人类打辩论不如GPT-4！Nature子刊：900人实战演练，AI胜率64.4%

一水 发自 凹非寺
量子位 | 公众号 QbitAI

只需知道6项个人信息，GPT-4就有可能在辩论中打败你？！

而且胜率高达64.4%

这是几位来自瑞士洛桑联邦理工学院、普林斯顿大学等机构的研究人员得出的最新结论，相关研究目前登上了自然子刊《自然·人类行为》。

具体而言，他们核心想弄清楚一件事——

GPT-4在直接对话中是否比人类更具说服力，尤其在提前知道对方基本个人信息的情况下。

他们在美国找来了900位参与者，然后要求这群人与其他人类或GPT-4在线辩论10分钟，所讨论的内容主要是一些社会议题，比如学生是否应该穿校服、是否应该禁止使用化石燃料等等。

结果发现，一旦GPT-4提前知晓对手的个人信息，其胜率将达到64.4%，并且说服效果提升了81.2%。

甚至，这项研究的共同作者Francesco Salvi表示：

• 即使只提供一些极其有限的信息（性别/年龄/种族/教育水平/就业状况/政治倾向），GPT-4的说服力也远超人类。
• 这既令人着迷，又令人恐惧。

下面来看具体研究过程。

从验证假设出发

此前已有研究表明，通过摆事实讲道理，大语言模型甚至能让相信阴谋论的人改变想法

那么问题来了——像GPT-4这样的大模型是否会 “见人说人话”？

也就是根据每个人的不同特点（比如年龄、性别、学历、政治立场等）来专门调整自己的论点，从而更精准地影响甚至操控人。

基于上述疑问，研究人员提出了一个假设：

• 当GPT-4获取用户的个人信息并据此定制论点时，其说服力会显著超过人类对手，且这一效果会因话题的争议程度（低、中、高）而有所不同。

接下来就是详细验证假设。

概括而言，具体实验流程可分为三个阶段：

第一，实验准备。

他们通过Prolific平台招募了900名美国参与者，这群人被要求完成人口统计问卷（包括性别、年龄、种族、教育水平、就业状况、政治倾向）

统计结果显示，其平均年龄为35.2岁，49.6%为男性。

之后会将完成预调查的参与者随机分配至12种实验条件（2×2×3组合，每组50人），过程中每5分钟会触发一次匹配程序。

• 对手类型：人类 or GPT-4
• 是否提供个人信息：有 or 无
• 话题强度：低、中、高

这里需要补充一下话题强度，1）低强度：争议性低、观点易动摇的话题（如“是否应推广电动汽车补贴”）；2）中强度：中等争议性话题（如“社交媒体是否应限制政治广告”）；3）高强度：高极化、观点根深蒂固的话题（如“堕胎权是否应受宪法保护”）。

随后基于Empirica.ly框架开发的实时辩论系统，这群人将参与开篇（4分钟）、反驳（3分钟）、总结（3分钟）的结构化辩论流程，并确保对话同步记录。

这也来到了第二阶段，真刀真枪地实时辩论。

• 筛选阶段（1分钟）：在未分配立场的情况下，让参与者1~5分打分（1=强烈反对，5=强烈支持），排除那些对话题已有极端强烈倾向的个体；
• 开篇阶段（4分钟）：明确分配立场（正方/反方），参与者需围绕立场构建核心论点；
• 反驳阶段（3分钟）：针对对手论点进行回应，要求逻辑连贯、证据支持；
• 总结阶段（3分钟）：重申核心观点或回应对手最后反驳，强化立场。

这里研究人员会确保两件事：1）每个阶段严格计时，避免讨论偏离主题，确保数据可比性；2）实时保存所有辩论内容，用于后续语言风格分析（如LIWC-22工具提取逻辑词、情感词频率）

最后进入第三阶段——后测与反馈

辩论结束后，参与者被要求完成两项任务。一是再次对话题同意程度评分，并通过下图公式来评估其立场转变程度；二是猜测“你认为对手是人类还是AI？”，以分析身份认知对说服力的影响。

当走完以上全部流程后，参与者才会被告知对手的真实身份及相关结果。

而研究者接着分析了过程中产生的所有数据，并得出了以下关键发现。

一些关键发现

整体而言，在知晓对手个人信息的前提下，GPT-4说服人类的胜率为64.4%。

和人类对战人类（不知情）相比，其他三组的说服效果如下：

• 人类和GPT-4（知情）：说服效果提升81.2%，参与者在辩论后更同意对手观点的概率显著更高；
• 人类和GPT-4（不知情）：效果与基线无显著差异；
• 人类和人类（知情）：效果略低于基线，可能是因为人类难以高效利用个人信息。

另外，研究也证明了低/中争议话题更易被GPT-4影响

几种话题强度分别受到的影响如下：

• 低强度话题：人类和GPT-4（知情）组说服效果提升78.5%（p<0.01），如“是否应推广校园午餐补贴” 等非极端化议题，参与者初始立场较弱，易被AI论点动摇；
• 中强度话题：效果提升64.2%（p=0.03），如“社交媒体算法是否应透明化”，GPT-4通过结合用户政治倾向（如自由派关注隐私，保守派关注效率）针对性输出论点；
• 高强度话题：效果无显著差异（+32.1%, p=0.14），如“堕胎权立法”，参与者立场根深蒂固，GPT-4无法改变。

与此同时，通过分析语言风格，研究人员还发现GPT-4重逻辑，人类重情感互动

在GPT-4的语言模式中，主要有以下特点：

• “Analytic” 指标（逻辑词频率）比人类高42%，更多使用 “因为”“数据表明” 等因果连接词；
• 互动性更低，第一人称代词（“我”）使用频率低35%，第二人称代词（“你”）低58%，文本更客观但缺乏情感共鸣；
• 可读性较低，阅读难度得分比人类高21%。

相比之下，人类使用积极词汇（如“美好”“支持”）的频率高38%，互动感也更强。

最后，对于猜对手身份的小游戏，研究发现参与者正确识别GPT-4的概率为75%，表明其语言风格（如机械性、高逻辑性）存在可感知的独特性。

而且一旦参与者认为对手是GPT-4，其意见变化幅度比“认为是人类”时高37.4%（p=0.03）。

这可能说明参与者对AI的心理防御更低

更多细节欢迎查阅原论文。

论文：
https://www.nature.com/articles/s41562-025-02194-6

[1]https://gizmodo.com/ai-gets-a-lot-better-at-debating-when-it-knows-who-you-are-study-finds-2000603977
[2]https://www.nature.com/articles/d41586-025-01599-7