文字、攝影：林序潔
隨著人工智慧（ Artificial Intelligence, AI ）快速發展，AI 已經逐漸進入學術研究各階段，然而，在增加效率、為理論帶來更多創新可能時，研究者又應該如何確保研究的透明度與嚴謹性？
國立陽明交通大學傳播與科技學系於 11 月 6 號舉辦專題演講，奧地利維也納大學傳播學系教授 Dr. Jörg Matthes 擔任講者，Matthes 不僅是國際傳播學會會士（ICA Fellow) ，同時也是頂尖期刊《Communication Theory》主編。
本次演講以「AI 對傳播研究做了什麼？」、「AI 影響產生的悖論」、以及「我們應該如何因應這些影響」作為演講核心問題，探討 AI 為學界促進創意與理論創新的同時，可能帶來的挑戰，以及學界應該如何因應這些變革。
演講一開始，Matthes 首先探討「AI對我們來說是什麼？」或許是能解決繁雜問題的瑞士刀，或者是計算機，抑或是顯微鏡，幫助我們觀察到過往難以察覺的現象。然而，Dr. Matthes 認為，AI 不僅僅只是個工具，而是會更進一步影響人類思考方式以及人類與科技間的關係。
隨著 AI 快速發展，其在傳播研究的應用也日益廣泛。從生成統計分析程式碼、增加學術寫作文字多樣性、到協助非母語研究者潤飾論文內容，AI 都能協助我們省去大量時間與精力。
但過度依賴 AI 生成的內容卻可能使研究面臨缺乏差異化與忽視細節的風險。Matthes 指出，現今受西方文化主宰的情境下，Large Language Model （LLM，大型語言模型）大多普遍使用西方文化典範（Paradigm），即使是非西方國家開發的模型也難以擺脫既有的知識體系影響。
在這樣的情況下，若依賴 AI 生成研究假設、方法等內容，研究者又該如何關注非西方文化的社會現象？如何讓研究結果反映多元文化的觀點？又要如何關注弱勢群體呢？即使 AI 能協助我們分析大量資料，例如統計分析、內容分析，卻仍難以掌握資料背後可能存在的社會經濟、心理偏差，以及社會多樣性的元素。因此，研究人員批判性思考與專業判斷，仍然是不可或缺的。
Matthes 進一步提出 AI 參與學術研究所帶來的五項悖論，說明人工智慧如何在拓展研究可能性的同時，也創造出新的挑戰。
一、AI 帶來更多洞見，卻也增加研究的不確定性
AI 讓研究者得以運用更多工具、處理更大量的資料，並從中發掘過往難以觀察的現象。然而，資料量增加與分析能力提升，並不必然代表研究結果更加可靠。
Matthes 以傳播內容分析的發展為例，指出過往傳播研究受到技術與資源限制，較常以文字作為分析對象，即使圖片與影像在傳播效果中具有重要影響，仍難以獲得同等程度的研究關注。如今，AI 讓大規模的圖像、影音與多模態內容分析變得更加可行，研究者因而能夠從不同類型的資料中發現新的關聯與研究問題。然而，更多的資料也可能帶來更多難以解釋的關聯性，而這些關聯不一定代表真實的因果關係。
此外，研究者也必須思考如何分配研究在實驗內的正確性，以及讓結果貼近真實的研究設計。嚴格控制實驗條件有助於排除干擾因素，但也可能使研究情境與真實社會有所差異；反之，貼近真實情境的研究設計，則可能面臨更多難以控制的變因。Matthes 強調，研究者不能僅因 AI 提供大量數據與分析結果，就直接接受從中數據中產生的洞見，而必須持續進行批判性評估。
二、AI 既強化主流思想，也可能顛覆主流思想
AI 能夠快速整理既有知識，並根據大量資料生成答案。然而，當 AI 持續重製已被廣泛接受的觀點時，也可能進一步強化現有的主流思想與研究典範。Matthes 提醒，如果科學研究只是不斷重複既有知識，而不願意挑戰既定觀點，科學又該如何進步？
然而，AI 同樣具有挑戰主流思想的潛力。Matthes 以自身使用 AI 的經驗為例，當他詢問 AI「某位教授會如何看待這項研究？」時，AI 便能根據該學者過往的研究成果、理論觀點與研究假設，提供不同的思考方向。換言之，AI 不僅可能使研究者更加依賴主流知識，也能成為協助研究者反思既有假設、探索其他理論觀點的工具。
三、AI 取代了對研究者的需求
隨著 AI 的預測與模擬能力持續提升，人工智慧是否有可能取代人類研究者？Matthes 分享了自身運用 AI 模擬實驗結果的研究經驗。他指出，即使面對尚未公開的研究結果，AI 仍可能產生與真實實驗結果高度相似的預測。這個結果或許意味著，未來研究者不再需要進行所有實際的資料蒐集與實驗。
但 Matthes 強調，AI 所產生的預測終究只是數據估算的結果，無法實際證明現象背後的因果關係，並不符合科學的需求。因此，他認為，使用AI 做研究，必須建立在研究者具備充分的專業知識的基礎上，才能理解 AI 產生的結果、評估其合理性，並從中發展具有學術價值的洞見。
四、AI 簡化研究流程，卻也讓研究更加複雜
Matthes 援引 Van Berlo 等人運用 AI 生成廣告圖像的研究指出，過往研究者若希望在實驗中操弄廣告圖片的特定元素，往往需要安排拍攝、尋找合適的人員與場景，並投入大量時間與資源製作實驗材料。如今，研究者可以透過生成式 AI 修改圖片細節，大幅減少傳統拍攝與製作的成本。
然而，這並不代表研究工作就此減少。研究者仍須選擇適當的 AI 工具、設計提示詞（Prompt）、檢查生成結果，並反覆修改實驗材料，以確認圖片確實反映研究欲操弄的概念，同時避免引入其他可能影響實驗結果的因素。這些新增的工作，使 AI 在提升研究效率的同時，也增加了研究設計與品質控管的複雜性。
五、AI 創造出比現實更真實的「人造之物」
最後一項悖論，則涉及 AI 生成內容與真實世界之間的關係。Matthes 援引有關 AI 生成人像真實性的研究，指出隨著生成技術進步，人類已越來越難以單憑肉眼分辨真實人臉與 AI 生成人像。
更令人意外的是，部分研究發現，AI 生成的人像甚至可能比真實人像獲得更高的真實性評價，也較少引發受試者的懷疑。這意味著，AI 不僅能模仿真實世界，甚至可能創造出在人類主觀感知中「比真實更真實」的內容。
演講到了尾聲，Matthes 進一步討論學界應如何因應 AI 帶來的變革。他認為，隨著 AI 逐漸成為學術研究的一部分，學界應重新思考 AI 使用揭露的規範。未來或許不應僅要求研究者揭露「是否使用 AI」，而應將「使用AI」視為常態，要求研究者說明「哪些工作沒有使用 AI」。透過公開討論，學界才能減少 AI 使用所伴隨的污名，讓研究者更願意清楚揭露自己在研究的哪些階段、以何種方式使用 AI。
在 Matthes 看來，將人類的創造力與科技能力結合，才是未來研究創新的重要來源。他也指出，AI 時代的傳播研究正面臨一項更根本的挑戰：研究正逐漸從「資料稀缺」走向「理論稀缺」。過往，資料蒐集、分析與研究執行往往需要投入大量時間，因此研究產出的速度相對有限。如今，研究者可以透過 AI 協助生成問卷、處理資料、執行分析，大幅降低研究工作的時間與技術門檻。當資料的取得與分析變得越來越容易，真正稀缺的反而可能是具有創新性與解釋力的理論。
儘管 AI 的發展為傳播研究帶來諸多不確定性，Matthes 仍對傳播學的未來抱持樂觀態度。他指出，傳播學本身便是一門結合跨領域觀點、重視理解與評估的學科。當 AI 正在重新形塑人類的資訊環境與互動方式時，這些學科特質反而讓傳播研究者擁有獨特的優勢。
針對 AI 讓研究變得更加複雜，未來學界是否會意識到 AI 並不值得使用的提問，Matthes 認為未來可能會有三種走向。一、捨棄 AI，回歸傳統方式；二、維持現狀，人們仍使用 AI，同時越來越重視驗證資訊；三、LLM 變得無所不能，因此驗證比例下降。對於學界會如何使用 AI，Matthes 則認為三種情境都有可能，但傳統的研究方法如問卷、實驗、測試，絕不會消失。
除蒞臨傳科系與師生交流之外，Matthes 也於隔日（11/07）在台灣資訊社會年會擔任主講嘉賓（Keynote Speaker）。以「The Post-Questioning Era: The Danger of AI That Works Too Well」為演講主題，探討使用者對 AI 的信任與依賴。
