素養悖論：AI 素養反而放大對 AI 新聞的偏見

1. 基本資訊

這篇文章由 WooJin Kim 與 Yuhosua Ryoo 發表於 2026 年的 International Journal of Information Management，題目是〈The literacy paradox: How AI literacy amplifies biases in evaluating AI-generated news articles〉，DOI 為 10.1016/j.ijinfomgt.2025.102992。作者關心的是，當人們更了解 AI 如何生成新聞之後，這份理解究竟會讓他們更批判、更平衡，還是反而更容易用對 AI 既有的刻板印象來做判斷。

2. 研究問題

本文要回答兩個核心問題。第一，AI literacy 是否會和新聞類型產生交互作用，改變人們對 AI 生成新聞的 message credibility 與 source credibility。第二，這個效果是否是透過兩種相反的認知捷思發生，也就是 automation bias 與 algorithmic aversion。這個問題很重要，因為很多討論都把 AI literacy 預設為純正向能力，但作者認為它也可能成為偏誤放大器。

3. 理論基礎

理論上，本文結合 AI literacy、confirmation bias 與 machine heuristics。作者認為，AI literacy 並不會自動帶來更中性的判斷，反而可能讓個體更有系統地確認自己對 AI 的既有印象。若面對 data-driven news，受眾會更容易啟動 automation bias，將 AI 視為客觀、精準、擅長處理數據的系統；若面對 interpretive news，受眾則更容易啟動 algorithmic aversion，認為 AI 缺乏情感理解、價值判斷與脈絡敏感度。

4. 研究架構

作者把新聞內容分成兩類。第一類是 data-driven news，重在數據、事實、統計與客觀呈現；第二類是 interpretive news，重在評論、脈絡、情感與主觀判斷。AI literacy 作為主要自變項，會依新聞類型不同，分別推動 automation bias 或 algorithmic aversion，再影響對 message credibility 與 source credibility 的評價。整體模型很清楚：不是 AI literacy 直接造成單向信任，而是 AI literacy 讓人更依賴自己對 AI 擅長什麼、不擅長什麼的認知圖式。

5. 假設邏輯

H1 主張 AI literacy 與 news context 之間存在交互作用。對 data-driven articles 而言，較高 AI literacy 會提高對訊息與來源的可信度；對 interpretive articles 而言，較高 AI literacy 反而會降低兩者可信度。H2 則進一步指出中介路徑：在 data-driven news 情境下，AI literacy 會提升 automation bias；在 interpretive news 情境下，AI literacy 會提升 algorithmic aversion。作者的邏輯不是「了解愈多愈理性」，而是「了解愈多，愈容易把 AI 放進既有能力刻板印象中」。

6. 方法

研究一共做了三個 study，先用 pretest 驗證 AI literacy 操弄與新聞情境操弄是否有效。Study 1 以社會福利新聞為情境，採線上實驗設計，納入 211 位 MTurk 參與者，以連續量測的 AI literacy 搭配 data-driven / interpretive 兩種新聞，檢驗 credibility 差異。Study 2 改用 cyberbullying 主題，納入 242 位參與者，直接操弄高低 AI literacy 與兩類新聞情境，驗證 H1 的穩健性。Study 3 再把設計推到更真實的互動場景：建立 Facebook Messenger 上的 AI news chatbot，以運動新聞情境測試 moderated mediation，檢驗 automation bias 與 algorithmic aversion 是否真的是中介機制。主要依變項是 message credibility 與 source credibility。

7. 結果

結果非常一致。Study 1 顯示，AI literacy 與新聞情境之間對 MC 與 SC 都有顯著交互作用；高 AI literacy 在 data-driven news 下會提高對內容與來源的可信度，但在 interpretive news 下會降低可信度。Study 2 重現了同樣圖形，而且效果量不小：在 data-driven news 中，高 AI literacy 者的 message credibility 平均數約 6.05，高於低 literacy 組的 5.44；source credibility 約 6.07，高於 5.51。相反地，在 interpretive news 中，高 literacy 組的 message credibility 約 4.88，低於低 literacy 組的 5.59；source credibility 約 5.06，低於 5.68。Study 3 進一步證明，這個交互作用是透過兩條不同中介路徑發生：data-driven news 主要經由 automation bias 提高 credibility，interpretive news 則主要經由 algorithmic aversion 降低 credibility。

8. 理論貢獻

這篇最大的理論價值，是把 AI literacy 從單向正向資源改寫成雙面刃。第一，它挑戰「提升 AI literacy 就會帶來更成熟判斷」的常見假設，指出 literacy 本身可能放大偏誤。第二，它把 confirmation bias 與 machine heuristics 明確接到 AI journalism 的情境裡，說明人們不是在真空中評估 AI，而是透過對 AI 能力的刻板分類來判斷。第三，它提供了一個很可重用的情境化框架：AI 的評價效果會受 task / content type 調節，不能把所有 AI 應用混在一起看。

9. 實務意涵

對新聞平台或內容設計者而言，這篇有很實際的提醒。若 AI 主要產出數據型、事實型內容，適度揭露 AI 如何處理資料、如何運作，反而有助於強化信任；但若是評論型、情感型、價值判斷型內容，過度強調「這是 AI 做的」與其演算法邏輯，可能會激起反感與懷疑。換句話說，透明不是萬用解方，要看內容類型與受眾認知。對做 AI literacy 教育的人來說，也不能只教技術理解，還要教人辨識自己對 AI 的能力刻板印象。

10. 研究限制

限制主要有幾個。第一，樣本多來自 MTurk，雖然方便取得較大樣本，但未必完全代表一般大眾。第二，Study 1 與 Study 2 雖然主題換了社福與網路霸凌，Study 3 也換到運動，但畢竟都仍屬新聞消費情境，外推到其他 AI 內容場景要保守。第三，AI literacy 的短期操弄雖然有效，但和真實世界長期累積的素養不完全等同。第四，Study 3 需要參與者能登入 Facebook Messenger，可能排除了某些媒體使用型態不同的人。

11. 對我研究的啟發

這篇對我很有用，因為它把我最近在追的 cognition 線拉得更細。第一個可直接延伸方向，是把這個 literacy paradox 轉到 human-GenAI collaboration 任務裡，去問對 AI 更熟的人，是不是反而更容易在某些任務上過度信任、在另一些任務上過度排斥。第二個方向，是把 AI literacy 與 cognitive style 接起來，例如分析型與直覺型個體，是否會以不同方式啟動 automation bias 或 algorithmic aversion。第三個方向，是把這篇和我前面讀過的 anchoring、trust、reasoning transparency 文獻整合，形成一個更完整的模型：人不是單純「知道 AI 更多」就更會用 AI，而是會在不同內容與任務脈絡下，用不同認知捷思重新校準信任與拒斥。

12. 整體評價

我認為這篇非常值得留在我的核心文獻池，尤其如果我後續要研究的是 AI 與人的認知互動，而不只是採用意圖。它的強項是問題設定很準，知道今天真正值得問的不是「AI literacy 有沒有幫助」，而是「它在什麼條件下會幫助，什麼條件下反而加劇偏誤」。三個 study 的設計也讓論點從 scenario 一路推到較真實的 chatbot 互動，說服力夠。若要挑剔，就是它的依變項仍集中在 credibility perception，而不是更長期的行為採納或知識創造結果；但作為我建立 AI literacy × cognition × task-context 機制模型的橋梁文，這篇很強。