社会影响与AI群体中的科学注意力分配

AI系统正在成为科学研究评估与使用的参与者。它们会遇到引用数、下载统计以及围绕人类读者形成的热门文章列表，但这些信号对人工读者的集体后果仍不确定。本文将Music Lab实验设计适配到学术注意力市场。在第一个实验中，1000个AI Agent根据2025年《美国经济评论》全部114篇常规研究论文的标题与摘要选择论文。实验包含五个独立选择社区与五个社会影响社区，每个社区有100个顺序决策的Agent。只有社会影响条件下的Agent能观察社区内先前的选择，且Agent可选择任意数量的论文。社会信息社区中每个Agent选择的论文少17.2%，选择更集中，集体覆盖73篇论文，而独立条件下为90篇；社会信息下社区间差异也更大。在第二个实验中，200个Agent分布于二十个社会社区，随机为论文分配五个初始选择，可使其后续被选率提高45.55个百分点（95% CI：41.20至49.90）。选择与外部引用仅有弱对应，与下载数几乎没有对应。结果表明，一条简单的信息规则即可塑造人工群体中科学注意力的数量、广度与分布。