基于解释学视角的负责任AI：人机协同解释

# 从诠释学视角出发

作者的主要学术训练背景为计算机科学。本研究源于对诠释哲学的跨学科兴趣，而非正式的哲学课程训练。因此，本文是从计算机科学研究人员探索哲学的视角来应用诠释学概念。来源：https://arxiv.org/html/2609.00334 （2026年8月2日）

###### 摘要

在法律、教育、政策分析和公共道德论证等领域，大型语言模型的输出正越来越多地用于需要通过文本证据和明确规范标准来证明解释合理性的工作。然而，一种反复出现的失败模式——我称之为“诠释错位”——是模型生成的解读被当作既定意义来对待，却没有明确的诠释框架（来源、范围约束、规范性承诺），没有保留可辩护的替代方案，也没有提供溯源路径让读者找到支持性段落。在这种情况下，风险不仅在于事实错误，更在于问责性的丧失：读者和机构无法可靠地评估某个输出使他们承担了什么责任，或基于何种依据。本文借鉴哲学诠释学，讨论了这一风险，并提出了构建人机协作诠释的设计原则。论文还对近期关于诠释学与人工智能的学术研究进行了结构化的综合梳理，将这一新兴文献组织成一系列反复出现的论证主线和与设计相关的空白点。本文将大型语言模型的输出视为候选解读，而诠释性理解则保留给处于学科历史语言学传统中、可被问责的人类诠释者。人机交互被描述为一种AI中介的诠释循环。本文区分了基于符号预测的文本生成与诠释性理解。在此基础上，现有的大型语言模型技术被重新组织为在诠释情境中负责诠释使用的模式。最后，讨论转向了对法律实践、教育评估与反馈、学术知识生产和公共道德论证的影响。本文还将“数字诠释素养”视为一种能力：即通过考察框架、溯源和解读来阅读AI中介文本，并对输出提出质疑的能力。

###### 关键词

诠释学，大型语言模型，解释，负责任的人工智能。 ††预印本：arXiv预印本

###### 目录

1.  1. 引言 (https://arxiv.org/html/2609.00334#S1)
    1. 1.1 研究动机 (https://arxiv.org/html/2609.00334#S1.SS1)
2. 1.2 立场与贡献 (https://arxiv.org/html/2609.00334#S1.SS2)
3. 1.3 论文组织结构与范围 (https://arxiv.org/html/2609.00334#S1.SS3)
2.  2. 诠释学背景 (https://arxiv.org/html/2609.00334#S2)
    1. 2.1 “理解”作为诠释学事件 (https://arxiv.org/html/2609.00334#S2.SS1)
    2. 2.2 现代诠释学的关键人物与概念 (https://arxiv.org/html/2609.00334#S2.SS2)
3.  3. 诠释学遇见大型语言模型：现有研究 (https://arxiv.org/html/2609.00334#S3)
    1. 3.1 伽达默尔视角：语言、传统与对话 (https://arxiv.org/html/2609.00334#S3.SS1)
    2. 3.2 利科视角：叙事与解释 (https://arxiv.org/html/2609.00334#S3.SS2)
    3. 3.3 德里达与后结构主义洞见：文本、差异与书写 (https://arxiv.org/html/2609.00334#S3.SS3)
4. 3.4 AI文本的通用诠释学方法 (https://arxiv.org/html/2609.00334#S3.SS4)
4.  4. AI中介的诠释循环 (https://arxiv.org/html/2609.00334#S4)
    1. 4.1 双主体诠释循环 (https://arxiv.org/html/2609.00334#S4.SS1)
    2. 4.2 理解的错觉与认知风险 (https://arxiv.org/html/2609.00334#S4.SS2)
    3. 4.3 作者意图与问责性 (https://arxiv.org/html/2609.00334#S4.SS3)
    4. 4.4 偏见、视角与批判的必要性 (https://arxiv.org/html/2609.00334#S4.SS4)
    5. 4.5 AI中介知识中的意义与真理 (https://arxiv.org/html/2609.00334#S4.SS5)
5.  5. 协作诠释范式中的信任与安全 (https://arxiv.org/html/2609.00334#S5)
    1. 5.1 诠释学安全循环 (https://arxiv.org/html/2609.00334#S5.SS1)
    2. 5.2 协作诠释的诠释学病理 (https://arxiv.org/html/2609.00334#S5.SS2)
    3. 5.3 可信赖协作诠释的设计原则 (https://arxiv.org/html/2609.00334#S5.SS3)
    4. 5.4 影响 (https://arxiv.org/html/2609.00334#S5.SS4)
6.  6. 设计诠释性AI系统 (https://arxiv.org/html/2609.00334#S6)
    1. 6.1 对话式与参与式界面 (https://arxiv.org/html/2609.00334#S6.SS1)
    2. 6.2 人工视域、本体论与视域设计 (https://arxiv.org/html/2609.00334#S6.SS2)
    3. 6.3 鼓励多元性：对比式与多视角输出 (https://arxiv.org/html/2609.00334#S6.SS3)
    4. 6.4 诠释质量的评估标准 (https://arxiv.org/html/2609.00334#S6.SS4)
    5. 6.5 数字诠释素养：面向人类的读写能力 (https://arxiv.org/html/2609.00334#S6.SS5)
7.  7. 诠释质量与社会动态 (https://arxiv.org/html/2609.00334#S7)
    1. 7.1 法律与公共政策 (https://arxiv.org/html/2609.00334#S7.SS1)
    2. 7.2 教育与学术知识 (https://arxiv.org/html/2609.00334#S7.SS2)
    3. 7.3 道德、宗教与文化论述 (https://arxiv.org/html/2609.00334#S7.SS3)
8.  8. 结论 (https://arxiv.org/html/2609.00334#S8)
9.  参考文献 (https://arxiv.org/html/2609.00334#bib)

## 1. 引言

### 1.1 研究动机

在法庭、课堂、政策制定和公共道德论证中，大型语言模型的输出越来越被视为一种“理由”——即必须向相关受众进行规范性或情境性证明的解读，而不仅仅是检索事实的摘要。在这些情境中，即使输出流畅且局部合理，也可能出现诠释安全失败：句子层面连贯，但在理由、依据和证明的层面上却框架错位。因此，风险不仅在于事实错误，更在于“诠释错位”：将流畅的模型输出当作确定的意义来对待，却没有明确的诠释框架（来源、范围约束、规范性承诺），没有呈现可辩护的替代解读，也没有提供证据支持和可追溯性。这种动态可能产生“理解的错觉”，导致用户过度接受流畅的输出，而没有尽到诠释责任——例如，不去核查支持性段落、不寻求替代解读、不对范围或价值假设提出质疑。在人类与自动化交互的研究中，这种失败模式对应于对自动化的误用和过度依赖[parasuraman1997humans]以及自动化偏见，包括接受错误的自动化建议（接受错误）和未能在自动化未正确提示时采取行动或进行检查（遗漏错误）[skitka1999does]。近期研究指出，大型语言模型可能在知识实践中产生理解的错觉，而这些错觉可能鼓励过度接受，同时阻碍验证[messeri2024artificial, marchetti2025artificial]。然而，相对较少的研究将诠释交互本身——即用户如何采纳、质疑和授权输出——作为设计和评估的核心目标[gonzalez2024beyond, delacroix2025designing, delacroix2025moral, stanczak2025societal]。

本文从一个以交互为中心的诠释学视角讨论人机协作诠释。它将大型语言模型的输出视为“诠释提案”，即在训练和提示约束下产生的统计性续写，只有通过人类的挪用（诠释和使用）才能具有行动指导性。为了构建讨论框架，我使用“AI中介的诠释循环”这一概念：人类从特定的视域内提出问题；模型在训练数据、检索和提示设定的约束下进行响应；人类评估、修改并重新情境化该响应。这一AI中介诠释循环的高层结构如图1所示 (https://arxiv.org/html/2609.00334#S1.F1)；更详细的操作视图见图2 (https://arxiv.org/html/2609.00334#S4.F2)。这种框架将注意力从模型是否具有理解转移到了支持可问责诠释的交互条件——即用户何时以及为何将输出视为权威解读，以及诠释错误在实践中是如何产生的。本文的贡献是概念性和设计导向的：它阐明了诠释信任的结构，并提出了使证明、范围和溯源可审查的可实施方法。其概念性贡献是严格区分了“诠释性理解”和“人工（算法）诠释”。这里的后者指的是基于符号预测的文本生成，它产生候选解读，但不具有历史性和问责性。在现代诠释学的基础上，我将“理解”保留给具有历史情境性的诠释者，而将模型行为描述为将提示和语料库转化为文本候选的过程。实际的挑战在于阐明在诠释领域中安全使用所需的要求，而不暗示模型能动性。因此，我讨论了可在当前提示、检索和工作流约束下实现的系统与界面设计需求。在本文考虑的大型语言模型介导的诠释情境中，这种基于安全的立场包含三个反复出现的承诺：(i) 在需要证明的诠释判断上保留人类责任；(ii) 将协作视为目标能力，而非偶然的界面特性；(iii) 当意义和判断至关重要时，利用用户引导、约束和质疑输出的能力作为保障。这些承诺激发了后续的系统层面和教学层面的建议。在此前提的指导下，我(i) 阐述了AI中介的诠释循环，作为描述大型语言模型在诠释工作中使用的术语；(ii) 将现有能力重新组织成用于负责任的AI中介诠释的设计语言，包括人工视域（上下文头信息、本体论、管辖范围）、系统级规范约束（制度或文化政策）、生成的元评论和反问句，以及对比式输出；(iii) 提出“诠释质量”作为评估议程，补充任务准确性，涵盖整体与部分的完整性、对模糊性的识别与保存、多元性（呈现多种可辩护的解读）、证据支持与可追溯性、限制信号（范围、不确定性、替代方案）以及用户的挪用（用户在其自身思考和行动中的采纳）；以及(iv) 阐述“数字诠释素养”，作为在专业和教育情境中诠释和质疑AI中介文本的面向人类的读写能力。关于AI对齐这一更具体领域的相关论证，请参阅[razeghi2026principles]，该文认为原则指定的对齐包括一个诠释组成部分，因为通用原则不能决定其在具体案例中的应用。

参见图示
图1：人机诠释循环（AI中介的诠释过程）的概念示意图。主体I（一个具有历史情境的人类）根据由前理解塑造的生活视域，构思一个提示。主体II（一个基于模式的大型语言模型系统）通过对提示（及任何检索的上下文）的算法转换生成续写，其条件受学习参数和系统约束的影响，而非生活视域。随后，人类在该视域内挪用并重新情境化输出，可能修正理解并重新构建后续提示。

### 1.2 立场与贡献

我对大型语言模型和诠释学持一种以实践为中心的观点。这里的核心问题不是模型是否“理解”，而是当大型语言模型在诠释工作流中作为工具发挥作用时，如何组织人机交互——从而保持AI中介的诠释具有多元性、问责性和可追溯性。我将“诠释性理解”保留给具有历史情境性的人类诠释者，并将模型行为描述为“人工（算法）诠释”。这使重点转移到协作诠释本身：应如何设计、评估和教授它，以便人类的视域保持明确，模糊性和分歧不被强行消除，且诠释性主张可追溯到来源及其所处的情境。本文提出的是一个带有实践导向影响的概念性论证，而非引入新的经验基准。其贡献沿着三个轴线展开：

- • 相对于现有学术研究：
    - (A) **关于诠释学与人工智能近期工作的概述。** 我提供了一个结构化的综述，审视了明确将哲学诠释学与大型语言模型对话的近期学术成果。基于这些材料，我绘制了一幅关于“理解”、“意义”和“语境”等概念在大型语言模型话语中被赋予的不同主张的地图，追踪真正的交汇点，同时也指出了系统性的跨话语误用——作者们依赖于不兼容的“理解”概念。这一综合使得剩余的理论空白和评估需求难以忽视，并激发了构建协作诠释框架的必要性。
    - (B) **以交互为中心的诠释学–人工智能辩论重构。** 我重建了现代诠释学的关键脉络，重点关注它们如何将理解刻画为历史的、对话的和结构上循环的。然后，我运用这一理论视角来组织和评估新兴的诠释学与人工智能研究，包括近期与大型语言模型相关的研究。我认为这些贡献在很大程度上仍然是“以模型为中心”（大型语言模型是否理解？）或“以文本为中心”（我们应如何阅读AI文本？）的。我将焦点转向一个“以交互为中心”的问题：在具体的情境化诠释实践中，什么样的人机协作诠释被视为更负责任或更不负责任？我通过将人机交互图示化为一个AI中介的诠释循环，并引入“诠释质量”这一概念来谈论大型语言模型在诠释领域中更好或更差的使用（而不归因模型以理解），来阐明我的提议有何不同。
    - (C) **概念澄清：诠释性理解 vs. 人工诠释。** 基于施莱尔马赫、狄尔泰、海德格尔、伽达默尔、利科和德里达，我提出了“诠释性理解”与“人工（算法）诠释”之间的术语区分。我将前者保留给具有历史情境性的人类诠释者，而用后者指代基于模式的模型行为。在此基础上，我认为大型语言模型最好被描述为两阶段诠释循环（模型生成随后人类挪用）中的“提案生成工具”，而规范性评估应针对这一协作诠释循环的质量，而非赋予模型准人格。

- • 相对于现有实践：
    - (D) **用于诠释性人机协作的概念设计语言。** 当前的大型语言模型已经支持一组可以被重新用于诠释目的的能力：视角提示（例如，作为法律史学家回答问题）、按需提供多种解释、多轮对话、检索增强的回答以及受限生成。我将这些能力视为我所称的“诠释性AI”的一种概念设计语言。它包括充当“伪传统”的“人工视域”（上下文头信息、领域本体论、管辖范围和教义范围、制度价值声明）。它还包括使规范起点明确化的“文化与伦理覆盖层”，以及自动生成的评论和自我