案例研究 · 以人为本的人工智能
人类能否识别 AI 生成的视频
短短几年间，生成式视频已从怪异别扭变得足以乱真。这项受控实验测量了未经训练的观众识别这类视频的准确率，以及识别在哪些条件下会失效。
基于 87 名参与者做出的 3,132 次“真实还是 AI”判断，随机水平为 50%。
概览
设计与研究，第一作者
与 R. M. Karim 教授（NUST）和 KwanMyung Kim 教授（UNIST）合作
IASDR 2025，图文论文（Pictorial）类别，台北
87 名 18 至 70 岁的成年人，均无 AI、图形或视频方面的专业经验
被试内在线实验，二元迫选，随机顺序
逻辑回归，采用 Holm–Bonferroni 校正
合成媒体研究一直集中在人脸和声音的深度伪造上。然而，设计师和媒体艺术家如今以三种截然不同的方式使用 AI 视频：根据文字生成视频、让静态图像动起来，以及把真实影像延伸到画面之外。此前还没有研究把这三种技术放在一起比较。
未经训练的观众识别每种生成技术的准确率如何？
内容主题如何调节各技术的识别效果？
36 段视频构成均衡的刺激集
真实视频与 AI 生成视频各占一半，均匀分布在三个主题中。预实验显示，AI 生成某些题材（如静止物体）的效果远好于人物或动作；因此，变换主题能让比较保持均衡。
刺激材料设计
各主题与来源的视频数量
刺激材料生成
流程统一，只改变生成技术
所有 AI 视频均在 ComfyUI 中制作；借助其节点图，扩散步数、引导强度和提示词权重可在各方法之间保持一致。五位设计师为每个条件生成候选视频，再依据视觉保真度、时间连贯性和主题相关性从中选出一段。
真实视频选自公开的图库与档案素材，并与相同主题匹配。全部 36 段视频均剪辑为 8–12 秒，统一为 1080p，并以静音方式播放。
实验流程
36 个试次的二元迫选
每段视频单独播放，顺序随机，可无限次重播。
“你认为这段视频是真实的，还是 AI 生成的？”选项：真实或 AI。
看完 18 段视频后短暂休息，以减轻疲劳。
参与者不知道 AI 视频所占的比例，并被要求只根据画面内容判断每段视频。
准确率因技术与主题而不同
各来源的识别准确率
被正确分类的视频比例。对真实影像而言，判为“真实”即为正确。
文本生成视频的识别准确率低于随机水平，外扩补全则处于随机水平。图像生成视频保留了观众能够察觉的运动线索。
真实的自然影像常被判为合成。环境主题的真实视频只有约 48% 被正确分类；纯净的自然风光常被看作 AI 生成。
主题强烈影响外扩补全的识别。在环境主题的试次中，外扩补全的识别率为 61%，而在历史主题中仅为 32%。
图像生成视频的线索在各主题中都很稳定。无论是电影、历史还是环境主题，图像生成视频都能被一致地识别出来。
| 回归项（与电影主题的真实影像相比） | 优势比 | p |
|---|---|---|
| 图像生成视频 | 1.13 | n.s. |
| 文本生成视频 | 0.50 | .001 |
| 外扩补全 | 0.45 | .001 |
| 环境主题 | 0.37 | < .001 |
| 图像生成视频 × 环境 | 8.22 | < .001 |
| 外扩补全 × 环境 | 6.89 | < .001 |
| 文本生成视频 × 历史 | 0.44 | .003 |
| 外扩补全 × 历史 | 0.41 | < .001 |
| 技术、主题及二者的交互作用均显著（p < .001）。p 值经 Holm–Bonferroni 校正。87 名参与者 × 36 段视频 = 3,132 次观测。 | ||
对媒介素养与创作的启示
对 AI 的警觉会削弱对真实影像的信任
真实视频只有 64% 被正确分类。当观众预期会看到 AI 内容时，真实影像也开始显得像是合成的。
感知真实度取决于内容，而不只是模型
感知真实度并不是模型的固定属性，而是取决于视频呈现的内容。创作者可以有意识地利用这一点，调控作品看起来有多真实。
识别训练应兼顾语境与伪影
媒介素养项目和检测工具应同时涵盖语境线索与特定模型的伪影；仅凭直觉并不足够。
局限与后续工作。在线观看的无声短视频限制了生态效度。后续研究应纳入局部重绘、ControlNet 和深度感知视频等技术，收集置信度评分，扩大样本的人口学多样性，并检验训练能否随时间提升识别能力。
