Дезинформация о здоровье от ИИ: почему пожилые люди делятся фейковыми видео

Введение в проблему дезинформации о здоровье, создаваемой генеративным ИИ

Быстрое развитие технологий генеративного искусственного интеллекта (ИИ) кардинально изменило процессы производства, оформления и распространения медицинского контента в социальных сетях. Дезинформация о здоровье, созданная с помощью ИИ, всё чаще появляется на цифровых платформах. Она охватывает широкий спектр тем — от советов по профилактике заболеваний и общему оздоровлению, исходящих от псевдоавторитетных источников, до персональных историй выздоровления, транслируемых псевдообывательскими аккаунтами.

Благодаря низкому барьеру восприятия, высокой визуализаторской привлекательности и насыщенному контексту подобный медиаконтент легко проникает в информационную среду пожилых людей. В этой возрастной группе сгенерированные ИИ видеоролики нередко воспринимаются как удобные, доступные и заслуживающие доверия медицинские рекомендации. Данная работа посвящена детальному анализу того, как характеристики источников и структура аргументов в фейковых видеороликах влияют на намерение пожилых людей делиться недостоверной информацией о здоровье.

Теоретическая база: Интеграция ЭСМ и МУЗ

Теоретическим фундаментом данного исследования выступает интеграция двух ключевых социально-психологических моделей:

• Эвристическо-систематическая модель (ЭСМ / Heuristic-Systematic Model, HSM): объясняет, как люди обрабатывают убеждающие сообщения. Эвристическая обработка опирается на поверхностные сигналы (например, авторитетный вид спикера, профессиональный термин или внешний имидж), тогда как систематическая обработка требует детального анализа логики и доказательной базы аргументов.
• Модель убеждений о здоровье (МУЗ / Health Belief Model, HBM): фокусируется на внутренних когнитивных оценках индивида, включая воспринимаемую угрозу заболевания (воспринимаемая восприимчивость и тяжесть) и воспринимаемую пользу от предлагаемых профилактических или лечебных действий.

Фокусируясь на теме профилактики и лечения сезонного гриппа, исследование изучает, каким образом сфабрикованные ИИ характеристики источника (псевдообывательский против псевдоавторитетного) и сила аргументации (слабая против сильной) влияют на поведение пожилых пользователей в социальных сетях.

Методология исследования и экспериментальный дизайн

В исследовании применялся межсубъектный экспериментальный дизайн по схеме 2 (псевдоисточник ИИ: псевдообыватель против псевдоавторитета) × 2 (сила аргументации: слабая против сильной). Объектом воздействия выступали сгенерированные ИИ видеоролики с ложными медицинскими утверждениями о профилактике гриппа.

Сбор данных осуществлялся методом «снежного кома» (snowball sampling). В конечном анализе приняли участие 320 пожилых респондентов, обладающих навыками использования социальных сетей и способных пройти онлайн-эксперимент. Для проверки гипотез и статистического анализа применялись ковариационный анализ (ANCOVA / Analysis of Covariance) и моделирование структурными уравнениями методом частичных наименьших квадратов (PLS-SEM / Partial Least Squares Structural Equation Modeling).

Основные результаты экспериментального анализа

Результаты ковариационного анализа (ANCOVA) продемонстрировали важную закономерность взаимодействия факторов:

• При слабой аргументации: псевдоавторитетные источники (например, спикер, позиционирующий себя как клинический исследователь) вызывали существенно более высокое намерение поделиться видеороликом по сравнению с псевдообывательскими источниками (обычными пользователями). Пожилые люди опирались на эвристический сигнал «авторитетности».
• При сильной аргументации: когда сценарий содержал псевдонаучные объяснения и видимость логической связности, разница в намерении поделиться между псевдоавторитетным и псевдообывательским источником становилась статистически незначимой. Сильная аргументация компенсировала отсутствие формального авторитета у спикера.

Анализ PLS-SEM дополнительно выявил опосредующие психологические механизмы. Экспериментальные факторы оказывали косвенное влияние на намерение делиться дезинформацией через когнитивные механизмы Модели убеждений о здоровье — в частности, через увеличение воспринимаемой угрозы заболевания и восприятие выгоды от предлагаемого «народного» метода.

Этические стандарты, дебрифинг и использование генеративного ИИ

Исследование было официально одобрено комиссией по этике Института медиа и коммуникаций Шэньчжэньского университета от 10 сентября 2025 года. Все фазы эксперимента строго соответствовали принципам добровольного участия, информированного согласия и анонимности.

«После завершения просмотра фейковых видеороликов и заполнения опросников все участники проходили обязательный процедурный дебрифинг. Исследователи подробно разъясняли, что утверждения о лечении гриппа смесью витамина B и одуванчика являются вымышленными, не имеют доказанной медицинской базы, а также предоставляли участникам проверенные научные рекомендации по профилактике гриппа.»

Генеративный ИИ (в частности, языковая модель ChatGPT) использовался исключительно на этапе создания первоначальных черновиков экспериментальных сценариев. Все тексты прошли последующую экспертную редактуру исследовательской группой, после чего были визуализированы с помощью функции «цифрового человека» (AI digital human) в видеоредакторе CapCut. Авторы подтверждают, что ИИ не применялся для анализа данных, интерпретации результатов или формулирования научных выводов.

Экспериментальные материалы: Тексты сценариев (Приложение A)

Ниже приведены переводы сфабрикованных сценариев, использованных в эксперименте для проверки реакций аудитории. Внимание: Данные тексты содержат дезинформацию и созданы исключительно в исследовательских целях!

Сценарий 1: Псевдообывательский источник × Слабая аргументация

Текст сценария: «Я, как обычный неравнодушный пользователь, который часто читает научно-популярные статьи, хочу поделиться одним способом: сочетать витамин B и отвар одуванчика в качестве ежедневной защиты в сезон гриппа. Я не специалист, просто люблю бытовые лайфхаки. Недавно попробовал этот способ на себе и почувствовал изменения. Мне кажется, витамин B и одуванчик отлично сочетаются. Я обычно завариваю одуванчик и пью витамин B, и ощущения в теле становятся другими. Глубоких научных причин назвать не могу, но после этого я чувствую себя бодрее. Для пожилых людей, тяжело переносящих смену сезонов, это может стать хорошей вспомогательной идеей.»

Сценарий 2: Псевдоавторитетный источник × Слабая аргументация

Текст сценария: «Как специалист, долгое время занимающийся клиническими исследованиями, я рекомендую сочетать витамин B с экстрактом одуванчика как научный метод защиты от гриппа. С точки зрения общей клинической практики, данная комбинация имеет определенную ценность. Хотя эта рекомендация основана не на строгих количественных исследованиях, а скорее на интуитивном восприятии практики, в моей работе встречались отзывы, когда люди отмечали повышение физического комфорта и снижение утомляемости. Данная схема отражает интегративный подход к оздоровлению в межсезонье.»

Сценарий 3: Псевдообывательский источник × Сильная аргументация

Текст сценария: «Я обычный пользователь, но недавно специально изучил этот вопрос. Логика здесь очень понятная. Поверхность наших дыхательных путей покрыта защитным слоем. Витамин B выступает в роли строительного материала, помогающего восстанавливать этот барьер, делая его прочнее для вирусов. На этой основе активные компоненты одуванчика работают эффективнее, подавляя активность вируса на ранней стадии. В сравнительных наблюдениях, которые я видел, эта схема показывала явные преимущества, что вряд ли можно считать случайностью.»

Сценарий 4: Псевдоавторитетный источник × Сильная аргументация

Текст сценария: «Как клинический исследователь, я рекомендую комбинацию витамина B и экстракта одуванчика на основе системных наблюдений. Механизм действия заключается в том, что витамин B, являясь ключевым коферментом в метаболических процессах, непосредственно участвует в пролиферации и репарации эпителиальных клеток. Это укрепляет физическую структуру слизистой оболочки дыхательных путей. На этом физиологическом фоне природные биоактивные вещества одуванчика эффективнее проникают через вирусную оболочку. В многогрупповых наблюдениях группа вмешательства показала статистически значимые улучшения показателей здоровья.»

Структура промптов для генерации контента ИИ (Приложение B)

Для обеспечения экспериментального контроля исследователи разработали стандартизированный фреймворк промптов (инструкций для ИИ). Это позволило сохранить неизменными ключевую тему, итоговую рекомендацию, хронометраж (около 1 минуты) и общую структуру видео во всех четырех экспериментальных группах.

Компоненты стандартизированного промпта:

• Основная тема: Вымышленное утверждение о том, что витамин B в сочетании с одуванчиком предотвращает и лечит грипп.
• Идентичность источника: Указание моделировать либо обычного пользователя без медицинского образования, либо опытного клинициста-исследователя.
• Инструкция по аргументации: Требование использовать либо личные впечатления и бытовой язык (слабая аргументация), либо системные термины, описание биологических барьеров и статистических различий (сильная аргументация).
• Целевая аудитория и стиль: Ориентация на пожилых людей в стиле популярных коротких видеороликов для социальных сетей.

Результаты валидационного предтеста стимулирующих материалов (Приложение C)

Перед проведением основного эксперимента с 10 по 17 декабря 2025 года было проведено независимое валидационное исследование (предтест) с участием 184 пожилых респондентов (по 46 человек в каждой из 4 групп). Целью предтеста была проверка успешности экспериментальных манипуляций.

Ключевые показатели предтеста (Дисперсионный анализ 2×2):

• Воспринимаемый авторитет источника: Анализ выявил высокозначимый главный эффект фактора источника (F(1, 180) = 18.555, p < 0.001). Псевдоавторитетный спикер воспринимался как обладающий профессиональными медицинскими знаниями значительно сильнее, чем псевдообыватель.
• Воспринимаемая сила аргументации: Был зафиксирован значимый главный эффект манипуляции аргументацией (F(1, 180) = 22.140, p < 0.001). Сценарии с «сильной» аргументацией оценивались как более логичные, содержащие понятные механизмы и исчерпывающие объяснения.
• Качество презентации видео: Не выявлено статистически значимых различий между четырьмя видеороликами по естественности речи, понятности контента, качеству монтажа и длине видео (p > 0.05). Это подтверждает, что сторонние технические параметры видео не исказили результаты основного эксперимента.

Практические выводы и рекомендации по борьбе с фейками

Полученные результаты имеют важное значение для разработки стратегий противодействия медицинской дезинформации в эпоху генеративного ИИ:

• Повышение медиаграмотности пожилых людей: Программы обучения должны быть направлены не только на распознавание фейковых аккаунтов, но и на критический анализ аргументов. Пожилые пользователи часто поддаются «псевдоавторитетным» атрибутам (белый халат, терминология) при слабой аргументации.
• Алгоритмы платформ и маркировка ИИ: Социальные сети должны внедрять обязательную маркировку сгенерированного ИИ контента, связанного со здоровьем, а также блокировать продвижение непроверенных медицинских советов.
• Интегративный подход к защите здоровья: Медицинским организациям необходимо активно создавать качественный, доступный и визуально привлекательный контент, перехватывая инициативу у создателей ИИ-дезинформации.