不只研究“青少年是否使用 AI”：如何设计生成式 AI 与青少年发展研究

2026-09-08 32 预计阅读时间: 1 分钟
来源: openai.com AI 摘要 Original link

Disclaimer: This article is an AI-assisted summary. Read it together with the original source when precision matters. The summary may omit context, version differences, or edge cases and is not official documentation.

预计阅读时间：9 分钟

OpenAI 推出总额 500 万美元的资助计划，支持独立研究团队考察生成式 AI 对青少年发展、福祉与安全的影响。这个议题的难点不在于统计“使用过多少次”，而在于区分不同使用场景、建立可检验的因果假设，并在涉及未成年人时把隐私保护和风险处置写进研究流程。

真正值得测量的是“怎样使用、在什么情境下使用”

把所有生成式 AI 使用归为同一种暴露，很容易得到缺乏解释力的结论。用 AI 检查数学解题步骤、寻求情绪支持、生成社交媒体内容，可能对应完全不同的收益和风险。

一个可执行的研究设计至少应拆分以下维度：

  • 使用目的：学习、创作、娱乐、社交建议或情绪支持。
  • 交互方式：主动提问、被动接受推荐，或者由教师和家长引导使用。
  • 使用强度：频率、单次时长，以及是否发生在深夜等敏感时段。
  • 产品反馈：模型是否表达不确定性，是否建议寻求成年人或专业帮助。
  • 发展阶段：不同年龄段青少年的认知、社交和自我调节能力并不相同。
  • 结果指标：学习表现、睡眠、孤独感、自我效能、风险认知和求助意愿。

比起笼统地问“AI 对青少年有害还是有益”，更可检验的问题是：在相同学习任务中，带有反思提示和使用时限的 AI 辅助方式，是否比无引导使用更能提升自我效能，同时减少依赖？

独立研究需要把安全机制前置

青少年研究不能等到数据收集完毕后再补隐私和伦理说明。可以在方案阶段明确以下边界：

  1. 知情同意与青少年同意：根据研究所在地和参与者年龄，分别处理监护人许可与青少年本人的知情同意。
  2. 最小化采集：如果研究问题只需要交互类别和持续时间，就不应默认保存完整提示词、模型回复或私人对话。
  3. 高风险内容处置：预先定义自伤、虐待、剥削或即时危险信号出现时的人工升级流程，并说明研究保密性的边界。
  4. 独立监督：让伦理审查、统计分析和不良事件判断不依赖产品团队的单方面决定。
  5. 结果完整披露：提前登记主要指标、排除规则和分析计划，避免只发布有利结果。

这里存在真实的权衡：保存完整对话有利于研究语境，却增加敏感信息泄露风险；完全不记录内容更安全，却可能无法判断一次交互究竟是家庭作业辅导还是危机求助。可行的折中方式是优先保存本地生成的类别标签和风险级别，并将原始文本设置为短期、受控、可审计的数据层。

可以这样实践：建立一个最小可复现分析项目

下面的示例不是资助计划的官方模板，也不能替代伦理审查。它演示如何用合成数据比较“有引导”和“无引导”两种 AI 使用条件，并对样本过小的分组停止输出结果。代码只使用 Python 标准库，不接触真实青少年数据。

将以下内容保存为 study_demo.py：

import csv
import random
from collections import defaultdict
from statistics import mean

random.seed(7)

# 生成完全虚构的数据，仅用于验证分析流程。
rows = []
for participant_id in range(1, 121):
    age_group = random.choice(['13-15', '16-17'])
    condition = random.choice(['guided', 'unguided'])
    baseline = random.randint(35, 75)

    # 这是人为设定的模拟差异，不是研究结论。
    simulated_change = 4 if condition == 'guided' else 1
    followup = max(0, min(100, baseline + simulated_change + random.randint(-6, 6)))

    rows.append({
        'participant_id': f'P{participant_id:03d}',
        'age_group': age_group,
        'condition': condition,
        'baseline_wellbeing': baseline,
        'followup_wellbeing': followup,
    })

with open('synthetic_teen_ai_study.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.DictWriter(file, fieldnames=rows[0].keys())
    writer.writeheader()
    writer.writerows(rows)

# 按年龄段和实验条件计算配对变化。
groups = defaultdict(list)
for row in rows:
    key = (row['age_group'], row['condition'])
    change = row['followup_wellbeing'] - row['baseline_wellbeing']
    groups[key].append(change)

print('age_group,condition,n,mean_change')
for (age_group, condition), changes in sorted(groups.items()):
    # 示例性隐私规则：小样本单元不输出统计值。
    if len(changes) < 10:
        print(f'{age_group},{condition},{len(changes)},SUPPRESSED')
        continue
    print(f'{age_group},{condition},{len(changes)},{mean(changes):.2f}')

运行：

python study_demo.py

脚本会生成一份合成 CSV，并输出各年龄段、各条件下的平均前后变化。把它改造成真实研究项目时，应替换模拟数据生成部分，增加缺失值策略、量表计分规则、置信区间和预注册的统计模型。简单的组间均值不能自动证明因果关系；随机分配、基线平衡、失访分析和干预执行一致性都需要单独检查。

申请和落地时应检查什么

来源信息明确的是：该计划总额为 500 万美元，面向生成式 AI 对青少年发展、福祉和安全影响的独立研究。具体资格、单项额度、截止日期、地域要求和允许支出，应以正式申请材料为准，不宜根据摘要推断。

准备研究方案时，可以用下面的清单做一次内部评审：

  • 研究问题是否具体到使用场景、年龄范围和可测结果？
  • 是否能区分相关性研究、自然实验和随机对照研究所支持的不同结论？
  • 是否纳入青少年、家长、教育工作者和临床或安全专家的意见？
  • 数据方案是否默认最小采集，并明确访问权限、保留周期和删除机制？
  • 是否提前定义严重不良事件、危机信号和强制报告的处理路径？
  • 无论结果正面、负面还是不显著，是否都有公开和复现计划？
  • 研究团队是否能保持方法、分析和发表上的独立性？

优秀的项目不需要预先证明 AI 有益或有害。它更应清楚说明：研究能减少哪一种不确定性，哪些青少年可能受益或受损，以及研究团队将如何在获取答案的同时保护参与者。

# AI # LLM # OpenAI

相关推荐