随着人工智能技术的快速发展，深度伪造（deepfake）在视觉内容创作中受到广泛关注。本研究聚焦于数据视频中解说员面部被深度伪造替换所引发的信任变化，并设计了四项递进式用户实验。研究涵盖两类欺骗手段——深度伪造解说员与误导性可视化设计——以及两种启动条件（是否在实验开始前告知参与者可能存在欺骗）。研究1仅替换解说员面部，测量参与者对解说员及可视化的信任程度；研究2在研究1的基础上于实验开始前告知深度伪造的存在；研究3与研究4在欺骗类型中加入误导性可视化设计，并分别在不提前告知与提前告知的情况下进行测试。结果表明，参与者易被深度伪造迷惑，在不同启动条件下对解说员与可视化的信任发生显著偏移。研究人员指出，提前告知欺骗可能性虽提高了识别率，但也增加了将真实解说员误判为伪造的概率，且整体可视化素养水平较低。
研究背景与意义
在数据驱动传播日益普及的背景下，数据视频（data video）因结合动态可视化与人类解说员而被广泛应用于新闻、教育与营销领域。然而，随着深度伪造技术的发展，视频内容的真实性面临前所未有的挑战。传统研究多集中于可视化设计本身（如截断轴、倒置轴等静态欺骗手法），而对AI驱动的面部替换风险缺乏系统性探讨。本研究首次针对数据视频中解说员面部被深度伪造替换的场景，通过控制实验揭示其对观众信任的影响机制，填补了可视化领域对新兴AI技术风险的认知空白。论文发表于《Visual Informatics》。
关键技术方法
研究人员采用自制的短数据视频片段（data clip）作为刺激材料，选取世界银行公开数据集中的三项指标（研发支出、劳动力规模、濒危物种数量），分别设计为折线图、柱状图与气泡面积图。邀请两名白人学生志愿者录制无声解说视频，并通过FaceFusion工具将其面部替换为芝加哥面孔数据库（CFD）中的静态图像生成深度伪造版本。实验设置四种条件组合：仅深度伪造解说员/深度伪造解说员+误导性可视化设计 × 不提前告知/提前告知欺骗可能性。通过Prolific平台招募多国参与者，采用混合实验设计，排除已有相关先验知识的样本，使用七级Likert量表测量信任度，并结合定性反馈分析决策依据。
研究结果
4.1 研究1：未提前告知的深度伪造解说员
深度伪造识别错误率达55.7%，超过图灵测试30%阈值，64.5%的伪造案例被误判为真实，证实真相默认理论（truth-default theory）效应。信任评分在四类识别场景（真阳性、假阳性、真阴性、假阴性）间无显著差异，表明参与者常在实验结束后才察觉欺骗可能。
4.2 研究2：提前告知的深度伪造解说员
错误率降至37.9%，但真实解说员被误判为伪造的比例升至44.8%。信任评分在不同识别场景间差异显著，正确识别伪造者信任度最低，反映启动条件增强了对解说员的怀疑倾向。
4.3 研究3：未提前告知的双重欺骗
深度伪造识别错误率52.1%，误导性可视化识别错误率42.9%，其中70.1%的伪造图表未被发现。仅9.6%的参与者能同时识别并指出可视化欺骗的具体设计缺陷。信任评分仅在可视化欺骗场景间呈现显著差异。
4.4 研究4：提前告知的双重欺骗
双重欺骗识别错误率分别降至36.4%与36.6%，但误判真实内容为伪造的比例同步上升。能同时识别并指出可视化欺骗的比例提升至18.5%。信任评分在各场景间差异进一步扩大，解说员与可视化信任呈中度正相关（ρ=0.435, p<0.001）。
讨论与结论
研究表明，深度伪造显著扰乱数据视频的信任判断，提前警示虽提升识别率，却引发过度怀疑。参与者的可视化素养普遍偏低，尤其在识别倒置轴与面积编码错误方面表现薄弱。值得注意的是，当存在解说员时，观众倾向于将对其的信任迁移至可视化内容，形成“解说员-可视化”信任耦合效应。这一机制符合外周线索启发式（peripheral heuristic cues）认知模型，即观众依赖表面特征而非深入分析做出判断。研究呼吁开发更具生态效度的可视化素养测评工具，并在AI生成内容中实施意图导向的披露框架（如标注“面部替换用于隐私保护”），以避免泛化性警示导致的信任崩塌。深度伪造技术兼具隐私保护与恶意操纵的双重属性，需在法律法规与行业伦理框架下审慎应用。本研究为可视化社区提供了首个针对AI驱动面部替换风险的实证基础，强调在智能化内容生产中平衡技术创新与信任维护的重要性。
