生成式AI数据污染的SIRS模型：MATLAB实现与数值分析

本项目以流行病学中的SIRS模型为框架，创新性研究生成式AI数据污染现象，提供完整MATLAB代码实现与数值数据集。核心目标是通过数学建模视角理解AI生成内容对数据生态的影响，为AI治理提供科学依据。项目来源为GitHub（作者kavindisubawickrama-blip，发布时间2026年8月11日）。

生成式AI快速发展带来数据污染挑战：AI生成内容进入训练集导致训练数据退化、模型崩溃、偏见放大、内容同质化。研究显示，2026年互联网可能超半数内容为AI生成，若用于训练下一代模型，将形成"生成→污染→性能下降"的恶性循环。

将流行病学SIRS模型映射到AI数据污染场景：S（高质量人类数据）、I（被污染数据）、R（过滤/标记数据），并允许R→S转换。数学模型为微分方程组： dS/dt = -βSI + δR dI/dt = βSI - γI dR/dt = γI - δR 参数含义：β（感染率，AI内容渗透速度）、γ（恢复率，检测过滤效率）、δ（免疫丧失率，过滤机制局限性）。

项目提供MATLAB代码，含ODE求解器（支持参数扫描、初始条件变化）、可视化工具（时间序列图、相图、敏感性分析）及预计算数据集。典型模拟结果包括：稳定平衡点（三类数据共存）、周期性振荡（生成与检测博弈）、临界点（污染爆发或净化成功）。

关键发现：提高检测率γ是控制污染核心；数据污染存在阈值效应，需早期干预；过滤机制需平衡精度与召回率（避免误删高质量数据）。政策建议：建立AI内容溯源机制、持续投资检测技术、保护人类创作数据多样性、限制递归训练AI生成内容。

模型局限：均匀混合假设、数据二分类简化、忽略技术进步、静态参数。扩展方向：多类别模型（区分内容类型/质量）、空间模型（跨平台/地区传播）、博弈论视角（多方策略互动）、结合机器学习理论（分析泛化能力影响）。