人与人之间的“沟”，ChatGPT填得上吗？
原创 航通社
绕不过去的是对「知识改变命运」的迷思。
文 / 书航 2023.3.14
北京师范大学新闻传播学院的喻国明教授，在《探索与争鸣》杂志组织的圆桌会议上：
「ChatGPT 通过……生产出与人类的常识、认知、需求尽可能匹配的文本，弥合了不同层级、不同地域间的民众在信息整合和使用方面的『能力沟』和『使用沟』，是对人类的又一次重大赋能赋权。ChatGPT 带来了传播权力的进一步下沉、传播的核心逻辑进一步『算法化』及传媒行业的产业转型，从而引发了社会和传播领域的一场深刻革命。」
啊，「能力沟」、「使用沟」――他们又开始造词了。这是我特别喜欢的一个经典环节。
我本科学的就是新闻。我很早就注意到，新闻传播学的老师、学者们，一直在忙于用新制造的专业术语来形容新生事物。他们试图把那些稍纵即逝的现象，一一抓住，然后概括为教科书上的定律和名词，显得笨拙而又可爱。当他们真的完成新版教科书的编写和付印时，上面的内容可能已经过时，上面列举的网站和 App 可能已经倒闭。
但是，实际上在这种理论追逐实践的过程中，确实会沉淀下不少好东西。比如喻老师说的「沟」――没错，这是 Gap 的意译。但这并不是简单的生造概念，如果学过传播学相关基础知识，可能就会明白，没有什么其它比喻，比这个「沟」在此处的用法更为贴切。
当然，这是需要一些前置知识来理解的，而不能望文生义。很多人文学科的尴尬就在于此――理工科内容往往是「这些汉字拆开都能读出来，合在一起就看不懂」。而文科则是「谁都以为自己看懂了，所以谁都可以上来插上两句」。
「知识沟」
以「沟」来形容一种特殊的传播现象，源自 1970 年代提出的「知识沟」（Knowledge gap）理论。这里的「沟」首先指的是，一群人比另一群人能获得和拥有更多的知识，另一群人尽管也可能很努力，但总是够不到这些知识――这是字面上可以理解的内容。
但更深一层，「知识沟」作为传播学术语时，特指由于有些人社会经济地位更高，比另一些人更善于利用社会平等提供的公共资源。有些本来是普惠意义，面向所有人提供的产品，反而让富人更多获得了好处，而不是本应惠及的穷人。
所以，如果把「沟」理解为有些人拥有某种特权――金钱、人脉或地域――而能学到穷人或普通人无法企及的知识，在这里就是错误的。这里指的是这些资源其实对所有人平等开放，但对有些人来说是「给你你也不会用」的情况。
1960 年代的美国学校中，贫富儿童在学习能力和成绩上的明显差距，引起了社会的广泛关注。那些家庭贫困的儿童，在学前阶段没有钱请家庭教师、购买启蒙读物。进入小学后，差距随着年级的上升而不断扩大，从而导致升学率、学历甚至将来的职业和社会地位上的两极分化。面对上述情况，一股要求实现教育机会平等的社会呼声不断高涨。
在当时强大的社会压力下，美国政府出台了一项「补充教育计划」，试图通过大众传播和其他手段，改善贫困儿童接受学前教育的条件。电视就是一种不论贫富都可以接触到的大众传播媒介。针对这一目的，电视台制作了《芝麻街》（Sesame Street）系列节目（题图，使用 Stable Diffusion 生成）。
在研究该系列片播放后的实际效果时，人们发现，节目对贫富儿童都产生了良好的教育效果。然而，总的实际效果却是扩大了贫富儿童之间在学习能力和成绩方面的差距，因为对节目接触和利用最多的，还是那些富裕儿童。
如果是以缓解受教育条件不平等为目的，这部片最终就是失败的。结果表明，虽然大众传媒将同样的知识或信息传送到每一个家庭，人们在接触和利用传媒的机会上是均等的，但之后由此带来的社会结果却并不均等。传播学者蒂奇诺（P.J.Tichenor）等人根据该案例以及一系列实证研究，于 1970 年提出了「知识沟」理论：
「由于社会经济地位高的人通常能比地位低的人更快地获得信息，因此，大众媒介传送的信息越多，两者之间知识的鸿沟也就越趋于扩大。」
这种吸收和获取信息能力的差异，是由以下几方面的差异造成的：
经济条件：如同「补充教育计划」推出时的背景，富人家庭有闲钱用于买书报杂志和获取其他信息。穷人即使可以寻找盗版，当盗版可及性差，需要花费宝贵的时间精力去获得时，他们也会嫌麻烦，而选用更易于获取的替代品。
传播技能：良好的教育背景带来较强的理解能力和较大的阅读量，因此有条件获取公共事务或科学知识的信息。
知识/信息储备：先前储备的知识越多，对新事物、新知识的理解与掌握也就越快。
社会交往：社交活动越活跃，参与的社会团体越多，与他人讨*共事务话题的机会就越多；相互讨论的对象如果也都是有优质教育背景的人，就越容易激发高质量的讨论。
对信息的选择性接受和记忆：个人生活的水准、层次与大众传媒的内容越接近，对媒介的接触和利用程度就越高。
媒介形态：高学历阶层可以看得进去文字，可以理解更复杂的逻辑关系，和接受没有标准答案的事实。社会地位低的人群更偏好视频，特别是感官刺激强烈的短视频。同时他们对结论不明确，非二元化，不确定的判断很反感；更喜欢下意识地接触不断重复的信息，不断强化这条信息在自己心智中的地位。
以上这些因素的部分或全部起作用时，社会经济地位高的阶层都处在有利的地位，这是「沟」产生和加深的根本原因。而大众传媒的流量继续增加时，以上因素会起到更大的作用，「知识沟」也随之加深。
2018 年，显示，不同社会阶层之间新闻消费的差距，比他们的社会收入差距还大。2015 年，英国的基尼系数为 0.36，而该国人消费线下新闻的差异系数为 0.42，消费网络新闻的差异系数则高达 0.55。
研究指出，因为现在媒体选择比只有报纸、电视的时代更多了，所以那些本就对新闻感兴趣的人，会阅读更多的新闻；而那些对新闻本就不感兴趣的人，甚至会完全屏蔽掉与之无关的新闻。研究还发现，高收入群体会访问媒体官网，付费订阅内容阅读，而低收入群体主要从社交网络、搜索等二手渠道获取免费的新闻，且不会注意其来源是否可靠。
当年美国推出《芝麻街》的失败尝试，十多年后又在中国重演了一次。80 年代，央视将英语、日语等教学节目搬上全国都能收到的中央 1 套播出。此后从录像带、VCD 直到网课时代，农村孩子在理论上可以用跟城里差不多的金钱和易用性，获取优质的教材和教学视频等。但是，因为农村孩子经常被「放养」，缺乏有效监督和同伴压力等原因，他们即使能使用教育资源，也只是沉迷于游戏和短视频之中。
，当时我就觉得，除了给他们一个安静求学的环境，一群优秀的同伴，不存在其他更好的办法。
更多的「沟」
造成「沟」的根源在于人们的社会经济地位高低不同。有时，其它因素包括但不限于性别、年龄、地区、民族等，也可能造成各种各样的「沟」，但归根结底还是那些其它差异引致了社会经济地位的差异。
即使不通过提升教育水平的间接手段来缩小贫富差距，各种各样的「沟」在其他领域也会出现，就像有一年的新闻说马化腾领到了深圳的人才激励房补。总结起来就是：任何普惠的救济手段，都可能在实施后让富人受益更多，最终反而拉大贫富差距。
但是，要设计专门针对穷人的救济方案，则需要筛选受益人，并做有效的监督。这些都会产生行政费用，甚至是寻租空间，所以归根结底是一个政策取舍的问题。为实现「精准扶贫」，国务院扶贫办曾是长期存在的常设机构，后来改为乡村振兴局又坚持了一年。而官方或民间的慈善捐款，虽然设计上是定向的，但也会出现这种类似的情形。
其实整个「知识沟」理论是在 1970 年代的美国成型的，所以在说到「沟」的时候，绕不过去的就是对「知识改变命运」的迷思。
《芝麻街》所属的「补充教育计划」揭示了当年美国人「学习-升学-学历-职业-社会地位」的一条完整路径，在这个路径下，好的教育水平就会换来好的经济水平和社会地位。
投资教育可以在今后赚更多钱，这在很长时间内一直是有效的，甚至是无需思考的真理。但是现在，很多事例证明了这并不是一个在任何情况下都有效的理论。高学历能获得更好的职位，前提是有那么多好职位。即使是现在，美国现有和将会产生的高收入岗位，仍然可以吸纳该国及外国不断涌现的高技术人才。
现在的中国呢？实际上已经出现了劳动力的结构性过剩。别说本科了，考研考公的都是遍地走，学历一直在加速贬值。不断扩容和注水的高等教育，让毕业生不仅人数多到必须卷，其整体素质也比之前精细化培养的时候要差。很多行业都发现即使是「第一学历」亮眼的人中龙凤，也要二次培训方可上岗。寒窗苦读换来简历上的校名，只起到一个通过 HR 筛选的作用。
提高学历在当下更像是阶级跃迁的结果，而不是其原因。高学历更像是胜利者佩戴的勋章，而不是破釜沉舟、背水一战时的铠甲。很多不同的专业都有学成者真心「劝退」，特别是说「没钱不要搞科研、学艺术……」之类的话。
「如果我没读过书，我还可以找别的活干，可我偏偏又读过书。」最近有人把找不到工作的应届生们，说成是需要「脱下孔乙己的长衫」。
――这不是学生们脸皮薄的问题。首先，是要顾及父母家人的感受。项飙提到过一件事：
「一位读了研究生的同学告诉我，他去麦当劳应聘，麦当劳看了他的学历之后，第一句话就问你有没有考虑你父母怎么想。这句话是问得很重的，不是说你这个书都白读了，学费都白交了，直接是牵涉到情感问题和道德问题，好像是一种背叛。就是说你要把自己的社会阶层往下走，在道德意义上是背叛，到了这个程度。」
其次，就算不考虑情感和道德问题，也有实打实的金钱问题。
很多家长都会认为，提高学历是一种可以在未来改变人生轨迹，实现阶级跃迁的长线投资。如果当初是家境不够好，抱着赌博心态投资子女不断进学，很可能学成也找不到好工作，只能继续考更高学历，考公，一直考下去，一直啃老。如果该结的婚还是结，该买的房还是买，该让老人带的娃还是生……那么父母的命运只会更为悲惨。
家庭为优生优育倾其所有，最后社会不但给不了承诺过的对口工作，反而责怪学生和家长心气太高，眼高手低？所以说「孔乙己的长衫」这种说法，实际上非常缺德。
ChatGPT 能「填坑」？
喻老师说，ChatGPT 填平了「不同层级、不同地域间的民众在信息整合和使用方面的『能力沟』和『使用沟』」。
这个意思也很显然，使用自然语言问答形式，是即使再笨的普通人也会的必备技能，所以很多以前可能需要信息检索能力和编程能力才能做到的事，现在可以动动嘴就做出来了。
在展开论述时，喻老师表现出高度乐观：
「众所周知，互联网将各种信息和知识以一种平等的方式均衡地连接到每一个人身上，但人和人在使用这些信息资源方面的能力有很大差异，有些人可以凭借着这些丰富的信息资源创新创造，而也有相当多的人面对屏幕只能获得直接浅薄的感官消遣。『能力沟』已经成为社会成员间巨大不公平的根源，而 ChatGPT 能够帮助普通人成功突破专业能力方面的局限，使他们的能力达到社会平均线之上，这就极大增强了他们在社会中的对话能力和对话资质。」
但是先等一等――
首先，ChatGPT 本身并不能直接在国内访问。目前有很多替代方案，比如调用 API、架设国内镜像等，相关接口的网址、微信机器人等等也不断涌现，可要想分辨这些东西的真实性和有效性，穷孩子们还是需要一些前置知识储备，来驾驭现在「笨」的搜索引擎。因为不在类似的微信、QQ 群组里，他们知道有这些东西的时间也比其它同龄孩子要晚。
2017 年的高考作文要求写高铁、共享单车这些城市才能接触到的东西，被老师说是对农村考生不公平。是啊，考试为啥不考怎么爬树、放羊或是捞鱼呢？时至今日，有视频博主教学如何坐公交车、地铁、高铁、看电影、吃海底捞、麦当劳、星巴克等，。显然，一部分孩子还是需要通过老师讲解，才能知道 ChatGPT 是什么东西，以及它怎么发音，但没有机会自己上手使用。
接着，包括百度在内，国内有很多 ChatGPT 的竞品正在研发。它们是否能真正做到在质量上赶上或超越 ChatGPT 现在的水平？学会「国产替代」的用法，是否在今后有机会时可以无缝迁移到 ChatGPT、Bing、Google Bard 等产品上？
假设国产竞品的生成质量差一截的话，可以预想的是其提示词（prompt）会更远离自然语言，而更像搜索关键词语法，从而对「能力沟」的填补作用也随之削弱。我在目前使用 ChatGPT 的过程中已经明显感受到了这种区别：训练 ChatGPT 「懂得」一件事情的过程，和对无法归纳总结、记不住上下文的「小度」们说话，从方法和预期上都完全不同。
最后，特别重要的是在使用现有的 ChatGPT 及同类产品（哪怕是联网后的必应搜索）时，必须严格做事实核查。此类生成式 AI 会「一本正经地胡说八道」，在必应做最近的升级之前，它甚至会凭空生成一个不存在的网址作为自己论述的「参考文献」。这都让核查一段信息的真伪变得更困难了，而不是更简单。必应在升级之后，看起来修复了生成假网址的问题，但也因此更保守，经常说自己给不出答案，或者直接结束一段对话。有人形容为做了「前脑叶切除」。
事实核查就算是对于城里的青少年来说也是困难的，因为学业压力，他们可能无法改善自己的「媒体食谱」，缺乏对假新闻的辨别能力。而农村青少年如果将 ChatGPT 们直接作为回答问题，普及常识的工具，则非常有可能被误导而不自知。
在这里，让我们假设一个理想情形，就是哪怕最偏远的乡村小学也开通了 ChatGPT 的访问权限，且同学们可以用电脑、手机等终端随意访问；老师们接受了培训，鼓励孩子们在探究学习阶段使用 ChatGPT。
此时，我认为 ChatGPT 对家境不太好的孩子们的最佳用法是：
提供一些关于「如何更好地提问」、「如何更好地使用搜索引擎」和「如何更好地写 prompt」等问题的回答思路。这是回答填补「能力沟」问题所需要的「元能力」，也就是「能力的能力」。在掌握了最基础的提问能力之后，可以举一反三地使用 ChatGPT。
对孩子们讲解事实核查的基本技巧并答疑。我自己测试了一下，ChatGPT 对事实核查的基本做法、国内知名主流媒体、假新闻的特征和辨别方法等问题回答得都非常出色。
用于中英互译。ChatGPT 的翻译效果和针对英语学习者的语法检查能力，都是历史上最好的。
学习编程。使用 ChatGPT 相当于化用了 StackO【【微信】】 上面大部分精华内容，生成的代码有很多都是可以直接跑的，剪切粘贴时完全不必考虑其运行原理。
用于想象力拓展和锻炼逆向思维，特别是在它开始「瞎编」的时候。
当然，这些理想的用例也都需要老师或家长事先了解和使用，并在最开始手把手地教学。即便如此，这也比老师和家长们直接啃书本，然后教孩子英语、编程或搜索什么的简单太多了。
所以，ChatGPT 首先可能填补的，是家长的「沟」而不是学生的。它有可能让家长第一次有机会重新弄懂孩子的课程，从而重新燃起参与孩子辅导的积极性。如果是这样，那还是非常值得期待的。
原标题：《人与人之间的「沟」，ChatGPT 填的上吗？》
阅读原文
chatgpt用的什么语言开发的 chatgpt官网语言设置页面
chat用法总结,chattype,chat用法讲解原标题：交通变革中的ChatGPT：当智能交通遇见大型语言模型
?
最近爆火的ChatGPT 是由 OpenAI 开发的一种大型语言模型 (LLM) ，拥有超过1750亿个参数，特别是在自然语言处理（NLP）方面有着令人印象深刻的能力。ChatGPT的出现引爆各行各业，迅速催生出各种工程领域的应用场景。
那么， 大型语言模型能否彻底改变我们处理交通系统的方式，创造智能交通领域下一个万亿规模的新机会？本文或许能给交通界提供一些创新性的思考。
?
?
近日，美国中佛罗里达大学Dr. Aty团队的郑欧博士，王冬冬博士，博士生王子衿和丁圣轩在arxiv发表了题为“【【微信】】n: Could a large language model be all we need for Intelligent Transportation?”的文章，该文章不仅 展望了 LLM 驱动ITS未来的应用场景，还提出了一个 基于智能手机的事故报告自动生成框架。
图1. Arxiv论文
该文章讨论了NLP 和跨模式处理模型在ITS中的潜在应用。以 关键词或交通场景的叙述为输入， 输出包括场景理解、事件推理、场景构建等任务。
通通
听起来是不是很酷？
还等什么，一起一探究竟吧！
邦邦
自然语言处理在交通中的应用
1
自然语言推理（NLR）
大型语言模型（LLM）可以高效地 提炼一份简洁、专业、易于阅读的事故摘要，包括事故场景、驾驶行为和事故结果等。此外，LLM 训练可以学习复杂的理解和推理技能，根据新闻报道进行 事故定损、事故归因、公众评论分析，有助于进行事故评估。
图2：使用 LLM 从加州事故新闻中提取自动驾驶车辆事故的文本挖掘示例
2
自然语言生成（NLG）
NLG在文本生成方面具有出色的流畅性和逻辑推理能力，可以解决交通事故报告中 描述生成和关键字缺失填充等挑战。
图3：NLG根据关键字生成事故报告的应用示例
交通中的LLM跨模式处理
此外， LLM 可以使用来自不同模态（例如图像、音频）的数据来完成这些任务。NLP分析和处理来自传感器、相机和物联网设备等非语言来源的数据，这对于开发包罗万象的 ITS 至关重要。
1
视觉语言转换
通过NLR和NLU可以更全面的理解交通场景，通过 提供视觉输入的信息来协助道路使用者和交通管理中心 理解交通场景，在 ITS 领域具有广泛的现实应用。
图4：应用 BLIP-2 框架的 VQA 示例
2
视觉反事实推理
图5：十字路口行人过街按钮的 VCI 示例
3
视觉数据生成
受益于 LLM 和语言-视觉跨模态可迁移性的进步，可以 将语言描述生成为虚拟图像，可以应用于 训练自动驾驶汽车的环境感知模型、基于 CCTV 事故检测 生成可靠的合成训练样本，从而解决实践中事故场景训练样本不足的问题。
图6：合成训练样本的图像生成案例
4
音频语言转换
图7：语音输入感知处理案例
5
多模态大型语言模型的新兴交通应用
文章提出了一个 基于智能手机的事故报告自动生成框架。该框架提取手机传感器捕获的多个数据源，然后将数据传输到语言空间进行文本挖掘、推理和生成，并进一步输出形成综合事故报告所需的关键信息。
图8：MMLLM在交通领域的应用
总结
论文探讨了大型语言模型（LLM）在解决关键交通问题方面的未来应用。利用 LLM 和跨模态编码器，智能系统可以通过单个 LLM处理多模态输入变量，结合通过跨模态处理，研究了其在ITS中的潜在应用。
尽管有潜在的好处，但在ITS中使用 LLM 时也需要考虑一些 挑战，这些包括与 数据隐私、数据质量和模型相关的问题。
总的来说，LLM 在ITS中的使用，代表了未来交通应用的一个充满希望和令人兴奋的发展方向。随着技术的不断进步，可以探索大型语言模型在交通领域的应用，期待看到更高效、智能、个性化和可持续的交通系统。
论文链接：
【【网址】】/10.48550/arXiv.2303.05382
【【微信】】
往期作品集
就业 秋招经验 求职招聘
数据集 深造求学 期刊会议
课题组介绍 交通出路 交通政策
交通知识 书籍推荐 返回搜狐，查看更多
责任编辑：
