人工智能社会化：内容生成与符号重塑

刘河庆

华中科技大学

社会学院

教授

人工智能社会化：内容生成与符号重塑

来源 | 《社会学研究》2026年第2期

作者 | 刘河庆

责任编辑 |赵梦瑶

大语言模型作为准社会主体融入社会生活，正在重塑社会互动模式与社会秩序。基于人工智能社会化视角，本研究使用四个大语言模型模拟不同角色对“知乎”平台上的海量提问进行回答，进而对大语言模型的行为特征及其对内容生态的冲击等进行分析。研究发现，大语言模型在互动中兼具精确性与机械性：它们能灵活识别场景，但在输出中会机械地强化性别、年龄等方面的角色刻板印象。同时，大语言模型生成的内容语义高度集中，趋近于中立或高点赞的人类回答，进而可能引发社会符号系统的收缩和同质化。研究人工智能参与社会互动及内容生成的过程，为理解数智时代社会形态的变迁提供了重要视角。

一、引言

生成式人工智能的迅速崛起不仅标志着一场技术革命，也是一个重要的社会和文化现象。以大语言模型为代表的生成式人工智能，凭借其对于多模态内容的生成能力，正在重塑知识的生产和获取方式，还展现出日益显著的社会化潜能，这类模型以前所未有的方式渗透进人类社会生活（Gabriel,2020），逐渐超越单纯工具的范畴，成为复杂场景中主动的互动参与者、意义构建者乃至社会符号系统的形塑力量（Lotman,1990；Bisconti,2024），这一转变对社会学传统意义上的互动模式与社会化过程产生了深远影响。

经典社会化理论侧重个体如何通过家庭、学校、同伴群体等社会化载体习得社会规范和价值观念（米德，2018；Guhin et al.，2021），然而，以ChatGPT、DeepSeek为代表的大语言模型在海量场景中与人类开展互动、协作甚至竞争，对传统社会化理论形成了挑战。一方面，人工智能扮演着虚拟伴侣、内容生产者等角色，逐渐成长为具备一定自主性和创造性的准社会主体（伊德，2012；邱泽奇，2024a；Bisconti et al.，2024）；另一方面，作为社会文化技术（Farrell et al.，2025），大语言模型通过大规模内容生成直接作用于人类的语言、认知和价值体系，承担起“智力物替”这一全新功能（王宁，2025），进而动摇了传统社会化视角下相对静态、固化的社会符号系统（Guhin et al.，2021）。在此背景下，系统分析人工智能如何在多元场景中承载不同社会角色，以及如何冲击以平台内容生态为代表的社会符号系统，成为理解数智时代人工智能如何推动社会形态与社会秩序整体演变的关键所在。

相关研究的难点在于应对人工智能所具有的高度实践性和生成性。基于人类已有书面知识训练而成的大语言模型能够学习专业知识、互动规则和价值偏好，进而根据用户的不同需求生成海量内容（这些内容出现在论文、政策报告、短视频等诸多载体中）。首先，这体现了人工智能的高度实践性，即与已有文献中技术作为相对固定工具的角色（芬伯格，2005；Matthewman,2017）不同，人工智能已广泛融入人类社会生活与专业领域（邱泽奇，2024a；王宁，2025），在社会互动中表现出高度的情境适应性和角色转换能力，能够应对多样乃至冲突的社会需求，并在与人类互动过程中动态调整自身的角色、偏好乃至价值观。其次，大语言模型的内容生成能力，特别是对观念、偏好的生成能力，打破了经典社会化理论中相对清晰的宏微观界限（个体通过社会化机构学习相对固定的社会规范和价值观）。大语言模型在社会互动中生成的海量内容不仅直接冲击平台现有的内容生态，也通过模型迭代持续影响后续的人机互动。上述大语言模型在不同场景、时间与提示条件下所呈现的复杂行为差异及其生成能力，直接挑战了将人工智能技术仅视为工具或客体，进而探讨用户接受度或社会后果等的传统分析路径。

因此，要考察大语言模型在数智时代的具体角色，必须超越仅将其视为工具并进行“技术能力评估”的分析框架，转而关注其作为符号学意义上的行动者，如何在复杂社会场景中参与内容生产与观念输出。本文提出“人工智能社会化”视角，将大语言模型视为具有一定自主性与创造性的“准社会主体”，聚焦其最突出的内容生成能力，试图回答以下问题。第一，大语言模型在不同场景中生成的内容，与人类用户基于不同经历和倾向所产生的内容有何异同？其内容输出是否会强化某些特定内容或视角？这些异同反映了大语言模型对既有语言特征、偏好乃至社会规范的什么学习模式？第二，大语言模型在模拟不同社会角色时生成的内容存在何种差异，这体现了它对不同社会角色怎样的理解？第三，大语言模型在短时间内生成的海量内容的语义分布与人类用户在长期复杂互动中生成内容的语义分布有何不同？这些生成内容如何影响平台内容生态？为回答上述问题，本研究采用计算实验方法，使用四个国内外大语言模型（DeepSeek、ChatGPT、Qwen、豆包）模拟不同社会角色对“知乎”平台上30余万个提问进行回答，并与原有人类用户的回答进行比较，以探索大语言模型生成内容的场景化特征。同时，通过考察人工智能生成内容与用户生成内容在语义分布上的差异，本研究将进一步探讨大语言模型的海量内容生成能力对社会符号系统的潜在影响。

二、文献述评

（一）人工智能作为准社会主体

技术与社会的关系，尤其是技术发展与社会结构、社会观念之间的复杂互动一直是社会学的核心议题（芬伯格，2005；Matthewman,2017）。在该领域的长期研究中，一个关键难题在于如何理解技术自身的高度变动性与复杂性。技术往往处于持续演进的状态，且其用途和意义具有多重可能性（Matthewman,2017）。基于技术决定论和社会建构论视角的研究大多仍从技术的工具属性出发，探讨技术如何“增强”社会或社会如何形塑技术（芬伯格，2005）。而有关技术社会化的文献则侧重于技术在社会中被接受并扩散的过程（陈凡，1992）。这些视角因将技术视为相对固定的工具或客体，难以充分解释技术与社会之间动态交织的复杂关系。后续研究开始倡导一种“分散的能动性”，强调人类和技术都具有主体性和能动性（伊德，2012；拉图尔，2022）。例如伊德（Don Ihde）指出，在人类与技术互动的体验的过程中存在他异性关系（alterity relations），技术在此关系中表现出一定的独立性与互动性，成为“准他者”（伊德，2012）。数智时代人工智能在各社会领域的广泛应用进一步印证了同时关注人类和技术能动性的必要性。有研究提出，随着人工智能技术深度融入社会，传统的人类中心主义视角需要被重新审视，人工智能不再只是工具，而是具备一定自主性和适应性的“准社会主体”，能够在社会中承担重要角色（Bisconti et al.，2024）。

因此，探究人工智能扮演何种社会角色，其作为“准社会主体”具有哪些特征，已成为理解数智时代技术与社会关系，乃至思考“数智社会可以可能”的关键（西蒙东，2024）。事实上，使人工智能具备参与社会互动的能力，特别是拥有足够的社会智能，一直是该领域发展的重要目标（Suchman,2007；Bates，2024）。研究者将社会智能定义为“人工智能根据人类的标准对外在刺激和社会场景的要求作出自动化响应”，并已在此方向展开诸多探索（Fogg,1998；Bates，2024）。例如，福格（Brian J. Fogg）关注计算机的说服能力，认为作为社会行动者的计算机可通过建立社会规范、提供社会支持等方式影响人类态度（Fogg,1998）。然而，计算机科学对社会智能的追求在很长时期内未达预期，一个重要原因在于传统机器学习依赖于编码和明确的规则，而现实中大量的社会场景运行于隐性知识与非明文的规则之上（史密斯，2022），这使得只依靠固定、明确规则的计算机难以实现真正意义上的社会智能。

以大语言模型为代表的生成式人工智能的迅速崛起和广泛应用，大大推进了人工智能的社会化进程及其社会智能的实现。ChatGPT、DeepSeek等大语言模型通常具备数十亿参数，其训练数据覆盖了人类已记录知识的绝大部分。除了数据规模庞大以外，这类模型在获取人类隐性知识和规则方面尤其有效，它们通过学习示例，在无明确指令的情况下习得和掌握未被预先设计的能力（Autor,2024）。这种脱离固定脚本和显性规则、依赖训练数据即时决策和互动的能力，使大语言模型能够广泛融入各类社会场景，承担如虚拟伴侣等多种社会角色（邱泽奇，2024b）。

尽管大语言模型有潜力成为广泛存在于社会中的准社会主体，但其与具有特定成长经历、相对稳定的价值观、个性、知识和能力的人类个体存在本质差异（米德，2018）。大语言模型并未经历人类成长过程中的“场景嵌入”，而是通过学习海量文本、图像等人类知识，融合各类价值观、知识及能力，从而表现出高度依赖上下文的价值观和人格特征。根据不同的提示词，它可以模拟多种角色，表达并迅速切换不同的价值观（Collins，2025）。这意味着，生成式人工智能并不具备人类主体那样相对稳定的偏好（Guhin et al.，2021），也不存在戈夫曼（Erving Goffman）所论述的“前台”“后台”的切换和张力（戈夫曼，2008），而是在海量社会互动中，高度依赖即时语境输出相应的价值观（Li et al.，2024）。值得注意的是，尽管大语言模型可以表达并快速转换多种视角，但与数字平台上用户开放式的表达和讨论不同，它往往以某种权威姿态将多元视角压缩为单一视角参与社会互动（胡安宁、周森，2024；Collins，2025）。因此，探究以下问题至关重要：大语言模型在不同场景中输出何种内容和视角？哪些视角或观念更容易被激活并输出，哪些则容易被抑制或忽略？模型在模拟不同社会角色时所输出的内容有何差异？回答这些问题是理解大语言模型如何在多样场景中进行互动并生成内容的关键。

综上所述，大语言模型在不同社会场景中生成内容与价值偏好的能力，使其日益成为数智社会中不可忽视的准社会主体。面对快速迭代、种类众多，以及与海量用户高频互动生成巨量内容的大语言模型，我们可从以下几个方面深化对大语言模型作为准社会主体的认识。第一，在研究视角上，相较于从拟人化的视角关注大语言模型“知道什么”，更应关注其在符号学意义上的行动能力（Picca,2025）。大语言模型的社会化能力，关键不在于是否拥有意识或意图，而在于其作为社会符号系统中的动态操作者，能够通过海量内容输出影响甚至塑造价值观的信息。换言之，大语言模型自身虽然不会思考，却持续通过内容输出影响人类的思考过程。第二，已有研究多基于实验室环境或理想化数据集分析生成式人工智能在预设场景中的表现（Li et al.，2024），而让模型参与真实社会场景中的观点表达等任务，并将其输出结果与人类生成内容进行对比，更有助于揭示其在现实互动中的行为特征。第三，由于大语言模型的价值观和人格特征高度依赖上下文，我们不应将其视作固定统一的整体，而应考察其在模拟不同社会角色时的具体生成特征，进而检验模型对不同社会角色的理解程度。总之，只有让大语言模型以各种社会角色与真实社会场景相遇，才能在理论构想“大语言模型应做什么”的基础上，系统考察实践中“不同模型实际生成什么”，进而深化对人工智能社会化进程的理解。

（二）人工智能如何影响社会符号系统

在将人工智能视为准社会主体、探讨其如何在具体场景中参与社会互动的同时，我们也需将其置于更广阔的社会符号系统重组进程中，从宏观层面考察具有海量内容生成能力的大语言模型对既有社会符号系统的潜在冲击。单个大语言模型在具体互动场景中快速生成的内容看似随机，但这些内容汇聚后可能呈现某种特定的偏好结构，进而形成新的话语结构与观念体系，并冲击已有内容。与此同时，大语言模型生成的海量内容又能以训练语料等形式迅速反馈至后续场景，从而影响微观层面的具体互动。这种宏观与微观之间的循环互构关系意味着，我们需要同时从两个层面进行分析和比较，方能更深入地把握人工智能社会化的实质。

在对经典社会化理论的反思中，一个关键批评指向其对个体社会化过程的理解：个体在社会化中所学习和适应的并非静态的社会规范和价值观（Guhin et al.，2021），而是一个由语言、符号、行为与规范等多种资源构成的高度复杂的社会符号系统。这一系统在社会成员的持续互动和历史变迁中不断重组和更新（Swidler,1986；Lotman,1990；Gelfand et al.，2024）。以数字平台的兴起为例，平台内部复杂多变的话语风格、价值取向与行为规范已成为显性且可观测的社会符号系统。当数字平台逐渐成为社会符号系统的重要生成空间时，符号生产的主体也从专家转变为广大普通用户（赵一璋、王明玉，2023；张茂元、邱泽奇，2024），算法则成为影响内容生产的关键机制，原本相对稳定的社会符号系统因此变得更加碎片化和动态化（乔天宇、向静林，2022；刘河庆、梁玉成，2023）。数字平台不仅带来了社会符号数量的增加，也引发了话语意义维度的变化。例如，贝尔（Christopher A. Bail）等人引入“理性—感性”分析框架，发现数字平台上公开的讨论并未如哈贝马斯（Jürgen Habermas）所预期的那样推动理性话语数量的增长，反而促使感性话语数量的明显增加（Bail et al.，2017）。这些在数字平台中不断生成的话语风格、价值倾向以及行为规范，已然成为数智时代重要的社会化环境（Gelfand et al.，2024；Tsvetkova et al.，2024），个体在此环境中持续创造并适应不断迭代的符号系统，从而在虚拟层面不断进行着社会化的过程。

大语言模型具有加速数字平台中的话语风格、价值观以及行为规范等社会符号系统演化的潜力（Gelfand et al.，2024；Floridi,2024）。生成式人工智能极大提升了内容生产效率，能够快速生成海量语义制品（马文、陈云松，2024；Floridi,2024；Farrell et al.，2025），成为数智时代重要的“意义制造者”。关于大语言模型如何具体冲击以平台内容为代表的社会符号系统，已有研究从生成内容的语言特征、潜在社会偏见、多样性程度等多方面进行了考察（周旅军、吕鹏，2024）。有研究发现，与人类文本相比，大语言模型表现出与之相似甚至更强的社会偏见（Pawar et al.，2024）。也有研究认为，需要重视大语言模型生成价值观的复杂性，其高度灵活的视角输出使其常常成为不同价值观相互竞争的隐蔽场所（Bisconti et al.，2024；Collins,2025）。近期的研究开始将大语言模型生成内容与人类生成内容进行多维度综合比较（龚为纲、黄思源，2025；胡安宁，2025；王元超等，2025），尤其关注大语言模型如何选择性再现不同社会主体的观点和语言风格。例如，胡安宁（2025）指出，大语言模型在输出时面临“正确”与“多样”的两难：大语言模型通过学习海量资料输出的结果看似最优，实际上可能仅代表特定人群的观点。还有研究则发现，大语言模型能够再现不同社会群体的视角和语言风格，但仍面临输出偏见、同质性强、内容虚化等问题（Kozlowski & Evans,2025）。

总之，已有文献关注到大语言模型的内容生成能力对社会符号系统的冲击，但受分析视角和研究设计所限，仍留下了若干尚未得到系统回答的重要问题。例如，尽管大语言模型本身高度灵活且可快速模拟不同角色和视角生成内容，但其输出结果能否反映人类观点的真实分布，是否会系统性强化某些视角并压缩其他内容？从分析视角看，已有研究多从能力评估角度分析大语言模型存在的不足（Li et al.，2024；Messeri & Crockett,2024；Sourati et al.，2025）。本文认为，除了评估单个模型输出内容的正确性和局限性外，我们更应关注大语言模型作为宏观内容生态塑造者的角色，考察其如何通过海量内容输出影响符号系统。在研究设计方面，现有研究多基于实验室环境或理想化数据集（Pawar et al.，2024），且往往缺少对大语言模型生成内容与人类真实观点的比较。因此，深入理解大语言模型对社会符号系统的潜在冲击，需要以人类用户基于自身经验和社会场景所形成的多样化回答为参照，探究大语言模型作为准社会主体如何在多元社会场景中快速生成内容，进而重塑社会符号系统（Farrell et al.，2025）。

综上，本文尝试提出“人工智能社会化”的视角，聚焦大语言模型最为突出的内容生成能力，通过构建不同模型在海量社会场景中的回答数据，挖掘其多维度语义特征，并将其与人类用户的回答进行系统比较。本研究旨在从微观层面分析不同大语言模型在模拟各类社会角色、应对多元社会场景时的内容生成特征，同时在宏观层面探讨大语言模型的兴起对数字平台整体内容生态的潜在影响。

三、研究设计

（一）数据收集和处理

为了分析大语言模型在不同社会场景中的内容生成行为及其对平台内容生态的潜在影响，首先需构建接近真实的社会场景并获取可供对比的人类生成内容。

为此，本研究选取“知乎”问答平台构建研究场景和数据来源。“知乎”作为一个广受欢迎的问答平台，汇集了大量用户在科学技术、人际关系等多元话题下的真实互动，能较全面地反映不同场景中用户的具体回答和潜在偏好。这为本文提供了相对自然和真实的、长时段的数字平台内容生产和用户互动场景，契合本文的研究目的。

在“知乎”平台上，每个问题附有多个标签以标明所属领域。为确保问题样本的覆盖面，在数据收集过程中，笔者首先通过“知乎”的话题树功能获取尽可能广泛的种子话题（涵盖社会、科技等领域），并采集各话题下的问题及其所有回答。随后，本研究以第一轮收集到的回答者为节点，进一步爬取其关注和回答的所有问题及相关回答，最终获取了约1200万条以“社会”“科技”“家庭”“文化”等为标签的问题（时间跨度为2011—2022年）。为提高问答数据的质量，本研究筛选了回答数不少于10个的提问作为初始数据，并利用基于双向编码表示（Bidirectional Encoder Representations from Transformers，简称BERT）模型的主题模型（BERTopic）对这些问题进行议题分类。在此基础上，本研究剔除了事实类、技能操作类、概念解释类、娱乐类等较少涉及观点表达的问题，重点保留了观点评价类（如对特定现象或事件的看法）提问，去除重复问题后共得到301459个有效提问，并收集了相关提问者、提问时间、问题关注度、每个提问下点赞量前十的用户回答及其点赞量等信息，从而构建了覆盖多场景的“知乎”平台问答互动数据库。

基于上述30余万条问题，笔者进一步选取ChatGPT、DeepSeek、Qwen、豆包等四个国内外的代表性大语言模型，调用其应用程序接口，将问题输入并获取各模型对应的回答。此外，本研究还设定了性别（男/女）、年龄（青年/老年）、回答风格（理性/感性）三个社会角色维度来引导各模型在生成回答时模拟不同角色。每个“知乎”问题最终对应生成32条不同角色条件下的模型回答。通过上述流程，本研究共收集了来自四个大语言模型、模拟八种具体身份、针对30余万条问题的964余万条回答大数据。

（二）测量

1.因变量

本研究致力于考察大语言模型与“知乎”用户在不同场景中内容生成模式的差异，而准确测量二者生成内容的特征和差异是推进本研究的关键。已有研究主要基于毒性评分（Toxicity Score）（Pawar et al.，2024）等指标来评估大语言模型输出内容的语义特征。上述指标虽有助于识别内容中明显有害的表达，但对于更普遍、无明显错误却蕴含特定偏好与价值判断的内容，其测度能力有限。为弥补这一不足，本研究尝试同时构建两个维度的测量：一是大语言模型回答与人类用户回答的内容相似度，二是大语言模型回答在理性—感性轴上的偏向程度。通过这种方式，本研究力求更系统地考察不同大语言模型在多样化场景中内容生成的具体特征。

具体而言，本研究使用BERT模型对301459个提问中的人类回答及大语言模型生成回答进行文本嵌入，将结果映射到统一的语义向量空间，从而使两类回答处于可比较的语义环境中。以“知乎”问题中的人类用户回答为基准，本研究计算其与对应各人工智能回答的余弦相似度，进而在问题层面上构建每个问题中人工智能回答与人类用户回答的内容相似度指标。

本文聚焦于理性—感性维度，分析大语言模型与人类用户在内容生成中的理性—感性偏向。具体而言，笔者基于框架轴（FrameAxis）模型，利用一组具有方向性的理性和感性种子词对，构建一个指向性语义空间，在此空间中，每个人类回答与人工智能回答均可获得在理性—感性轴上的语义位置。本研究通过计算每个回答在该轴上的得分，生成“理性—感性偏向”变量，得分越高，表明回答的理性程度越高。

2.主要解释变量

本研究的主要解释变量为“知乎”问题所属的场景，即问题讨论的主要领域。为识别不同问题涉及的场景，笔者使用BERTopic模型对30余万条问题文本进行主题归类，并对模型输出结果进行合并，最终识别出以下五类主要讨论领域：文化场景，涵盖教育、艺术、科技、知识生产等相关议题的问题数量占比28.53%；政治场景，主要涉及国际关系、公共政策等议题的问题数量占比11.67%；经济场景，主要包括职业评价、消费行为等相关讨论的问题数量占比15.95%；社会生活场景，涉及婚姻家庭、性别角色、代际差异等议题的问题数量占比39.82%；其他未能明确归入以上类别的问题数量占比4.03%。

此外，本研究同时关注大模型类别及其模拟的不同社会角色对内容生成的影响。模型类别指研究所使用的大语言模型，包括ChatGPT、DeepSeek、Qwen、豆包共四款国内外代表性模型。大语言模型模拟的不同社会角色变量则是分析模型对社会角色的理解以及模型行为特征和社会化模式的关键变量。在研究中，笔者通过提示词设定，引导各模型基于性别（男/女）、年龄（青年/老年）、回答风格（理性/感性）三类社会维度生成回答。据此，每个语言大模型共模拟8种具体身份角色进行回答。基于此流程，本研究构建了以下分类变量：大语言模型具体类别、模拟性别群体、模拟年龄群体以及模拟回答风格。

3.控制变量

控制变量包括“知乎”问题的提问年份、问题长度、问题关注量、问题网友回答的平均点赞量以及问题网友回答的平均理性程度。问题提问年份为分类变量，时间跨度为2011—2022年。问题长度取“知乎”问题文本长度的对数值。问题关注量取平台上该问题被网友关注数量的对数值。问题网友回答的平均点赞量为每个问题下点赞量最高的前十条网友回答的点赞数均值，并取对数值。问题网友回答的平均理性程度为每个问题下点赞量最高的前十条网友回答的理性得分均值。

（三）分析方法

在微观层面，本文关注人工智能作为“准社会主体”在不同社会场景下生成的内容与人类用户生成内容之间的总体相似度，以及大语言模型生成内容在理性—感性维度上的取值，二者均为连续变量。针对这两个指标，本文采用多元线性回归模型进行分析（使用稳健标准误）。

在宏观层面，笔者首先使用BERT模型对所有收集到的人类用户回答和不同大模型生成的回答进行编码，提取每个回答的高维语义向量；笔者随后将所有回答投射至同一嵌入空间，通过比较人类回答与不同大语言模型回答在语义空间中的语义分布特征，探讨人工智能的海量内容生成能力对已有平台内容生态的潜在影响。

四、大语言模型模拟不同角色在不同场景中的生成内容特征

（一）大模型与人类用户回答总体相似度分析

本节首先分析不同角色设定下的大语言模型在面对海量“知乎”问题时，其生成回答与人类用户回答的相似度。表1的基础模型结果显示，问题回答的平均点赞量、问题长度及问题关注量系数均显著为正，表明网友回答越受欢迎、问题越具体或问题关注度越高，大语言模型生成回答与网友回答的相似度也越高。此外，问题提问时间的结果表明，以2017年左右为界，对于2017年之前年份的问题，大语言模型生成的回答与已有网友回答相似度较低；而对于2017年之后新提出的问题，大语言模型生成的回答与已有网友回答的相似度则相对较高。

表1中的问题场景模型进一步检验了不同问题涉及的社会场景的影响，这一维度在已有文献中较少被关注。结果显示，当“知乎”问题涉及经济场景时，大语言模型对该类问题的回答与人类用户回答的相似度明显高于其他三类场景（文化、政治、社会）。相对而言，大语言模型在政治场景和社会场景中生成的回答与人类回答的相似度则明显较低。

表1还重点考察了不同大语言模型及其模拟角色对内容生成的影响。从各模型的表现差异来看，豆包大模型与“知乎”用户回答内容的相似度最高，DeepSeek和ChatGPT模型次之，Qwen模型与用户回答的内容相似度相对最低。这一结果反映出不同大语言模型在多样场景中的适应性差异。鉴于“知乎”作为大众化问答平台的属性，更侧重于日常对话互动与创作的豆包大模型的生成内容与用户回答更为接近。

此外，表1考察了大语言模型模拟不同角色时的内容生成差异。结果显示，与模拟女性角色相比，当大语言模型模拟男性角色时，其生成内容与“知乎”用户回答的相似度更高；与模拟老年群体相比，模拟青年时的相似度更高；与感性风格相比，模拟理性风格时的相似度更高。

为深入探究不同大语言模型及其模拟的社会角色在不同问题场景下的回答模式，笔者在表1全模型的基础上，分别加入以下四个交互项：大语言模型类别与问题场景、模拟性别与问题场景、模拟年龄与问题场景、模拟回答风格与问题场景。图1通过四个子图分别展示了上述交互项对总体内容相似度的边际效应。结果显示，无论是不同大语言模型，还是不同大语言模型模拟的角色，其表现均呈现精确性与机械性并存的特征。一方面，不同大语言模型及其模拟的角色能够较为精确地区分不同问题场景。如图1所示，不论是模型类别差异，还是其模拟的三类角色，大语言模型在经济场景中生成的内容与人类用户回答相似度最高，而在政治和社会场景中相似度较低，表明大语言模型能够区分不同场景的差异和特性。另一方面，大语言模型在理解社会角色时表现出明显的机械性。以模拟性别为例，在四种不同问题场景中，大语言模型模拟男性角色时生成的内容与人类用户回答的相似度均高于女性角色。简言之，大语言模型对不同问题场景展现出较强的区分能力，但在模拟不同社会角色时，却呈现明显的模式化倾向。

上述结果初步揭示了大语言模型在内容生成方面的基本特征。正如已有文献指出，大语言模型的一个重要优化目标是生成准确且符合主流价值观的回答（Li et al.，2024），即兼顾输出内容的准确性和多场景的适应性。从这一角度来看，大语言模型的确表现出较强的社会化能力，能够生成较为贴合不同场景的内容。然而，当要求大语言模型模拟不同性别、年龄群体或输出风格时，其生成内容却表现出高度一致且相对刻板的特征，不同角色之间的输出结果差异展现出一种“机器制造”般的精准分化。需要说明的是，上述结果仅为对大语言模型生成内容模式的初步测量，总体相似度的高低既受大语言模型自身生成特征的影响，也取决于“知乎”用户回答的构成。因此，下文将聚焦感性—理性这一具体维度进一步探讨大语言模型的内容生成模式。

（二）大语言模型回答中的理性—感性偏向分析

本小节进一步聚焦于理性—感性维度，考察不同大语言模型生成回答在理性程度上的偏向。与表1类似，表2的基础模型首先分析了控制变量对大语言模型生成内容理性程度的影响。结果显示，若一个问题下网友回答的平均点赞量较高，则大语言模型对该问题的回答理性程度相对较低；若一个问题下网友回答的理性程度均值较高，大语言模型生成回答的理性程度也相应较高。此外，问题受关注程度越高或问题内容越具体，大语言模型回答的理性程度越高。提问年份变量的影响表明，大语言模型对年份较近问题回答的理性程度有所下降。

表2中的问题场景模型进一步考察了问题场景对大语言模型回答理性程度的影响。结果显示，大语言模型对经济场景问题的回答理性程度最高，政治场景次之，社会场景较低，文化场景则最低。

表2同时分析了不同大语言模型及模拟角色对理性程度的影响。从模型类别来看，Qwen大模型生成回答的理性程度最高，ChatGPT次之，DeepSeek再次之，豆包大模型生成回答的理性程度相对最低。

在不同角色设定方面，相较于模拟女性角色，大语言模型在模拟男性角色时生成回答的理性程度更高。相较于模拟老年群体，大语言模型在模拟青年群体时生成回答的理性程度更高。相较于感性风格，大语言模型在模拟理性风格时生成回答的理性程度更高。不同风格之间理性程度的巨大差异，既体现了理性—感性维度测量指标的有效性，也再次印证了大语言模型在内容生成中表现出的精确性。

与上一节类似，笔者在表2全模型的基础上，分别加入大语言模型类别与问题场景、模拟性别与问题场景、模拟年龄群体与问题场景、模拟回答风格与问题场景四个交互项。图2通过四个子图展示了上述交互项对大语言模型生成回答在理性—感性维度上偏向的边际效应。

图2显示，当聚焦于理性—感性偏向时，大语言模型的输出结果同样呈现精确性与机械性并存的特征。一方面，大语言模型能够根据不同场景与角色精准调整其价值倾向，如几乎所有模型及其模拟的不同角色，均在经济场景表现出最高的理性程度；另一方面，在模拟性别、年龄等社会角色时，大语言模型展现出连贯且稳定的刻板印象，即在所有场景中，模拟男性与青年角色生成的内容更为理性，而模拟女性与老年角色生成的内容更为感性。这种对群体的机械理解或刻板印象，并非偶然产生，而是大语言模型在学习人类语料过程中对既有社会偏见的精准复现和再生产。大语言模型的这一内容生产特征引发了如下隐忧：不同于日常社会互动中碎片化、偶发式的刻板表达，本文实证结果表明，大语言模型对不同社会角色的刻板理解具有稳定性与精准性。作为具有海量内容生产能力的准社会主体，大语言模型这种连贯且精确的内容输出，可能在公共讨论场域持续强化不同社会角色间的刻板印象。同时，这些生成内容可能成为后续大语言模型迭代的训练语料，形成自我强化的反馈循环，进一步固化偏见。

与个体在家庭、学校以及社会中逐步展开的社会化过程不同，大语言模型并不具备个体成长过程中持续的情境参与能力。它通过学习海量人类知识，以概率建模方式在多样场景中生成内容，进而进入社会互动空间。在这一过程中，大语言模型如何与广大用户保持一致、如何理解不同社会角色、在不同场景中输出何种内容，是我们理解其社会化特征的关键。上述结果揭示出，大语言模型在社会互动中同时表现出精确性与机械性。它以权威和中立形象（胡安宁、周森，2024）将用户在“知乎”平台上大量的讨论、思辨和争议压缩为单一输出结果。这种输出结果虽然能够精准区分海量场景的差异，却在持续的内容生成中机械地强化不同社会角色间的刻板印象。

五、大语言模型如何重塑平台社会符号系统

为探究大语言模型生成的海量内容对“知乎”平台内容生态的实际影响，笔者使用BERT模型对所有收集的人类用户回答和不同大语言模型生成的全部回答进行编码，获取每个回答的768维语义向量，随后通过对这些高维语义向量降维并将其投射至低维空间，直观呈现并比较大语言模型生成内容与人类回答在语义分布上的特征。

图3展示了经主成分分析降维后文档向量在二维平面上的分布，并以不同颜色和形状区分了回答主体，图中点的距离表示语义相似度，距离越近代表回答内容的语义越相似。令人惊讶的是，尽管大语言模型的回答数量远高于人类用户，且模型训练主要基于人类的书面知识，但其语义分布并未完全覆盖人类用户回答的语义空间。具体来看，四个大语言模型的回答在语义空间中高度重叠，集中于特定区域，人类用户的回答则分布得更为分散和多元。虽然大语言模型能在不同场景中生成看似精确的回答，并能模拟不同角色和视角，但从宏观语义分布来看，其输出结果仍表现出高度集中和同质化的特征。换言之，尽管大语言模型能较好地区分海量社会场景，模仿人类生成大量符合场景要求的回答，却难以替代人类在多元社会场景中基于不同生活经历、价值偏好和视角所形成的丰富、发散且充满可能性的表达。

为进一步量化不同回答主体的回答在语义空间中的重叠程度，笔者采用核函数估计方法来计算各主体回答分布的重叠比例。首先，笔者排除各主体回答分布中5%特别离散的点，确定其主要分布区域，然后计算两两主体间回答的重叠部分占各自主要分布区域的比例，结果见表3。表3右上部分和左下部分分别展示重叠部分占不同主体回答分布的比例，如表中0.908表示ChatGPT与人类回答重叠部分占ChatGPT回答总分布的比例，而0.254则表示该重叠部分占人类用户回答总分布的比例。表3的结果验证了上述分析，即四个大语言模型回答的语义分布与人类回答分布重叠程度较低，但大语言模型之间的回答分布重叠度则相对较高。

为进一步分析大语言模型生成内容与人类回答的重叠特征，笔者分别以“知乎”问题回答的平均理性程度、平均点赞量以及问题所属场景为例，比较大语言模型与人类回答重叠的内容，以及人类回答独特内容（未被大语言模型回答覆盖的部分）在上述三个变量上的分布差异。由图4可见，人类回答独特内容更多集中在坐标轴两端，即用户回答感性或理性程度较高的问题，而大语言模型与人类回答重叠的内容则主要分布于坐标轴中部，即回答中理性或感性倾向较弱。这意味着，大语言模型生成的内容更多覆盖的是“知乎”用户回答中立场相对中性的内容，而较少覆盖具有较强理性或感性色彩的回答。

图5和图6进一步展示了两类内容在“知乎”问题回答的平均点赞量及问题场景两个变量上的分布情况。由图5可见，人类回答独特内容更多集中于回答平均点赞量较低的问题，而大语言模型与人类回答重叠的内容则相对更集中于回答平均点赞量较高的问题。从问题场景的分布差异来看（图6），人类回答独特内容在社会问题场景中的比例高于大语言模型与人类重叠的内容。

综上所述，尽管大语言模型在短时间内生成的回答数量远超“知乎”平台用户回答总量，但从宏观语义分布来看，大量人类用户生成的内容并未被大语言模型的回答覆盖，这部分内容主要集中在具有较高理性程度或较强感性色彩点赞量较少的问题上；相比之下，容易被大语言模型覆盖的是那些立场相对中性或点赞量较高的回答。从生成机制来看，大语言模型训练中常用的自注意力机制，倾向于对训练语料中高频共现的模式赋予更高权重，这往往对应平台上的主流表达和立场。在内容输出方面，这一机制可能会在无形中强化主流话语模式、削弱边缘和差异化表达，从而导致语义空间呈现集中化分布。此外，当前大语言模型多采用人类反馈的强化学习算法，以使其输出结果和人类高评价回答对齐。这一方法虽有助于提升回答的精确性和共鸣度，但也使模型在接触海量平台资料的同时，逐渐丧失输出多元化内容的能力。这导致的结果是，大模型生成的内容在语义空间中趋于集中和单一，难以有效覆盖人类多元化的表达。

考虑到表1和表2所用回归模型的样本量较大，为检验研究结果的稳健性，本文根据问题的提问年份对数据进行划分，并分年度重新进行回归分析。结果显示，分年度回归结果与表1和表2的主要发现基本一致。此外，为考察大语言模型温度参数设置对结果的可能影响，笔者将各大模型温度设置为0，并按照前述研究设计重新收集数据，再次对人类用户回答和大模型生成内容进行比较分析。从结果来看，当温度设置为0时，大语言模型生成内容和人类用户生成内容之间的差异模式与图3所示基本一致，与表3中关于语义分布重叠程度的实证结果也基本吻合。

六、结论与讨论

人工智能在不同社会场景中的广泛应用对经典社会化理论的解释力提出了挑战。本研究提出“人工智能社会化”这一视角，重点关注大语言模型作为符号学意义上的重要行动者，如何通过在不同场景中生成海量内容，参与“知乎”平台互动并冲击平台内容生态。与传统社会化理论强调个体学习相对固定的社会规范进而实现社会融入不同，人工智能的社会化主要表现为以多场景内容生成为核心的复杂符号参与机制。

从大语言模型在丰富社会场景中的内容生成实践来看，大语言模型并非功能固定、“未社会化”的技术客体，其输出内容在各类场景中均倾向于接近相对主流、具备一定共识的表达。就此而言，大语言模型可被视为数智时代高度社会化的准社会主体。然而，区别于具有不同成长经历，在社会化过程中形成个体价值观，进而在网络平台中进行讨论和争鸣的人类用户，大语言模型作为准社会主体在社会互动中存在精确性与机械性并存的特点，其以权威和中立的姿态，将用户在“知乎”问题中丰富、多元的讨论、思辨和争议压缩为相对单一视角的输出结果。大语言模型虽然能精准区分不同场景的差异，但在内容生成过程中，却会机械地强化性别、年龄等社会角色的刻板印象。

本文尝试揭示，大语言模型的海量输出结果如何在宏观语义层面改变以“知乎”内容为代表的社会符号系统的分布形态，从而将“人工智能如何重塑人类社会”这一命题具体化为可观测的社会与技术互动过程。从研究结果来看，尽管大语言模型可以灵活模拟不同社会角色并随时切换视角，但其输出结果倾向于再现主流表达而压缩边缘、多元或感性的视角。换言之，具备灵活模拟能力的大语言模型，反而可能导致社会符号系统的趋同化，削弱其丰富性和多样性。值得注意的是，这种趋同化并非指向中立的语义中心，而是趋向于那些获得点赞数量较多、较少带有情绪色彩的回答。

上述发现表明，大语言模型作为准社会主体可能会带来深远的社会影响。其一，在大语言模型冲击下，平台内容生态可能会迅速同质化，语言和价值观的多样性进而被削弱，这不仅可能会影响人类互动的丰富性，也可能会抑制群体层面的创新能力。其二，大语言模型作为准社会主体对人类自主性有双重影响：一方面，大语言模型在提升信息获取效率、扩展认知边界、促进知识平权等方面具有积极作用；另一方面，当人类过度依赖大模型完成信息搜索、生成等认知任务，从多元互动与深入分析转向获取单一视角的快捷回复时，这可能会导致人类认知能力逐渐退化，侵蚀人类自主性并加剧人工智能的可控性难题。其三，从知识生产角度看，当前中文语料在规模等方面仍相对弱于英文，大语言模型倾向于强化主流内容的生成机制可能会进一步放大英文语料及相关视角的中心地位，压制其他语言与文化视角的表达。因此，如何有效介入人工智能主导的知识生成和符号重组过程，已成为数智时代人工智能治理的重要议题。

不同于将大语言模型仅视为工具来评估其能力或缺陷的研究取向，人工智能社会化视角更关注大语言模型的生成性和实践性，将其置于具体的互动场景和社会符号生成过程中加以考察（Brey，2005）。该视角揭示出，大语言模型并非被动应答的技术工具，而是通过快速、跨场景的海量内容生成，主动重塑社会符号系统的分布形态，并深刻地影响人类获取信息、生成内容及参与互动的方式。因此，除关注模型输出的正确性和偏向外，我们更应持续追踪不同大语言模型在海量社会场景中的互动实践，从而深入地理解其对于人机互动模式、社会符号系统的动态塑造，以及对人类自主性的长远影响。

作为一项探索性研究，本文还存在若干可深化之处。首先，“知乎”平台数据仅反映该平台用户群体的观点，与全体网民的观点存在差异，未来研究可进一步比较大语言模型与其他网民之间的内容输出差异。其次，可纳入更多国内外不同类型、不同版本的大语言模型，系统考察其在不同时间、参数设置下的内容生成特征。最后，未来研究还可结合用户在数字平台的互动和行为反应数据，分析人类与机器生成内容的互动，从而更全面地理解人工智能社会化的机制及潜在影响。