DOI：10.12154/j.qbzlgz.2026.02.006 1 引言 深度伪造（Deepfake）是基于生成式对抗网络（Generative Adversarial Networks，GAN）等深度学习算法，通过对目标对象的生物特征进行提取、建模与迁移，生成高度仿真的合成媒体内容。截至2024年，深度伪造工具数量已达到10000多个[1]，而且随着Sora等文生视频大模型普及，其使用门槛和成本还在下降。虽然深度伪造在创作等领域的积极应用日益凸显[2]，但网络攻击、色情传播、虚假宣传等恶意深度伪造视频也在大量涌现，这引发了人们对技术生成内容真实性的担忧。与一般虚假信息相比，基于视听融合的深度伪造视频具有更强的说服力和欺骗性[3]，为网络信息内容生态治理带来了新的挑战。 由于很多用户对视觉欺骗的防御相对较弱，他们基于“眼见为实”的启发式原则常将深度伪造视频误认为真实的，并对自己识别能力过于自信[4]，但实际上大多数人识别深度伪造视频的能力有限，因此深入探究用户对深度伪造视频的信任路径对开展针对性的信任干预具有重要价值。本文聚焦深度伪造视频，基于元分析（meta-analysis）提取用户信任深度伪造视频的影响因素，借助模糊解释结构模型ISM和交叉矩阵相乘法MICMAC探究用户对深度伪造视频的信任路径，旨在降低用户盲目信任，为政府和社交媒体平台制定深度伪造风险治理策略提供理论支撑。 2 文献综述 梳理深度伪造的相关文献发现，现有研究主要从检测技术探索、风险剖析与应对以及认知与信任研究三个方面展开。 在检测技术探索方面，学者从图像、音频、视频等多元媒体切入，探索面部检测、音视频检测、集群式信息攻击感知等多种检测方法[5]，也有学者发现检测方法存在泛化性不足、实验环境下的检测性能优于现实场景等问题，尝试构建集多种检测方法于一体的综合检测平台[6]。而随着技术的快速发展，在不同性别和种族差异等多样群体中的检测技术应用公平性问题也受到学界重视[7]，促使检测技术研究者在算法设计和开发阶段注重考量检测方法的包容性和公平性。 在风险剖析与应对方面，通过非法合成等手段制造并传播深度伪造视频，不仅侵犯个人肖像权、名誉权等合法权益[8]，更可能导致操纵公众舆论、干扰民众政治判断、衍生诽谤等道德失范行为或商业犯罪[9]，数字欺骗问题屡见不鲜[10]。面对其带来的风险和挑战，学者们提出了一些具体建议：政策制定者从立法完善的角度将制作深度伪造儿童色情制品的行为纳入猥亵儿童罪的处罚范围[11]；社交媒体平台引入数字取证技术应对潜在风险[12]；科技公司研发人机结合的智能事实核查技术[13]；用户也要强化自我媒体素养，主动维护网络环境[14]。 在认知与信任研究方面，一份调查结果发现90.4%的英国公众受访者对深度伪造表示担忧[15]；女性更容易对深度伪造视频产生负面态度[16]；深度伪造视频的娱乐化属性强化了年轻群体主动辨伪的个人责任感[17]深度伪造事件的危害程度、监管规范和用户应对能力会显著正向影响用户对其的风险感知[18]。多项研究表明，内容逻辑、线索加工、分享者信任、熟悉度、认知能力等因素会影响用户信任深度伪造视频[19-20]。一项Z世代成年人接触深度伪造视频的研究发现，用户对深度伪造视频的真假判断依赖于直观的视听线索而非事实推理，当视听线索真实自然时，用户倾向于产生信任[21]。而一旦用户信任深度伪造视频，他们往往会对真实视频产生怀疑，这种“说谎者红利”现象会侵蚀社会信任[22]。 综上，学者们基于不同维度对深度伪造的诸多探索为解决实际问题提供了宝贵建议，也为后续相关研究奠定了坚实基础。然而还存在以下不足：（1）相较于快速发展的检测技术与风险应对研究，用户认知与信任的研究显得不足，而用户作为深度伪造视频直接感知者和判断主体，其对深度伪造视频的信任评估需更深入的探索；（2）在用户认知与信任研究中，多围绕影响因素显著性进行分析，各影响因素间的关联路径研究并不多见。鉴于此，本文搜集国内外文献，借助元分析提取相关因素，基于模糊ISM-MICMAC对影响因素之间的关联路径进行分析，探究用户对深度伪造视频的信任路径，为开展针对性的信任干预，降低用户对深度伪造视频的盲目信任提供理论支撑。 3 影响因素提取 3.1 研究方法 元分析是一种系统的、综述性的研究方法，其对符合特定标准的研究结果进行统计整合，最终形成全面的结论[23]。ISM-MICMAC是一种结合解释结构模型（ISM）和交叉影响矩阵相乘法（MICMAC）的方法。解释结构模型用于分析复杂系统中各因素相互关系，通过构建层级结构图将模糊复杂的关系和影响路径清晰地呈现出来，将ISM与模糊数学进行结合可以降低评分的主观性，使各影响因素间的相关关系更加客观。在此基础上，运用MICMAC展示各因素间的相互影响和依赖关系[24]。 3.2 文献检索与筛选 中文文献使用中国知网、维普、万方数据库进行检索，将“深度伪造”或“深度合成”或“deepfake”并含“信任”或“可信”或“感知”等组配检索；文文献利用Web of Science、EBSCO、ScienceDirect、Scopus、Research-Gate、Wiley Online Library、Google Scholar、Refseek数据库，使用“deepfake”或“deep synthesis”并含“trust”或“perceive”或“perception”或“credibility”等进行组配检索。截至2025年2月3日，初步检索得到1007篇文献，其中中文文献141篇，英文文献866篇。依据元分析要求和PRISMA原则筛选文献，最终获得18篇样本文献，满足元分析至少需要10-12项研究的基本要求[25]。
