AI让论文更好写，学术诚信如何“不掉链子”

谈起这两年AI给编辑工作带来的变化，《科技通报》编辑吴頔最先想到的是“论文篇幅变长了，工作量变大了”。

吴頔告诉中青报·中青网记者，以前的论文初审主要关注选题、格式和复制比。如今，编辑还要辨别语言是否空泛、论证有没有实质内容，以及那些格式规范的参考文献，能否找到真实存在的原文。吴頔遇到过一些稿件，语言流畅但内容空洞；公式化摘要像套用模板；引用看着齐全，顺着数字对象唯一标识符(DOI)查找，却打不开相应文献。

尽管AI也在帮助编辑完成语言润色、格式整理等重复性工作，但在吴頔的观察中，科研诚信审查和原始材料核查的压力随之上升，“单靠查重率远远不够”。

当AI从原来的简单润色修改、检索文献进一步深入到数据分析、研究推理以及同行评审，学术出版面临的学术诚信问题也越来越复杂：一项成果是怎样形成的，哪些环节由AI工具参与，谁核验过其中的事实，又由谁为最终发表的内容负责？

在10月举行的2026世界青年科学家峰会——青年科学家与一流期刊共生发展论坛上，英国物理学会出版社亚太出版总监杨萍萍展示了一组数据：过去3年，该出版社投稿量增长55%，但同行评审中可以送审的文章率从63.5%降到44.5%，同期发文量仅为28%。

在杨萍萍看来，10年前的编辑部评审流程“没有现在这么复杂”，许多涉及学术诚信问题的判断相对简单和直接；而如今，随着论文工厂、AI涉及的图片操纵等问题更加难以辨识，编辑部需要在送外审之前，花更多时间判断作者身份是否真实、引用是否异常、稿件是否具备送审条件。出版社还成立专门的科研诚信团队，在稿件发表前后开展调查。

吴頔观察到，AI普及后，文章批量生产更快、洗稿更自然、跨语言改写更多，套路从“一眼假模板”变成“看着挺像正常论文”。他介绍，常见信号包括投稿账号或邮箱/IP异常、摘要高度模板化、审稿人推荐造假、内容很完美但原始数据缺失。

吴頔表示，随着一篇文章涉及的各类学术诚信问题识别难度更高，现在更依赖“系统数据+人工核查+原始材料”组合。针对参考文献，编辑部使用专门软件筛查，再对作者信息异常、期刊名错误、DOI无法访问、引用内容与原文不符等情况复核；针对数据和图片，则核查原始材料、统计一致性、图片元数据，以及是否存在重复拼接等问题。

北京邮电大学计算机学院教授鄂海红团队从文本、实验、图文一致性和引文关系等维度研究问题论文的识别。团队建立的模型系统会对科学图像进行特征比对，尝试识别AIGC生成的图像。

“如果是画流程图或示意图，在这种场合下可以用AI，只需要在投稿时正确地声明使用情况。”鄂海红表示，对于来自真实世界的实验图像，例如医学上本身应该取自真实临床病理的图片，如果是使用AI一键生成的话，这时候就需要帮助编辑把它识别出来。

浙江省公共政策研究院研究员高艳东在接受中青报·中青网记者采访时表示，AI介入学术科研并没有让学术不端的类型完全改变，而是使知识生产过程变得更加不透明。

“一段文字、一张图片乃至一个研究结论，都可能经过人工智能的深度介入，传统上通过文本比对识别问题的方式就不够用了。”高艳东说，学术诚信治理需要从单纯检查最终成果，转向关注资料来源、生成过程以及人工审核。

AI率检测无法成为学术不端的唯一判断依据

在高校，随着AI生成技术、规避检测的手段和检测工具不断更新，用AI工具检测学生论文AI率早已演变成一场“猫鼠游戏”。中国人民大学教授李彤在指导研究生论文的过程中，除了常规查重，也会检测论文的AI疑似率，但他认为，这类工具只能作为参考，无法直接作为认定依据。

李彤解释，检测工具本身基于概率模型，类似“用魔法打败魔法”。他记得，有学生面对70%的AI疑似率追问：“到底哪句话是AI的，有什么证据证明？”检测工具能提供一个数值，却未必能清晰界定具体内容的来源。

吴頔也表示，编辑部目前只将AIGC检测结果作为参考，不会据此“一票否决”。出现疑点后，更重要的是回到稿件本身，要求作者提供原始数据、图片、分析代码及AI使用说明，再结合审稿人的质疑开展核查。

在鄂海红看来，人工写作后由AI编辑、AI生成后再由人工修改润色，与全文一键生成，应当作更细致的区分，才能帮助编辑审查AI在文章中发挥了什么作用。她强调，技术可以承担检测、匹配和线索整理，最终仍需专家解释证据、作出科学判断。

编辑：HN008