LLM助力健康谣言分析：解码YouTube上牛尿疗法的修辞策略

本研究利用多模型LLM分析100段YouTube视频，揭示健康谣言传播者与辟谣者使用的不同说服策略。研究涵盖GPT-4系列、Gemini 2.5 Pro等主流模型，构建14类说服策略分类体系，为虚假信息治理提供新方法与启示。

在社交媒体时代，健康谣言传播成为全球挑战。当传统文化信仰与现代科学话语交织时，问题更棘手——某些"传统智慧"缺乏科学依据。牛尿疗法是典型案例：印度传统文化视其有净化治疗功效，但现代医学缺乏验证；YouTube上推广者与辟谣者观点对立。

研究选取100段YouTube视频转录文本，使用GPT-4系列（GPT-4、GPT-4o、GPT-4.1、GPT-5）、Gemini 2.5 Pro、Mistral Medium 3等模型分析。构建14类说服策略分类体系，包括权威诉求、功效诉求、阴谋框架、社会证明、反驳策略等。

推广者策略：依赖功效诉求（描述治愈疾病、健康益处）、社会证明（成功案例、正面反馈）、传统权威（阿育吠陀经典/宗教文本），诉诸情感经验而非科学证据。 辟谣者策略：采用权威诉求（医学研究、卫生机构声明）、直接反驳（质疑逻辑漏洞）、证据展示（实验数据/临床结果），诉诸理性与科学方法。

研究验证LLM在文化话语分析中的可靠性，人机标注一致性90.1%。这表明LLM能准确识别复杂说服策略，14类分类体系区分度明确，自动化标注可作为大规模分析有效工具，为AI健康谣言监测提供方法论基础。

1. 文化敏感性：健康谣言根植深层文化信仰，简单删除/标记易引发反弹，需理解修辞机制设计干预策略。
2. 差异化应对：针对推广者的社会证明/功效诉求，可展示多元声音、强化科学证据可见性。
3. 自动化监测可行性：LLM高准确性为构建实时监测系统提供可能。

局限：样本仅英语内容，遗漏其他语言社区；横截面分析无法捕捉策略随时间演变；文化特定性可能限制结论推广。 未来方向：扩展多语言多平台分析；纵向追踪谣言生命周期；开发实时干预工具早期打击谣言。