Generative-AI-News-Literacy-Lab — F Everyday Systems

流暢新聞裡不存在的來源

學生收到一篇語氣專業、數字完整的新聞摘要，文末還列出三個研究機構。點開連結後，一個機構不存在，另一個報告從未提到文中結論。生成式 AI 讓文字更像新聞，也讓「看起來有來源」成為新的查核陷阱。

先拆主張，不先猜真假

一篇文章可能同時包含可驗證事實、推論、價值判斷和不存在的引文。學生先將句子拆成最小主張，標記需要哪一類證據，再開始搜尋；這比憑語氣判斷更能遷移到不同題材。

學習模型

四層證據能力圖譜

主張辨識｜區分事實、推論、意見與預測

來源回溯｜找到原始文件並核對時間與範圍

交叉驗證｜用獨立來源檢查關鍵數字與引文

信心校準｜讓確定程度隨證據品質而變化

來源階梯取代連結數量

原始資料、正式文件與完整研究通常比二手摘要更能支持主張。課堂要求學生沿著轉載鏈回到最早可查來源，並確認日期、作者、研究範圍與原文是否真的支持摘要。

新聞編輯室與資訊流 — 新聞內容的產製與來源責任Source: Unsplash

證據覆蓋4/5重要主張中已有四項找到原始來源

查核時間12 min完成一輪來源回溯的課堂目標

引用斷裂2 處引文存在但無法定位原始段落

信心校準±10%判斷信心與實際正確率差距

反向查核暴露生成痕跡

對可疑引文搜尋精確片段、對圖片做反向搜尋、對數據檢查單位與基期。AI 生成內容常在局部合理、整體關係卻斷裂；查核要尋找可被反駁的具體點，而非羅列風格特徵。

評量信心，而不只評量答案

學生在每個判斷後填寫信心百分比與理由。若經常高信心答錯，下一輪練習應增加停頓與證據要求；若低信心但答對，則練習如何辨識足夠證據。

教師也要公開工具的限制

課堂可使用 AI 產生待查材料，但必須保存提示、版本與人工修改，並避免把即時事件或敏感議題交給無法追溯的模型決定。媒體素養的核心不是拒絕工具，而是要求可驗證的知識路徑。

news_literacy_coach.pyPYTHON 3.11
class EvidenceCoach:
    def next_exercise(self, result):
        # 依錯誤類型推薦下一個查核練習
        if result["citation_gap"] > 0:
            return "追溯引文到原始段落"
        calibration = abs(result["confidence"] - result["accuracy"])
        if calibration > 0.15:
            return "先寫證據再填信心"
        return "跨來源數據核對"

使用邊界：查核方法不能保證單次判斷完全正確；對高風險公共事件應優先查閱原始文件與具責任編輯流程的來源。