深度解读：检测议会文本中未披露的 LLM 生成内容

背景

随着大型语言模型（LLM）在内容生成领域的广泛应用，透明度与问责制已成为学术界、新闻界及公共治理领域的核心议题。在许多专业领域，如新闻写作或学术研究，通常有明确的规定要求作者必须清晰披露是否使用了 AI 工具。然而，在政治和立法领域，关于 AI 使用披露的指导原则往往较为模糊或缺失。

议会文本（如议会动议、演讲记录等）是民主政治中公众信任的基石。为了维持透明度并保留公众信任，普遍建议议员在撰写此类文本时应声明是否使用了 AI 辅助。尽管缺乏强制性的披露规范，但议会文本中 AI 内容的潜在渗透率及其对政治话语的影响，引起了研究者的关注。

核心内容

本文发表在 arXiv 的计算机科学（计算与语言）板块，提交于 2026 年 6 月 12 日。研究团队旨在评估英国和瑞典议会文本中未披露的 LLM 生成内容的比例，并分析其随时间的变化趋势。

研究方法与模型构建

为了检测这些未披露的 AI 生成内容，研究团队采用了一种可解释的“玻璃盒”（glass-box）文本分类器。该方法的核心步骤如下：

1. 数据准备：
   • 预 LLM 时期数据：收集了 LLM 普及之前的历史议会文本作为基准。
   • LLM 生成数据：利用 LLM 生成与上述历史文本风格相似的模拟文本。
2. 模型训练：使用上述两类数据训练分类器，使其能够区分人类撰写的传统议会文本与由 LLM 生成的文本。选择“玻璃盒”模型而非传统的“黑盒”深度学习模型，旨在提高检测结果的可解释性，让研究者能够理解模型做出判断的依据。
3. 测试应用：将训练好的分类器应用于包含近期议会文本的测试集，这些文本来自英国和瑞典的议会记录。

主要发现

研究结果揭示了一个显著的趋势：

• 持续增长：从 2022 年开始，英国和瑞典议会文本中未披露的 LLM 使用比例呈现出稳步上升的趋势。
• 跨国一致性：这一现象在两个不同国家的议会中均被观察到，表明这可能是一个普遍性的技术渗透现象，而非特定地区的孤立事件。

关键要点

• 披露规范的缺失：与新闻和学术界不同，议会文本领域缺乏明确的 AI 使用披露指南，导致未披露的 AI 生成内容难以被监管。
• 可解释性优先：研究采用了可解释的分类器（glass-box classifier），通过对比预 LLM 时期文本和 LLM 生成文本来训练模型，确保了检测逻辑的透明度。
• 时间拐点明确：检测结果显示，未披露的 LLM 内容在 2022 年后开始显著增加，这与全球 LLM 技术的爆发式普及时间点相吻合。
• 普遍性趋势：英国和瑞典的数据均显示出不披露 AI 使用的增加，暗示议员群体正在更广泛地采用 AI 工具辅助写作，但未随之进行相应的透明度声明。

意义与影响

这项研究对政治传播、数字治理和 AI 伦理具有深远的影响：

1. 政治透明度危机：如果议员大量使用 AI 生成动议或演讲却不予披露，公众将无法区分哪些观点源于议员本人的意志，哪些源于算法的生成。这直接威胁到民主政治中的问责制和公众信任。
2. 政策制定的紧迫性：研究结果呼吁立法机构制定明确的 AI 使用披露政策。正如新闻和学术界需要声明 AI 参与一样，议会也应建立相应的规范，要求议员在提交文本时声明是否使用了 LLM。
3. 检测技术的可行性：研究证明了利用历史文本训练可解释分类器来检测现代 AI 生成内容是可行的。这为监管机构提供了一种技术手段，用于监控和评估 AI 在政治文本中的渗透程度。
4. 全球治理参考：由于英国和瑞典代表了不同的政治和法律传统，但都观察到了相似的趋势，这为全球其他国家的议会提供了预警：AI 对政治话语的隐形渗透正在加速，需要尽早建立应对机制。

总之，这篇论文不仅提供了一项技术检测结果，更发出了一个关于数字时代政治透明度的重要警示：随着 AI 生成内容的常态化，建立与之匹配的披露和监管框架已刻不容缓。