从风险沟通,走向风险意义建构
01 / WHY AIRS
一条预警被成功发送,并不意味着它已经被理解。
标准化、单向的信息模板能够保证一致性和机构责任,却很难回答每个接收者在现实情境中的具体问题:我是否处于影响范围?这对我的路线、家人和当前活动意味着什么?哪些信息已经确定?我现在应先做哪一步?
02 / AI AS MEDIATOR
AI的角色:不是信息源,而是介导层。
风险事实、预警等级、影响范围与授权保护建议首先由专业机构确认。AI不改变这些事实,也不取得预警发布权。
AIRS CAN
AI可以做什么
- 组织技术性、分散的风险事实
- 关联必要且透明的用户情境
- 标明已确认、预测与未知信息
- 将授权建议转化为行动顺序
- 在多轮对话中回答追问
AIRS IS NOT
AI不是什么
- 不是独立预测灾害的 Risk Predictor
- 不是决定预警等级的 Warning Authority
- 不是替用户决策的 Autonomous Decision-maker
- 不是追求恐惧、服从与无条件信任的 Persuasion Machine
03 / FOUR CORE FUNCTIONS
四个问题,构成一条连续的意义建构链。
先形成连贯理解,再判断风险与自身的关系;在不确定性仍存在时维持信息边界,最后把理解转化为可执行行动。
连贯理解构建
发生了什么,为什么重要?将来源、危险、时间、地点、可能影响与行动要求组织成连贯解释,减少碎片化信息带来的理解负担。
情境关联
这对我意味着什么?使用用户主动提供的最小必要情境信息,说明哪些风险与当前活动、位置和行动限制最相关。
不确定性澄清
哪些已知,哪些还不知道?区分已确认、预期与仍不确定的信息,不用流畅语言填补事实空白,并说明不确定性对行动的意义。
行动导向
我现在首先应该做什么?把机构授权的保护建议转化为优先级、顺序、触发条件与禁止行为,突出清晰、可执行的第一步。
04 / WHY IT MATTERS
改变风险信息进入理解、信任与行动的方式。
05 / RESEARCH PROGRAM
把AIRS作为可操作、可记录、可比较的风险沟通范式。
两项受控随机实验共享同一权威事实核,通过不同程度的AI介导检验风险理解、适当信任、风险加工与保护反应。
从传统预警到AI介导
比较三种可部署的预警沟通形态,评估完整干预包是否改善意义建构与保护反应。
- Baseline · 完整传统预警
- Static personalized AI · 一次性情境化解释
- Live conversational AIRS · 可主动追问的实时对话
识别主动交互的增量价值
通过Yoked replay匹配内容、顺序与暴露,分离“得到更多信息”与“拥有主动交互能动性”的影响。
- Yoked replay · 观看既有对话但不能改变内容
- Live conversational AIRS · 主动提问并影响回复
WHAT WE MEASURE
06 / SAFETY & GOVERNANCE
安全、边界与责任,是AIRS设计的一部分。
在风险沟通中,“AI更有帮助”只有在事实边界、来源透明与用户自主被保留的前提下才有意义。
Same facts, different mediation
所有实验条件共享同一事件事实、预警等级、有效时间与核心保护建议。
Institutional grounding
事实性输出来自冻结的权威事实核或授权防护模块,模型不得自行补充预报与安全保证。
Transparent AI role
清楚区分机构确认的信息与AI提供的解释,AI不伪装成预警发布机构。
Uncertainty as information
系统能够明确说出当前无法判断的事项,并解释这对行动意味着什么。
Calibrated trust
目标是形成适当依赖,而不是最大化公众对AI的信任。
Logged and auditable
正式实验冻结模型、提示词、事实核与参数,并记录交互和安全判定。
07 / VISION
构建一个可验证的人–AI–机构风险沟通生态。
机构提供可信知识与责任边界,AI提供可解释、可追问、可审计的意义建构支持,人保持理解、判断与行动自主。
