新闻业的未来发展趋势，
据克里斯·
哈 门 德 （ Kristian Hammond） 预 测，到 2025 年，
90% 以上的新闻将由人工智能进行写作。②
作为新闻领域的新兴应用，
目前对 AI 写作的
尤其缺乏相关的实证研究。
研究还处于起步阶段，
后深层次原因值得探究。此外，
目前的研究仅仅
涉及不同写作主体（ AI 记者 vs. 人类记者） 对用户
信任的影响，却缺乏对其中内在机制以及边界条
本文将在以往研究的基础上，
基
件的探究。因此，
探讨新闻写作主体对读者感知
于媒体等同理论，
新闻可信度的影响机制及边界条件。本研究不仅
丰富了 AI 写作及新闻可信度的相关研究，
也为 AI
写作在新闻行业的运用提供了借鉴。
二、理论基础与文献综述
（ 一） AI 写作
“AI 写作”又称“机器人写作”，
是指运用算法
已有研究更多聚焦在 AI 写作与人类写作在逻辑
层次、
用户可信度等方面存在的差异，
如大多数研
对输入或收集的数据进行加工处理，
从而自动生
⑤
成新闻稿件的计算机程序。 AI 写作利用算法撰
AI 写作的新闻被
与人类写作的新闻相比，
究表明，
③
认为更为客观和可信。 但也有少部分研究得出了
并自动
写稿件能够快捷高效地采集和处理信息，
⑥
撰写和编辑简单的新闻稿件。 人工智能、
数据可
本文系国家自然科学基金面上项目“消费者对 AI 机器人使用意愿的影响因素及作用机制研究： ‘信用—体验’服务差
异视角”（ 项目编号： 72172021） 、国家自然科学基金面上项目“权力感对消费者决策方式及产品选择的影响机制研究： 认知—
*
情感系统响应视角”（ 项目编号： 71772021） 的研究成果。
现代传播 2022 年第 10 期（ 总第 315 期）
127
新媒体研究
姚
琦
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
视化等前沿技术一同为传统新闻业带来变革的同
更多研究开始聚焦到 AI 写作： 一是 AI 写作的
时，
5
； 部分学者从媒体接触的时
为可信的信息来源1
长出发，研究媒体接触时间与新闻可信度的关
如 AI 写作风格简洁明快、
信息量高，
在
叙事研究，
系，
发现接触时间越长，对该媒体的信任度也就
6
； 也有学者研究了媒体依赖与新闻可信度
越高1
信息碎片化时代能快速抓取最有用的直观化信
但也不乏内容僵化、温度缺失、热点至上等弊
息，
端。 二是探讨 AI 新闻的伦理问题，
如“偏见和歧
⑦
视”“低透明度”和“损害个体自主性”等伦理争
⑧
议。
三是探讨 AI 对新闻传播业态的重塑，
以及新
闻行业正在向智能传播转型的趋势。
（ 二） 硬新闻与软新闻
的关系，
发现用户越依赖的媒体，其新闻可信度
7
1
越高 ； 此外，
用户的受教育程度、人际信任程度
8
。
与新闻可信度呈正相关，而年龄则呈负相关1
最后，
媒体的可感知信誉程度也与新闻可信度有
着密不可分的影响，媒体的可感知信誉程度越
9
高，
其可信度也往往更高。1
根据新闻报道形式和新闻性质的不同，
一般
将新闻分为硬新闻和软新闻 （ Hard or Soft News，
HSN） 。软硬新闻概念最早始于 20 世纪 70 年代，
（ 四） 媒体等同理论
媒体等同理论 （ the media equation） 作为“传
播与技术 ”领域人机传播、人机交互的重要理
研究者从新闻的主题、框架、相关性、意见、情感、
⑨
态度等维度对硬新闻与软新闻进行有效区分。
论，被解释为： “人们倾向于无意识地将计算机
和其他媒介视为真实的存在，并会对媒体产生
在报道主题上，硬新闻通常指关系到国计
民生以及人们切身利益的新闻，对报道有严格
社会的、自然的反应，即便他们知道这样做不合
0
理，甚至认为不可能做出这样的反应。”2
的时间要求，写作风格常遵循典型的“倒金字
塔”结构； 软新闻则指富有人情味，纯知识、纯
以往研究常用媒体等同理论中的社会行动
简称 CASA）
者范式（ Computers are Social Actors，
趣味的新闻，没有严格的时间界限，常使用生动
活泼的“散文笔法 ”，易于引起受者感官刺激和
来全面考察人们对媒体的态度。社会行动者范
式认为“人类会无意识地将与人际互动中相同
阅读、视听兴趣 ⑩ ； 在报道框架上，硬新闻往往
简单突出事实结果，直接呈现新闻要素，而软新
1
，
的社交启发式（ social heuristic） 应用于机器 ”2
即在人类与机器的交往过程中，人们会根据计
闻则会有更多描绘性的语言 1 ； 在新闻的情感、
算机的社会化线索 （ 如外观特征、社会赋予的
表情等 ） ，启动人与人交往中的刻板印象来与
态度维度上，硬新闻往往直接明了地将新闻内
容呈现给受众，客观性极强，不掺杂主观感情，
相反，软新闻的趣味属性更加突出，更易让读者
感知到作者的情感偏向。
（ 三） 新闻可信度
其进行交流、互动。随着人工智能的发展，传播
媒介的拟人化特征更加明显，如 AI 主播、聊天
机器人等可以模仿人的声音、语调和外观进行
信息输出，因此有学者尝试将 CASA 范式扩展
新闻可信度是衡量传播效果的重要指标，
包括可信任度、不偏颇、正确性、公正性、报道完
为 MASA 范式（ Media are Social Actors） ，并进一
步提出明确社会化线索的定义，对主要社会化
2
整等维度。1
在传播学领域，可信度主要基于信
线索与次要社会化线索进行区分，从而全面地
考察人们对媒体的态度。2
3
1
息来源、信息内容和媒介本身来讨论。
对新闻可信度的研究，最初主要聚焦于信源
的角度，
考察传播者的不同特征如何影响新闻可
1
4
信度。随后，
研究者们从媒介角度展开了研究。
早期研究表明，传统媒体新闻可信度更高，但随
着新兴媒体的发展，
越来越多的用户把新媒体作
128
三、研究假设与理论推导
（ 一） 新闻作者类型对新闻可信度的影响
首先，用户对新闻可信度的判断会受到外
现代传播 2022 年第 10 期（ 总第 315 期）
姚
琦
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
新媒体研究
围线索的影响。 一般来说，用户对新闻质量与
可信度的评判与他们的知识结构、认知能力等
0
全客观。3
而新闻偏见作为新闻可信度的重要
个体因素紧密相关，其通常倾向以尽可能少的
认知努力来处理信息。比如大多数在线用户不
人们对不同新闻写作主体的感知新闻偏见
存在差异。一方面，在人们的刻板印象中，人类
会花费较多精力仔细阅读新闻内容，而是快速
浏览新 闻 摘 要 （ 如 关 键 语 句、新 闻 标 题 ） 。 同
记者会不可避免地受自身价值观、认知偏差、社
会偏见等潜移默化的影响，尽管在新闻写作中
时，他们对新闻质量和可信度的评判也并非对
内容仔细思考后做出的判断，而是会受到更多
有意识地避免渗入个人主观情感，但在信源选
择、词语构思等方面也难免带入无意识主观偏
3
外围线索的影响。2
例如，用户在阅读一篇新闻
见，从而影响受众的新闻客观性判断； 而算法程
时，会受到页面线索 （ 在线阅读界面的交互性
提示） 、新闻线索 （ 新闻来源声明、新闻呈现形
序的使用虽然离不开人类预先实施的价值建
1
，但其严格遵循预定义将数据转换为文本，
构3
式） 等外围因素的提示，无意识启动已有的刻
板印象对其进行判断，从而影响对新闻可信度
且具有规整的新闻写作范式，因此能够对事实
进行无偏见地陈述，让新闻更具有客观性。 另
的评判。 因此，当一篇新闻标注来源“此篇文
章由 AI 记者撰写 ”或“此篇文章由人类记者撰
一方面，在进行信息的收集和处理时，人类记者
写”时，用户会无意识启动对 AI 或人类的刻板
印象，从而影响对该新闻可信度的判断。
同时，根据媒体等同理论，人们会无意识地
“把计算机视为像人一样的社会行动者 ”，并根
4
据已有的刻板印象，对其做出社会化反应。2
在
人们的“刻板印象 ”中，相比于人类的情感性、
灵活性以及价值偏向，机器往往是没有情感且
衡量指标，影响着受众对新闻质量的感知。
会在繁琐任务中因为认知局限和工作疲惫而出
现失误和偏差，从而影响新闻客观性； 而人工智
能则可以基于数据挖掘创造一种超越人类能力
的新的知识创造形式，消除人类偏见并从复杂
2
，从而
数据中产生意义，弥补人类认知的缺漏 3
使新闻更具客观性。 由此可见，人们在面对不
同的新闻写作主体时，感知到的新闻偏见是有
不存在偏见的。 因此在新闻写作中，作者会不
差异的，从而影响了对新闻客观性的判断。 进
一步，提出本研究的中介假设：
可避免地受到自身潜意识偏见的影响，这种个
H2： 感知 新 闻 偏 见 中 介 了 新 闻 写 作 主 体
人认知上的偏差会影响到新闻制作的客观公正
6
； 而基于机器算法的 AI 新闻严格遵循算法
性2
（ AI 记者 / 人类记者） 对用户感知新闻可信度的
影响。
的程序设定，有固定的新闻生产模板，能够迅
速、准确地从海量数据中挖掘出最具有新闻价
（ 三） 新闻类型的调节作用
由于软、硬新闻在报道主题、报道框架及情
值的信息，并通过自然语言生成符合新闻写作
7
，因此，相比于人类记者写作
规范的新闻文本 2
感、态度上存在差异，人们感知到的新闻偏见也
不同，从而影响对新闻客观性的判断。 在报道
的新闻，AI 写作的新闻会被用户认为更可信、
8
9
、更 客 观 2
。 基 于 此，我 们 推 测 出 假
更专 业 2
主题上，硬新闻更偏重“关系到国计民生以及
人们切身利益的事件 ”，软新闻则更偏重富有
设 1：
人情味，纯知识、纯趣味的内容； 在报道框架上，
硬新闻往往简单突出事实结果，直接呈现新闻
2
5
H1： 用户感知 AI 写作的新闻可信度高于
人类记者撰写的新闻可信度。
要素； 而软新闻则会有更多描绘性的语言。3 据
（ 二） 感知新闻偏见的中介作用
新闻报道中存在着“有意偏向 ”和“无意偏
此可知，两种类型的新闻所包含的偏见程度存
在差异。硬新闻将新闻要素直接明了地进行报
向”，人们在潜意识里会认为新闻报道并非完
道，客观性极强，用户很难在硬新闻中感受到偏
现代传播 2022 年第 10 期（ 总第 315 期）
129
新媒体研究
姚
琦
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
见。与此相反，软新闻趣味性、可读性的特征显
著，
写作手法也多为散文笔法，难免包含作者的
试新闻写作主体，比较感知新闻偏见和新闻可
信度的差异； 最后，在研究 3 中，采用实验的方
主观情感，用户感知到的新闻偏见会更强。
由此可见，当新闻类型为硬新闻时，由于严
法操控新闻写作主体，并考虑了软硬新闻对新
闻可信度的调节作用。
格基于事实进行报道，不管是 AI 记者写作的新
闻还是人类记者写作的新闻，用户感知到的偏
（ 一） 研究 1： 不告知新闻写作主体前提下
的新闻可信度差异
见都比较低，在新闻可信度上也没有差异； 当新
闻类型为软新闻时，由于通常采用散文笔法对
为了证明用户对 AI 记者写作或人类记者
写作的新闻具有刻板印象差异，研究 1 不告知
新闻内容进行故事性叙述，难免包含作者主观
情感。在人们的固有认知中，相比于人类，机器
被试新闻写作主体来源，让被试随机阅读一篇
新闻（ 由人类记者撰写或由 AI 记者撰写 ） ，并
往往没有情感且缺乏创造性，在写软新闻时会
更为客观。因此，在面对软新闻时，用户感知到
检验两种新闻写作主体的新闻可信度差异。
1. 研究设计与过程
AI 写作的新闻偏见更低，可信度较高； 而感知
到人类写作的新闻偏见更高，新闻可信度更低。
研究 1 通过线下招募的方式，招募专业组
（ 新闻专业相关学生） 和非专业组被试共计 120
基于此，提出以下假设：
H3： 新闻类型调节了用户对不同新闻写作
人。其中专业组被试共 60 人，女性 39 人，占比
主体（ AI 记者 / 人类记者 ） 所写新闻的可信度
感知。
H3a： 当新闻类型为硬新闻时，用户感知 AI
写作的新闻和人类记者写作的新闻在可信度方
面没有差异。
H3b： 当新闻类型为软新闻时，用户感知 AI
写作的新闻可信度高于人类记者写作的新闻可
信度。
65. 0% ； 参与者的平均年龄 M age = 22. 9 岁 （ SD
= 1. 14 岁） ，年龄跨度 21—25 岁。 招募非专业
组被试 60 人，女性 28 人，占比 46. 7% ； 参与者
的平均年龄 M age = 20. 95 岁 （ SD = 1. 26 岁 ） ，年
龄跨度 19—24 岁。
首先，让两组被试在规定时间内随机阅读
一篇文字类新闻，这篇新闻可能是由人类记者
撰写，也可能是由 AI 记者撰写，但不告知被试
新闻写作主体。 新闻文本选自 2017 年关于春
运的两篇真实新闻，其中 AI 新闻是由南都写稿
机器人小南撰写，人类记者撰写的新闻则选自
《中国青年报》。 阅读完新闻后，让被试报告新
4
，新闻可信度量表如下： “你认为是
闻可信度 3
图1
人类记者撰写的新闻可信度更高，还是人工智
能依据算法撰写的新闻可信度更高？”（ 其中 1
研究模型
代表人类记者撰写的新闻可信度更高，7 代表
AI 记者撰写的新闻可信度更高） 。
四、实证研究
本研究考虑了影响被试对 AI 写作新闻可
信度判断的几种情况： 首先，在研究 1 中，检验
了在不告知新闻写作主体 （ AI 记者 vs. 人类记
者） 的前提下，被试对两种类型的新闻可信度
感知是否存在差异； 其次，在研究 2 中，告知被
130
2. 结果和讨论
（ 1） 信度分析
研究 1 中，通过 3 个问项对新闻可信度进
行测量，其 中 人 类 写 作 新 闻 的 克 朗 巴 哈 系 数
（ Cronbach’α） 为 0. 868，AI 写作新闻的克朗巴
哈系数 （ Cronbach’α ） 为 0. 861，结果表明量表
现代传播 2022 年第 10 期（ 总第 315 期）
姚
琦
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
有较高的信度（ 如表 1） ，可以被采用。
新媒体研究
2
写的 ，Pearson χ （ 2） = 3. 50，p = 0. 174。
其次，专业组对新闻写作主体的判断。30
表 1 研究 1 中的变量与指标的克朗巴哈系数（ Cronbach's α）
变量名称
题项数
Cronbach's α
新闻可信度（ 人类写作的新闻）
3
0． 868
新闻可信度（ AI 写作的新闻）
2
0． 861
（ 2） 对新闻写作主体的判断
总体来说，招募专业组和非专业组被试共
计 120 人。60 名被试被随机分配到 AI 写作的
新闻场景中，其中正确识别新闻写作主体的有
23 人（ 38. 3% ） ，未能正确识别或不确定新闻写
作主体的共 37 人 （ 61. 6% ） 。 具体来说，37 人
中有 20 名被试错误地认为该新闻是由人类记
者写作 （ 33. 3% ） ，剩余 17 名被试选择不清楚
新闻写作主体 （ 28. 3% ） 。60 名被试被随机分
配到人类记者写作的新闻场景中，在人类记者
写作的新闻场景中，仅有 14 名被试正确识别出
该新闻是由人类记者所写，占比 23. 3% ，46 名
被试未能正确识别出新闻写作主体，其中 28 名
被试 错 误 地 认 为 该 新 闻 由 人 类 记 者 撰 写
（ 46. 7% ） ，
18 名被试选择了不确定新闻写主体
（ 30. 0% ） 。 专 业 组 和 非 专 业 组 的 具 体 情 况
如下：
首先 ，非专业组对新闻写作主体的判断 。
30 名被试 被 随 机 分 配 到 AI 记 者 撰 写 的 新 闻
中 ，其中仅有 14 名被试正确识别出 AI 记者撰
写的新闻 （ 46. 67% ） ，8 名被试错误地判断该
新闻是由人类记者撰写 （ 26. 67% ） ，剩余 8 名
名新闻与传播专业的被试被随机分配到人类作
者条件下，其中仅有 5 名被试正确识别出该新
13 名被试错误地认为
闻由人类撰写（ 16. 7% ） ，
该新闻是由 AI 记者撰写 （ 43. 3% ） ，12 被试选
择了不确定新闻是由谁撰写的 （ 40. 0% ） 。 另
外 30 名新闻与传播专业的被试被随机分配到
AI 作者条件下，其中仅有 15 名被试正确识别
6 名被试错
出该新闻由 AI 记者撰写 （ 50. 0% ） ，
9
误地认为该新闻是由 AI 记者撰写 （ 20. 0% ） ，
名被试选择了不确定 （ 30. 0% ） ，相关专业的人
士似乎能够识别出由 AI 生成的新闻。 但是，采
用卡方检验发现，被试并不能有效地区分出新
闻是由人类作者还是 AI 记者撰写的，Pearson
2
χ （ 2） = 0. 662，p = 0. 718。
（ 3） 被试感知新闻可信度的差异
首先，非专业组被试感知新闻可信度差异。
以新闻写作主体 （ AI 记者 vs. 人类记者 ） 为自
变量，新闻可信度为因变量，采用一般线性模型
对样本进行分析。 结果显示，在不明确告知被
试新闻撰写主体的前提下，新闻撰写主体对新
闻可 信 度 的 主 效 应 不 显 著 ［M AI记者 = 4. 64，
M 人类记者 = 5. 17； F （ 1，58） = 2. 58，p = 0. 11］。因此，
在不告知被试新闻写作主体的情况下，被试对
两类新闻的可信度感知不存在差异。
其次，专业组被试感知新闻可信 度 差 异。
以新闻写作主体 （ AI 记者 vs. 人类记者 ） 为自
被试 选 择 了 不 确 定 新 闻 是 由 谁 撰 写
（ 26. 67% ） ； 30 名被试被随机分配到人类记者
撰写的新闻场景中 ，其中仅有 15 名被试正确
变量，新闻可信度为因变量，采用一般线性模型
对样本进行分析。 结果显示，在不明确告知新
地识 别 出 该 新 闻 是 由 人 类 记 者 撰 写 的
（ 50. 0% ） ，9 名 被 试 错 误 地 判 断 该 新 闻 是 由
闻的 可 信 度 不 存 在 显 著 差 异［M AI记者 = 4. 84，
AI 记者撰写 （ 30. 0% ） ，剩余 6 名被试选择了
不确 定 新 闻 撰 写 主 体 （ 20. 0% ） 。 由 上 可 见 ，
综上，在不告知被试新闻写作主体的情况
下，不论是专业组还是非专业组被试，都不能有
多数非专业的人士对新闻写作主体的判断并
不准确 。 而采用卡方检验发现 ，被试并不能有
效区分新闻是由 AI 记者撰写还是由人类记者
撰写。此外，在新闻可信度判断上也不存在差
效地区分出新闻是由人类作者还是 AI 记者撰
异。接下来，研究 2 将从另一个角度验证用户
闻写作主体的前提下，专业组被试认为两篇新
M 人类记者 = 5. 27； F （ 1，58） = 2. 82，p = 0. 083］。
现代传播 2022 年第 10 期（ 总第 315 期）
131
新媒体研究
姚
琦
的刻板效应，即告知被试新闻写作主体，并推测
在此情况下被试对不同写作主体的新闻可信度
感知存在差异。
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
偏见和新闻可信度的两个七分制量表进行了分
析。在新闻偏见的测量上，被试认为人类记者
（ 二） 研究 2： 新闻写作主体对新闻可信度
撰写的新闻存在的偏见更多 （ 1 = 人类，7 = 人
工智能） ，M = 2. 68； 相反，在新闻可信度的测量
的影响以及感知新闻偏见的中介作用
研究 2 目的如下： 第一，检验在明确告知新
上，被试认为 AI 写作的新闻可信度高于人类记
者撰写的 新 闻 可 信 度 （ 1 = 人 类，7 = 人 工 智
闻写作主体的前提下，被试对 AI 写作的新闻 /
人类写作的新闻在可信度上是否有差异； 第二，
能） ，M = 4. 5。以上数据分析结果表明，用户认
为 AI 记者撰写的新闻可信度高于人类记者撰
进一步检验用户在知道新闻写作主体时，所感
知到的新闻偏见的差异，为实验 3 的中介验证
写的新闻可信度，主效应成立。
感知新闻偏见的预测量。首先，
我们对变量
做铺垫。
1. 研究设计与过程
进行了计算，分别将人类记者写作与 AI 写作下
的感知新闻偏见问项进行变量均值计算。接着，
研究 1 的问卷通过线下招募的方式，
共招募
排除无
参与者 206 人。经过注意力检测的筛选，
采用配对样本 T 检验对两种类型下的感知新闻
偏见进行了比较。结果表明，被试认为，人类记
效问卷 6 份，
最终获得有效样本 200 份。每位参
与者获得了 2 元人民币的报酬。其中，女性 126
者写作的新闻偏见显著高于 AI 记者（ M人类记者 =
4. 63，SD = 1. 08； M AI记者 = 3. 44，SD = 0. 94，SD =
人，
占比 63% ； 参与者的平均年龄 M age = 28. 06
1. 46，t = － 11. 44，P ＜ 0. 001） 。
岁（ SD = 5. 453 岁） ，年龄跨度 20—42 岁。
首先，让被 试 阅 读 一 段 文 字。 文 字 表 示：
“假设有一篇新闻，它可能是由人类记者撰写，
也有可能是由 AI 记者撰写。”为了排除新闻内
容等干扰因素，以及用户潜意识里对 AI 记者 /
人类记者的刻板印象，不向被试展示新闻内容。
接着，让被试回答关于感知新闻偏见和新
闻可信度的两个问题： “你认为是人类记者撰
写的新闻存在的偏见更多，还是人工智能依据
算法撰写的新闻存在的偏见更多？”（ 其中 1 代
表人类记者撰写的新闻偏见更多，7 代表人工
智能撰写的新闻偏见更多） ； “你认为是人类记
3. 研究结果和讨论
数据分析结果表明，在知晓新闻写作主体
的前提下，用户认为 AI 写作的新闻比人类写作
的新闻可信度更高，H1 得到初步验证。 同时，
为中介分析进行了初步预测试。通过测量用户
潜意识中对新闻偏见的感知，发现用户对人类
记者撰写的新闻感知偏见高于 AI 写作的新闻。
接下来，将采用情景实验的研究方法，进一
步验 证 新 闻 类 型 （ 软 新 闻 / 硬 新 闻 ） 的 调 节
作用。
（ 三） 研究 3： 新闻类型 （ 软新闻 / 硬新闻 ）
的调节作用
研究 3 的目的是通过实验法，操控并告知
者撰写的新闻可信度更高，还是人工智能依据
算法撰写的新闻可信度更高？”（ 其中 1 代表人
被试新闻写作主体，再次验证新闻主体类型对
类记者撰写的新闻可信度更高，7 代表人工智
能撰写的新闻可信度更高） 。
新闻可信度的影响以及感知新闻偏见的中介作
用； 其次，验证新闻类型 （ 硬新闻 / 软新闻 ） 对主
最后，填写人口统计学信息并再次致谢，向
符合问卷填写要求的参与者发放实验报酬。
效应的调节作用，即当新闻类型不同时，被试在
面对 AI 记者 / 人类记者时，对新闻可信度判断
2. 数据处理和分析
新闻写作主体（ AI 记者 / 人类记者 ） 对新闻
可信度的影响。 通过独立样本 T 检验，对新闻
是否会发生变化。
1. 预测试
132
对新闻类型的操控进行预测试。现场招募
现代传播 2022 年第 10 期（ 总第 315 期）
姚
琦
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
新媒体研究
54 名被 试，将 他 们 分 为 2 组，每 组 27 人。 首
先，被试会在规定时间内看一段有关硬新闻和
bach' α） 为 0. 87。以上结果表明，研究 3 中新闻
可信度、感知新闻偏见的量表都具有很高的信
软新闻的定义（ 定义选自李良荣 ） ，接着在随机
情景下阅读一篇新闻 （ 软新闻或硬新闻 ） 。 最
度。详细见表 3。
后，为了检验被试能否正确判断出软新闻或硬
新闻，让 被 试 对 该 新 闻 的 软 硬 新 闻 程 度 进 行
表2
变量名
打分。
结果分析。采用单因素方差（ ANOVA） 对新
闻类型的操控进行有效性检查。其中，在硬新闻
新闻可信度
的操控成功，被试可以对硬新闻和软新闻进行
有效区分。
2. 实验设计和过程
研究 3 为 2（ 新闻写作主体： AI 记者 vs. 人
类记者） × 2（ 新闻类型： 软新闻 vs. 硬新闻 ） 的
组间设计。 通过“营销研究室 ”共招募 220 名
参与者，经过注意力检测的筛选，最终得到有效
问卷 200 份，向每人支付 2 元人民币作为报酬。
其中 女 性 108 人，占 54% ； 被 试 平 均 年 龄 为
24. 37 岁（ SD = 4. 76） ，年龄跨度为 15—43 岁。
首先，随机向被试展示一则新闻 （ 硬新闻
或软新闻 ） 。 为了控制其他干扰变量，两种新
闻类型均选取体育题材，其中硬新闻的文本选
5
； 软新闻的文本则改
自于克莱瓦尔 （ Clerwall） 3
编于 2000 年 6 月 29 日新浪体育的一篇报道。
随后，依次让被试填写新闻感知偏见和新
闻可信度的相关量表。感知新闻偏见的量表选
6
，共 4 个问项。 该量表
择于沃德尔 （ Waddell） 3
已经经过国内外研究的反复验证并且在 2019 年
被再次修订，
具有高度可靠性。新闻可信度量表
选择 阿 普 尔 曼 （ Appelman） 和 桑 达 尔 （ Sundar）
7
2016 年的量表。3
量表包含以下问项，见表 2。
（ 1） 数据处理与分析
量表的信度。研究 3 中新闻可信度共 3 个
问项，克朗巴哈系数 （ Cronbach' α ） 为 0. 907； 感
知新闻偏见共 4 个问项，克朗巴哈系数 （ Cron-
问项
文献来源
我刚读的新闻是准确的（ 1 = 强烈不同
7 = 强烈同意）
意，
Appelman
我刚读的新闻是真实的（ 1 = 强烈不同
and Sundar
7 = 强烈同意）
意，
我刚读的新闻是可信的（ 1 = 强烈不同
7 = 强烈同意）
意，
组，M = 3. 59，SD = 1. 78，N = 27； 在 软 新 闻 组，
M = 5. 59，SD = 1. 15，N = 27。 组 间 方 面 （ F =
23. 992，P ＜ 0. 001） 。 结果表明，软硬新闻类型
新闻可信度的测量量表
表3
（ 2016）
研究 3 中的变量与指标的克朗巴哈系数
（ Cronbach's α）
题项数
Cronbach's α
新闻可信度
变量名称
3
0． 907
感知新闻偏见
4
0． 87
首先，新闻类型的调节作用。 以作者类型
作为自变量，新闻类型作为调节变量，新闻可信
度为因变量，采用一般线性模型对样本进行分
析。结果表明，作者类型对新闻可信度的主效
应显著［F （ 1，196） = 8. 45，p = 0. 004］，新闻类型对
新闻可信度的主效应显著［F （ 1，196） = 23. 03，P ＜
0. 001］，更重要的是，作者类型与新闻类型的
交互 对 新 闻 可 信 度 的 效 应 显 著 ［F （ 1，196） =
17. 82，p ＜ 0. 001］。
在硬新闻条件下，
被试认为人类记者撰写的
新闻可信度与 AI 记者撰写的新闻可信度相似
［M人类记者 = 5. 814，MAI记者 = 5. 62，F（ 1，196） = 0. 837，
p = 0. 351］，
在软新闻条件下，
被试认为人类记者
撰写的 新 闻 可 信 度 低 于 AI 记 者 撰 写 的 新 闻
（ M人类记者 = 4. 4764 ＜ MAI记者 = 5. 533） ，且差异显
p ＜ 0. 001］。如图 2。
著［F（ 1，196） = 25. 16，
其次，感知新闻偏见的中介作用。 首先，检
验新闻类型 （ 硬新闻 / 软新闻 ） 对中介变量 （ 感
知新闻偏见 ） 的调节作用。 采用了 SPSS 24. 0
中的单变量方差分析，当新闻类型为硬新闻时，
AI 记者（ M = 5. 29） ，人类记者（ M = 5. 38） ，P 值
为 0. 69 ＞ 0. 05。结果说明，当新闻类型为硬新
现代传播 2022 年第 10 期（ 总第 315 期）
133
新媒体研究
姚
琦
闻时，H3a 得到验证，用户对 AI 记者写作的新
闻和人类记者撰写的新闻的感知偏见都很低，
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
（ 2） 研究结果与讨论
首先，H1 被再次验证，结果表明： 新闻写作
不存在偏见上的差异，因此对中介机制产生了
调节。当新闻类型为软新闻时，AI 记者 （ M =
主体（ AI 记者 / 人类记者） 对用户感知新闻可信
度存在着影响，总体而言，AI 写作的新闻可信
5. 11） ，人类记者 （ M = 3. 91 ） ，P ＜ 0. 01。 数据
分析的结果说明，H3b 得到验证，当新闻类型为
度高于人类记者。 其次，证明了感知新闻偏见
的中介作用，H2 得到验证。 最后，证明了新闻
软新闻时，用户感知 AI 写作新闻里存在的偏见
小于人类记者撰写的新闻，即没有对中介机制
类型的调节作用，即当新闻类型为硬新闻时，用
户认为在新闻可信度上，AI 写作的新闻和人类
产生调节。据此，H3 得到了全部验证。
撰写的新闻不存在差异，H3a 得到验证； 当新闻
类型为软新闻时，用户认为 AI 写作的新闻比人
类记者撰写的新闻可信度高，H3b 也得到验证。
据此，H3 得到全部验证。
五、结语
（ 一） 结论
本文基于媒体等同理论，采取问卷调查与
情境实验相结合的研究方法，探究 AI 写作对新
图2
新闻类型的调节作用
根据 海 因 斯 （ Hayes） 提 出 的 中 介 分 析 程
8
3
序 ，参照有调节的中介分析模型（ 模型 8） 进行
Bootstrap 中介变量检验，样本量选择 5000，在
95% 置信区间下，结果显示： 新闻类型对中介效
应起到了显著的正向影响，对于硬新闻，感知新
闻偏见的中介效应不显 著 （ 间 接 效 应 Indirect
Effect = － 0. 039，LLCI = － 0. 269，ULCI =
0. 155） ； 对于软新闻，感知新闻偏见的中介效
应 显 著 （ 间 接 效 应 Indirect Effect = 0. 505，
LLCI = 0. 255，ULCI = 0. 824 ） 。 基于此，假设 3
得到了验证，具体如图 3 所示。
闻可信度的影响机制。 研究发现，用户认为 AI
记者撰写的新闻比人类记者撰写的新闻可信度
更高； 感知新闻偏见的差异是这一现象的内在
机制； 当新闻类型（ 软新闻 vs. 硬新闻） 不同时，
用户在比较“AI 记者 / 人类记者 ”这两种新闻的
可信度时出现变化，这对主效应起到调节作用。
三个研究的具体结论如下：
研究 1 在不告知被试新闻写作主体的情况
下，检验被试是否能够有效判断新闻写作主体
（ AI 记者 / 人类记者 ） ，并请被试对所给新闻的
新闻可信度进行评分。 结果表明： 不论是专业
组还是非专业组，被试都不能准确判断出新闻
是由 AI 记者所写还是由人类记者所写； 在此前
提下，被试对新闻可信度的感知也不存在差异。
这表明，被试对新闻可信度感知受到人们刻板
印象的影响。
研究 2 正确告知被试新闻写作主体，并请
被试判断新闻可信度。 结果表明： 被试认为 AI
图3
134
感知新闻偏见的调节作用
记者写作的新闻可信度高于人类记者写作的新
闻可信度； 同时，在感知偏见上，AI 记者写作的
现代传播 2022 年第 10 期（ 总第 315 期）
姚
琦
周
赟： 主观还是客观： AI 写作对新闻可信度的影响机制研究
新媒体研究
新闻低于人类记者写作的新闻。
研究 3 采用情景实验法，验证感知偏见的
信度评价较高，结合 AI 写作高效率、低成本等
优势，未来 AI 技术可以被更深入且广泛地应用
中介作用及新闻类型（ 硬新闻 vs． 软新闻 ） 的调
节作用。结果表明，当新闻类型为硬新闻时，不
论是人类记者还是 AI 记者，用户感知到的新闻
到新闻领域中； 其次，未来 AI 可以继续在软新
闻领域“开疆拓土 ”，在硬新闻写作中，也可以
偏见差异不大，在新闻可信度判断上也不存在
差异； 然而，当新闻类型为软新闻时，用户认为，
AI 写作中的新闻偏见显著低于人类记者所写
的新闻，AI 写作的新闻可信度显著高于人类记
者写作的新闻。
（ 二） 理论贡献
首先，从媒体等同理论视角切入，结合实验
法等定量研究方法，推动了 AI 写作在实证研究
上的发展； 其次，揭开了影响用户新闻可信度判
断的内在机制“黑箱 ”，也从理论层面对感知新
闻偏见的研究应用进行了拓展； 最后，补充了
采取人机协作的方式； 最后，新闻机构在运用
AI 技术进行新闻写作时，应尽到告知受众新闻
源的义务，尤其是在软新闻情况下，更应强调该
新闻是由 AI 撰写，从而提高新闻的传播效果。
（ 四） 研究局限和未来展望
本研究也存在一定的局限性： 首先，为了控
制其他影响因素，实验中仅采用了体育新闻作
为新闻文本，未来可以从多种新闻议题进行验
证； 其次，在智能媒体时代，人与机器的界限越
来越模糊，但人类记者仍有不可替代的优势，未
来研究可以从人机协作这一层面进行剖析； 最
AI 写作相关研究在调节上的研究空白，并对以
后，技术进步的速度远超人类写作水平的提升，
未来研究可以跟踪人类和 AI 新闻写作水平的
往的研究争议做出了合理解释。
（ 三） 实践意义
变化趋势，以及如何动态影响新闻可信度感知。
（ 硕士研究生贺钟祥对该研究亦有贡献）
首先，从研究结果看，用户对 AI 写作的可
【责任编辑： 潘可武】
注释：
2021 年第 2 期，第 78 － 97 页。
吴璟薇、郝洁： 《智能新闻生产： 媒介网络、双重的人及关系主体的重建》，《国际新闻界》，
Levy S． ，Gvili Y． How Credible is E-word of Mouth across Digital-marketing Channels？ Journal of Advertising Ｒesearch，vol． 5，no． 9，
2015． pp． 95 －
109．
③ 付晓光、吴雨桐： 《论 AI 新闻写作的逻辑特征———基于 Dreamwriter 报道与人工报道的对比分析》，《现代出版》，2021 年第 1 期，第 48 －
55 页。
vol． 5，
no． 4，
2018． pp． 236 － 255．
④3
6 Waddell T． F． A Ｒobot Wrote This？ How Perceived Machine Authorship Affects News Credibility． Digital Journalism，
2017 年第 9 期，第 59 － 62 页。
⑤ 匡文波： 《记者会被机器人取代吗》，《新闻与写作》，
2021 年第 5 期，第 145 － 151 页。
⑥ 雷霞： 《搜索引擎智能推荐的权力控制与人的能动性》，《现代传播》，
2021 年第 10 期，第 117 － 118 页。
⑦ 刘佳、刘莹、朱伯玉： 《AI 算法推荐新闻的法律风险与规制》，《青年记者》，
2021 年第 1 期，第 63 － 92 页。
⑧ 张梦、陈昌凤： 《智媒研究综述： 人工智能在新闻业中的应用及其伦理反思》，《全球传媒学刊》，
1973． pp． 110 － 131．
⑨ Tuchman，Gaye． Making News by Doing Work： Ｒoutinizing the Unexpected． American Journal of Sociology，vol． 5，no． 71，
⑩ 李良荣： 《新闻学概论》，复旦大学出版社 2011 年版，第 57 页。
2020 年第 3 期，第 7、
115 － 138 页。
13 马超： 《媒介类型、内容偏好与使用动机： 媒介素养影响因素的多维探析》，《全球传媒学刊》，
1
2 Metzger M． J． ，Flanagin A． J． ，EyalK． et al． Credibility for the 21st Century： Integrating Perspectives on Source，Message，and Media Credibility in the
Contemporary Media Environment． Annals of the International Communication Association，vol． 27，no． 1，
2003． pp． 293 － 335．
2001． pp． 52 － 72．
1
32
5 Sundar S． S． ，Nass C． Conceptualizing Sources in Online News． Journal of Communication，vol． 51，no． 1，
2019 年第 6 期，第 41 页。
1
4 郑越、杨帆： 《记者和算法谁更值得信任： “机器人新闻”可信度的影响因素探析》，《现代传播》，
1
5 Franchimon F． Persuasive Technology： Using Computers to Change What We Think and Do（ Book Ｒeview） ． Journal of Business ＆ Technical Communication，vol． 5，no． 1，
2006． pp． 58 － 59
1
6 Sweetser K． D． ，Porter L． V． ，Chung D． S． ，Kim E． Credibility and the Use of Blogs among Professionals in the Communication Industry． Journalism ＆
Mass Communication Quarterly，vol． 1，no． 85，
2008． pp． 169 － 185．
1
7 Johnson T． J． ，Kaye B． K． Credibility of Social Network Sites for Political Information among Politically Interested Internet Users． Journal of Computer2014． pp． 957 － 974．
mediated Communication，vol． 19，no． 4，
2011 年，第 141 页。
1
8 刘琼： 《中国网络新闻可信度研究》，华中科技大学博士学位论文，
（ 下转第 145 页）
①
②
现代传播 2022 年第 10 期（ 总第 315 期）
135
宣长春
吴钧昊： 微博辩证情绪的发现及其对舆情治理的启示
新媒体研究
no. 3，
2016. p. 700.
1
5 ［美］郝大维、安乐哲： 《汉哲学思维的文化探源》，施忠连译，江苏人民出版社 1999 年版，第 6 页。
1
6 张立文： 《和合学概论———21 世纪文化战略的构想》（ 上卷） ，首都师范大学出版社 1996 年版，第 467 页。
1999. p. 752.
1
7 Peng K. ，Nisbett Ｒ． E. Culture，Dialectics，and Ｒeasoning about Contradiction. American Psychologist，vol. 54，no. 9，
1
82
0 Kitayama S. ，Markus H． Ｒ. ，Kurokawa，M. Culture，Emotion，and Well-being： Good Feelings in Japan and the United States. Cognition and Emotion，vol. 14，no. 1，
2000. p. 120.
1
9 Goetz J L. ，Spencer-Ｒodgers J. ，Peng K. Dialectical Emotions： How Cultural Epistemologies Influence the Experience and Ｒegulation of Emotional
Complexity. In： Ｒichard M． S． ，Susumu Y． （ eds． ） ． Handbook of Motivation and Cognition across Cultures． New York： Elsevier． 2008． p． 535．
2005. p. 147.
2
1 Miah A. Book Ｒeview： Cybertypes： Ｒace，Ethnicity，and Identity on the Internet. Media Culture and Society，vol. 27，no. 1，
2012 年第 3 期，第 87 页。
2 王平、谢耘耕： 《突发公共事件中微博意见领袖的实证研究———以“温州动车事故”为例》，《现代传播》，
2016 年，第 39 － 40 页。
2
3 李晓： 《社会身份对个人网络表达影响研究———以新浪微博为例》，华中师范大学硕士学位论文，
2019 年第 4 期，第 31 页。
2
42
7 陈安繁、金兼斌、罗晨： 《奖赏与惩罚： 社交媒体中网络用户身份与情感表达的双重结构》，《新闻界》，
2015 年第 1 期，第 73 页。
2
5 彭希羡、朱庆华、刘璇： 《微博客用户特征分析及分类研究———以“新浪微博”为例》，《情报科学》，
2012 年，第 47 － 48 页。
2
6 刘云龙： 《论不同社会背景人士在微博评论中的语言特征差异》，武汉理工大学硕士学位论文，
2014 年第 1 期，第 72 页。
2
8 陈经超、万家驹、王忠彬： 《认证与非认证记者微博的话语表达分析》，《广告大观》（ 理论版） ，
2015 年第
2
9 刘丛、谢耘耕、万旋傲： 《微博情绪与微博传播力的关系研究———基于 24 起公共事件相关微博的实证分析》，《新闻与传播研究》，
9 期，第 103 页。
2017 年第 4 期，
3
0 王玮、温世阳： 《情感分析在社会化媒体效果研究中的应用———基于分类序列规则的微博文本情绪分析》，《国际新闻界》，
第 65 页。
2010 年，第 16 － 18 页。
3
13
6 王振浩： 《基于情感字典与机器学习相结合的文本情感分类》，哈尔滨工业大学硕士学位论文，
2012 年，第 31 页。
3
2 陈晓东： 《基于情感词典的中文微博情感倾向分析研究》，华中科技大学博士学位论文，
2014 年第 8 期，第 78 页。
3 周咏梅、阳爱民、杨佳能： 《一种新闻评论情感词典的构建方法》，《计算机科学》，
2019 年第 3 期，第 283 页。
3
4 李吉、黄微、郭苏琳、孙悦： 《网络口碑舆情情感强度测度模型研究———基于 PAD 三维情感模型》，《情报学报》，
2017. p. 38.
3
5 Thomas Ｒ. Intraday Online Investor Sentiment and Ｒeturn Patterns in the U. S. Stock Market. Journal of Banking and Finance，vol. 84，
2017 年第 4
3
7 党明辉： 《公共舆论中负面情绪化表达的框架效应———基于在线新闻跟帖评论的计算机辅助内容分析》，《新闻与传播研究》，
期，第 47 页。
3
8 Miyamoto Y. ，Ｒyff C． D. Cultural Differences in the Dialectical and Non-dialectical Emotional Styles and Their Implications for Health. Cognition and
Emotion，vol. 25，no. 1，
2011. p. 25.
2013 年第 1 期，第 7 页。
3
9 刘书青、彭凯平、刘冠民、方平、林卓、李迪斯： 《辩证情绪： 研究方法及展望》，《心理学探新》，
4
0 Peng K. ，Nisbett Ｒ． E. ，Wong N. Validity Problems Comparing Values across Cultures and Possible Solutions. Psychological Methods，vol. 2，
no. 4，
1997. p. 340.
4
1 〔南宋〕朱熹： 《四书集注》，三秦出版社 1998 年版，第 24 页。
4
2 ［美］拉里·A． 萨姆瓦、
理查德·E． 波特、
雷米·C． 简恩： 《跨文化传通》，
龚光明、
陈南译，
生活·读书·新知三联书店 1988 年版，
第 66 页。
2021 年第 2 期，第 119 页。
4
3 刘建军： 《思维方式差异与中西文化的不同特性》，《上海交通大学学报》（ 哲学社会科学版） ，
2021 年第 3 期，第 145 页。
4 王雪、常健： 《舆情中和： 化解舆情极化的另一种策略》，《中国行政管理》，
（ 作者宣长春系厦门大学新闻传播学院、深圳研究院助理教授； 吴钧昊系厦门大学新闻传播学院硕士研究生 ）
■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
（ 上接第 135 页）
Metzger M． J． ，Flanagin A． J． Credibility and Trust of Information in Online Environments： The Use of Cognitive Heuristics． Journal of Pragmatics，vol．
59，no． 1，
2013． pp． 210 － 220．
2021 年第 2 期，第 37 页。
2
0 申琦、王璐瑜： 《当“机器人”成为社会行动者： 人机交互关系中的刻板印象》，《新闻与传播研究》，
2
12
4 Ｒeeves B． ，Nass C． The Media Equation： How People Treat Computers，Television，and New Media Like Ｒeal People and Places． New York： Cambridge University Press． 1996． p． 6．
2 Xu K． ，Lombard M． Media are Social Actors： Expanding the CASA Paradigm in the 21st Century． In： Annual Conference of the International Communication Association． 2016． pp． 1 － 47．
2008．
2
3 Weinreich，Harald，Hartmut Obendorf． et al． Not Quite the Average： An Empirical Study of Web Use． ACM Transactions on the Web，vol． 1，no． 2，
pp． 1 － 31．
2001． pp． 52 － 72．
2
5 Sundar S． Shyam，Clifford Nass． Conceptualizing Sources in Online News． Journal of Communication，vol． 1，no． 51，
2020 年第 10 期，第 69 页。
2
6 许向东、王怡溪： 《智能传播中算法偏见的成因、影响与对策》，《国际新闻界》，
2021 年第 3 期，第 36 页。
2
7 陈昌凤、张舒媛： 《新闻生产中算法运用的技术路径与价值逻辑》，《现代出版》，
2
8 Graefe，Andreas，Mario Haim． et al． Ｒeaders’Perception of Computer-Generated News： Credibility，Expertise，and Ｒeadability． Journalism，vol． 5，no．
19，
2018． pp． 595 － 610．
2
9 Liu B，Lewen Wei． Machine Authorship in Situ： Effect of News Organization and News Genre on News Credibility． Digital Journalism，vol． 5，no． 7，
2019． pp． 635 － 657．
2011 年第 9 期，第 40 － 41 页。
3
0 王国珍： 《新闻报道中的“有意偏向”和“无意偏向”》，《新闻爱好者》，
2021 年第 4 期，第 24 － 28 页。
3
1 潘晨晨： 《算法新闻偏见及其治理路径》，《编辑学刊》，
3
2 Carlson M． The Ｒobotic Ｒeporter： Automated Journalism and the Ｒedefinition of Labor，Compositional Forms，and Journalistic Authority． Digital Journal2005． pp． 416 － 431．
ism，vol． 3，no． 3，
3
43
7 Appelman A． ，Sundar S． Measuring Message Credibility： Construction and Validation of an Exclusive Scale． Journalism ＆ Mass Communication
Quarterly，vol． 93，no． 1，
2016． pp． 59 － 79．
2014． pp． 519 － 531．
3
5 Clerwall C． Enter the Ｒobot Journalist． Journalism Practice，vol． 8，no． 5，
3
8 Hayes A． F． Introduction to Mediation，Moderation，and Conditional Process Analysis： A Ｒegression-Based Approach． Journal of Educational Measure2014． pp． 335 － 337．
ment，vol． 51，no． 3，
1
9
（ 作者姚琦系重庆交通大学经济与管理学院教授、博士生导师； 周赟系重庆交通大学旅游与传媒学院硕士研究生）
现代传播 2022 年第 10 期（ 总第 315 期）
145