《AI 赋能学术写作》| AI工具的优势与局限

本章介绍

本章将从理论与实践两个层面，深入分析AI在学术写作中的关键优势与潜在局限。

一方面，ChatGPT、DeepSeek等内容生成式AI工具的出现和普及大幅提升了科研工作的效率，帮助研究者拓宽了研究视野和创意边界，并能够助力初学者快速跨越语言、风格等写作壁垒，增强其在全球学术舞台上的表达能力。

但是另一方面，这些AI工具在使用过程中也暴露出信息准确性不足、学术伦理边界模糊、写作主体能力退化等问题，对科研学术生态的健康发展构成了无法忽视的威胁和挑战。

第一节　AI工具的三重优势

随着AI技术在语言理解和自然语言生成领域的迅猛发展，各类AI写作工具已经被不断地融入了学术研究和写作的日常实践中，凸显出其难以替代的优势。这些优势不仅体现在AI学术写作的速度上，更在于它在辅助研究者激发科研灵感和拓宽写作思路，帮助其跨越语言等写作障碍上带来的深层变革。

本节将聚焦AI写作工具在效率提升、灵感激发与障碍跨越三大维度中的具体表现，并结合当前学术界的实际应用，梳理AI技术在现实学术写作情境中的典型作用与潜在价值。

一、引发科研工作的效率革命

AI辅助工具在提升科研工作效率方面带来的影响，首先体现在其几乎可以无缝衔接地介入传统科研工作的全流程之中。Khalifa和Albadawy(2024)对PubMed、Embase和Google Scholar等数据库中自2019年以来出版的数百篇文献进行了系统性的评价，并根据AI在学术写作和研究中的应用的相关性，重点关注了写作辅助、语法改进、结构优化等方面，检索确定了24篇作为分析对象的学术研究论文，最终通过这些论文确定了AI目前在学术写作和研究领域中的六项核心功能：

一是协助生成研究创想和研究设计，包括通过头脑风暴、发现文献中的空白和形成假设来支持研究创想的形成，进行研究规划和研究设计；

二是改进论文内容和结构，包括进行文本扩展等写作辅助，通过大纲和情感基调搭建文本架构，支持视觉和多媒体整合；

三是支持文献综述和文献整合，包括提取和分析文献，合成文献述评汇总表；

四是加强数据管理和分析，包括数据集管理、数据分析和阐释；

五是支持编辑、审查和发布，包括文稿润色和校对，出版平台和期刊研究及内容定制等发表辅助和对评审反馈的支持和辅助；

六是协助沟通、展示和伦理合规，包括协助论文宣讲和演示，协助剽窃检测等伦理和诚信合规确认。

图2-1-1　AI辅助学术的六大功能领域

（图片来源：Khalifa, M. , & Albadawy, M. (2024). Using artificial intelligence in academic writing and research:an essential productivity tool. Computer Methods and Programs in Biomedicine Update,5.）

其次，AI技术对科研效率的影响还表现为大大缩减了科研工作所需的人力和时间成本。一般科研项目往往需耗时数年，在缺乏智能科技辅助的时期，其中有大量人力成本需要被投入核心科研工作以及围绕其展开的设备和项目管理、行政和后勤、合作与交流等外围工作中。

AI技术辅助科研首要的任务应是减少其中简单机械的重复劳动，如实验记录、文献管理、研究进度追踪等，缩减外围工作上的人力成本。当然，由于内容生成式AI在近年来的飞跃式发展，科研效率的提升首先反映在对科研人员的写作时间的成本优化中。大量学术写作任务原本需要耗时数周甚至数月，而现在借助AI系统，则可在数分钟内获得初稿。

以ChatGPT为例，用户只需在界面中输入研究主题，即可调用内置模型快速生成摘要、方法与结论草案，大大缩短了从构思到初稿的完成周期。

ChatGPT在科研和学术写作上的变革性作用也已经获得了不少研究结果的支持（如Al-Sofi,2024[插图]；Sok和Heng,2024[插图]；Altmäe等人，2023[插图]；Imran和Almusharraf,2023[插图]）。

其次，一些平台还提供全流程效率工具链，例如Grammarly等系统提供检测语法、学术风格、句型重复与引用合规性等功能，帮助用户在极短时间内根据写作目的调整语气，使论文在语言表达的逻辑上更具一致性。

最后，AI技术对科研效率的影响还表现在人机协同对科研工作模式的颠覆性变革上。个性化的科研工作机制将是人机协同模式的主要亮点。它可以根据每个科研人员的特长、需求和研究方向，提供定制化的支持和资源，不仅有助于提升单体研究者的效率，还能激发创新和跨学科思维。

由于每个研究领域的需求和方法都不同，AI可以通过分析研究者的研究方向、实验数据和研究方法，提供个性化的解决方案。研究者在工作中还需要不断地学习和积累新的知识，AI可以根据个人的研究兴趣和过往的研究历史，定期为研究者推荐相关的文献、课程、工具和前沿信息。

此外，科研工作往往是一个协作性很强的过程，AI还可以帮助研究人员建立个性化的科研社交网络，推荐最合适的合作伙伴。

通过人机协同，科研人员能够获得全方位的深度支持，涵盖从实验设计到数据分析，从文献推荐到合作机会的各个方面，AI系统可以根据个人需求进行精准定制，不仅提升了研究效率，也激发了研究创意，从而推动科研的发展。

二、作为激发灵感的创意支持

灵感贫乏、逻辑卡顿与思路混乱是学术写作者面临的普遍难题。AI工具以其数据驱动、模式识别和算法推理的技术特性，为学术写作过程注入了新的可能。

首先，AI的创意生成主要是由数据驱动的。AI可以通过分析大量数据，从中提取规律和模式，从而生成新的创意内容。AI能够发现并挖掘出数据中未被充分利用的部分，使之成为创新研究的新来源。

例如，AI可以分析不同来源的数据，如实验数据、临床数据、公开数据库中的数据等，整合数据并寻找其中潜在的价值。

通过这种方式，AI能够帮助研究者发现新的数据集或数据源，从而推动形成新的研究问题或研究方向。

此外，AI在整合和革新跨学科研究方面也具有巨大潜力，是连接不同领域的桥梁（Khalifa和Albadawy, 2024）。AI可以通过整合和分析跨学科的知识和数据，帮助科研人员发现不同领域之间的潜在联系。例如，AI具备分析复杂生物数据的能力，可以通过整合遗传学、生物信息学和药理学的研究结果来助推医学研究的进步。

其次，AI具有通过识别模式形成创新联想的能力。AI擅长在复杂的、非线性的数据中识别出某些特定的规律和模式，这种能力使得AI在图像识别、语音识别、自然语言处理等任务中往往表现非常出色。它通过训练模型来识别输入数据的特征，并基于这些特征做出预测或决策。

AI的这一技术特性也为科研人员提供了新的创意源泉。例如，AI的模式识别能力使其能够发现数据中的异常值或反常趋势，这些异常点往往是科研创新的源泉。在科研中，异常数据或结果有时能够为新发现提供线索，AI可以自动标记并突出这些异常点，帮助科研人员从不同寻常的结果中发现新的研究创意。

最后，AI的思维过程是基于算法的推理。其核心优势在于通过系统化、逻辑化的计算过程推断出潜在的规律、假设和创新方向。这一特性使其摒弃了人类决策模式中通过常识、情感或直觉做出判断的部分，减少了因个人好恶或社会偏见等而阻碍创意生成的可能。

同时，AI的推理能力还可以用于创建复杂的仿真和模拟环境，帮助研究者测试不同的创意和假设。例如，在社会、物理、气候、生态学等领域，AI可以构建复杂的仿真模型，基于不同的输入参数推理出不同的结果，从而帮助科研人员测试和验证新的理论和实验设计。通过这些模拟，研究者可以快速发现可能的创意，从而高效地推动研究进展。

三、实现突破壁垒的能力跨越

在学术写作中，由于受自身能力的限制和外部环境的影响，研究者常常面临一些在短时间内难以突破的壁垒，这不仅影响了他们的写作效率，还可能限制其研究成果的传播和交流。

首先是语言和表达障碍。对于以非英语为母语的研究者而言，语言一直是其进入国际学术发表体系的主要障碍之一。在过去十年间，机器翻译技术的长足进步，尤其是神经机器翻译的普及，使得这一隐形壁垒正在被加速打破。Selim(2024)通过对EFL（English as a Foreign Language，英语作为外语）学生的访谈和问卷调查，发现Grammerly和ChatGPT等AI工具对学术写作技能的提升具有重要意义，强调AI工具是对传统写作技能的宝贵补充，提出了通过创建动态的、技术驱动的学习环境，可增强EFL学生的学术写作能力[插图]。

此外，学术写作有其独特的风格。与创意写作不同，学术写作的语言往往要求简洁、准确、严谨。如果不熟悉这种写作风格，往往会导致论文结构不清晰、表达模糊、逻辑松散。因此，对于研究生等学术新人来说，具备学术风格指引和调整功能的AI写作辅助工具也将是其尽快掌握学术语言的一件必备利器。

其次是学术规范和格式要求上的障碍。不同的期刊对文章的格式要求差异较大，包括引用格式、标题风格、文献列表等细节。如果不遵守这些规定，论文就很可能会被拒绝或需要重大修改(major revision)。这对于研究者来说，无疑是时间和精力上的极大浪费，也阻碍了研究成果获得及时的传播和交流。

以文献列表格式来说，国内外存在多种不同的引文格式，如APA（American Psychological Association，美国心理学家协会）格式、MLA（Modern Language Association，现代语言协会）格式、GB/T 7714—2015[插图]等。正确引用文献是学术写作中的重要部分，但手动输入引用文献耗时费力又容易出错，EndNote、Zotero、Mendeley等AI文献管理工具的出现为破除此类障碍提供了便利。

最后是同行评议和出版发表上的障碍。同行评议是学术写作中的一大难题，尤其是当评审对论文提出大量修改建议时，如何在返修期限内有效回应评审意见并修改文章，成为研究者需要面对的挑战之一。

同时，研究者在面对较为消极的评审结果时，可能也会感到沮丧和困惑，甚至影响自信心。此时，Writefull、PaperRater等AI工具可以根据评审的反馈，自动分析评审意见，并提供有针对性的修改建议。

此外，选择合适的期刊进行投稿也是科研写作中的一大实际问题。期刊的质量、审稿周期、影响因子等都会影响投稿的成功率。研究者可能因缺乏经验或有效信息，而难以找到最合适的期刊。此时，如爱思唯尔等出版商提供的期刊推荐工具Journal Finder等，能基于论文的摘要、标题、关键词等分析数据库中期刊的相关性，为研究者推荐最合适的期刊进行投稿，以提高投稿成功率。

第二节　AI工具的三重局限

AI工具在为科研工作和学术写作带来便利的同时，也显现出一系列不容忽视的局限性。研究者在使用此类工具的过程中，常面临内容真实性不明、引用不规范、责任界限模糊等问题。与此同时，对AI生成文本的过度依赖还可能削弱研究者自身的语言表达能力和批判性思维能力，造成学术写作风格上的同质化。因此，本节将从信息准确、学术伦理与使用依赖三个层面系统性地探讨AI工具的风险结构与应对思路。

一、AI幻觉下的准确性隐患

尽管当前大语言模型已在自然语言生成方面取得显著突破，但“信息幻觉(hallucination)”问题依然是AI系统的结构性短板。目前，学术界还没有对AI幻觉的一致性定义（Maleki等人，2024）[插图]。

“幻觉”一词最早被用于AI领域是在2000年左右，当时幻觉仍然被视为计算机视觉研究中的宝贵资产，而不是一个需要规避的问题，因为它能使低分辨率图像变得更有用（Baker和Kanade,2000）[插图]。

Wiseman等人(2017)在一篇高被引文章中提到，当语言模型假定了可能性，但最终生成的内容却是不正确的，并且没有任何信息支持时，就出现了AI幻觉 [插图]。

因此，所谓AI幻觉主要指的就是AI在文本生成过程中出现的虚构事实、错误引用、数据拼凑等情况。

OpenAI在2023年发布的技术报告中就已经明确指出，即使是GPT-4，其在文本生成过程中仍可能出现虚构信息或事实错误的情况，特别是在自由生成类任务中仍存在幻觉现象[插图]。

笔者在试用GPT-4.5等系列模型的过程中发现，其提供的文献信息如作者、年份、来源期刊等的准确率较高，但是在涉及论文的具体内容时，仍存在不少编造信息的情况。Schneider等人(2025)分析了2023—2024年在高影响力的神经外科期刊上发表的100篇随机选择的论文，发现大约有20%的论文都包含AI生成的部分。

他们认为，在学术写作中必须采用和遵循更为严格的指导方针，以避免由于AI幻觉的存在使得论文中意外被引入虚假内容[插图]。瑞典布罗斯大学学院研究人员在谷歌学术平台中发现了上百篇疑似由AI生成的文章，这些由AI生成的“垃圾科学”正在侵蚀学术平台，意味着恶意行为者能以更低成本制造和传播虚假科学，对社会和科研界来说都是一种危险情况[插图]。

在中文环境下也存在类似问题。不少用户在使用DeepSeek生成文献综述段落时发现，工具虽然能够结合关键词生成逻辑清晰的叙述结构，但在具体引用中经常拼接年份、模糊作者姓名，甚至虚构并不存在的文献。

在某些专业学科中，信息错误带来的影响可能更为严重。例如，在医学或法律论文写作中，一条错误数据或概念解释可能误导整个研究推论，甚至产生伦理和法律后果。因此，研究者在引用AI工具生成的内容时，务必秉持实事求是、小心求证的谨慎态度，通过专业数据库人工核验文献信息和文献内容，确保文本中涉及的研究成果真实、可信、可追溯。

二、责任归属和隐性剽窃的灰色地带

AI工具在学术写作应用中的普及引发了一个关键性问题——当学术文本不再完全由人类生成时，责任该由谁承担？根据《自然》杂志的报道，截至2023年，全球已有逾1万篇学术论文被撤回，其中有9408篇论文出自欣达维(Hindawi)旗下的出版社，除了“同行评审欺诈、论文工厂和出售作者身份”等常见撤稿原因外，“使用AI”正在成为撤稿的一大主因[插图]。

目前，包括《自然》《科学》《细胞》(Cell)《柳叶刀》(The Lancet)和《美国医学会杂志》(JAMA)在内的世界顶级期刊均发表声明称，AI不具有作者资格，使用人工智能的研究人员应在稿件中加以说明。

国内也有许多学术期刊已经提出将隐瞒AIGC在论文中的使用视为学术不端。例如，2023年2月10日，《暨南学报》发布《关于使用人工智能写作工具的说明》，称“暂不接受任何大型语言模型工具单独或联合署名的文章，如果在论文创作中使用过相关工具，需单独提出”[插图]。

目前，学术界对于AI是否能作为学术主体持有较为统一的观点，即AI无法履行如签署伦理声明、回应学术质疑等作者义务，出现学术不端时亦无法追责，因此不具备主体地位，不应被列为作者。

但除了责任归属外，在实践中还有更为复杂的“隐性剽窃”的问题。大多数AI模型都是通过海量数据训练的，但其在输出时并不会直接标注引用来源。

因此，研究者可能会在有意无意间将AI生成的内容作为原创观点，而实际上这些内容可能来自其他已发表或未正式发表的论文或学术资料，如果未正确引用，就可能构成隐性剽窃。

这种隐性剽窃不仅存在于文本形式的内容上，也可能存在于AI辅助生成的代码或图表上。例如，某AI工具在生成Python回归分析代码时，其核心逻辑可能高度近似于另一平台上一个公开仓库的算法，尽管变量名与注释已被修改，但其思想实质并未发生变化。

当涉及此类“复制”行为时，应如何界定其原创性？在这方面，目前仍没有统一标准和有效规范。因此，多数出版机构、期刊以及高校均要求研究者合理披露在论文创作过程中使用相关工具的情况。例如，2023年9月20日，中国科学技术信息研究所与爱思唯尔、施普林格·自然(Springer Nature)、约翰威立国际出版集团(Wiley)三家国际出版集团共同发布的《学术出版中AIGC使用边界指南》（中英文版）中就提到，研究人员使用生成式人工智能(Generative AI, GenAI)直接生成的稿件文字等资料必须明确披露和发表声明，否则将构成学术不端行为。

三、工具依赖与能力退化下的主体性冲击

除了技术和伦理维度，AI写作工具带来的另一个重大隐忧是依赖性使用的蔓延。一旦研究者过度依赖AI进行段落扩写、结构生成，甚至引文编排，将不可避免地削弱其自身的语言表达与认知能力。

语言生成模型对惯用词汇和句型的高频使用，可能导致写作内容呈现出明显的同质化趋势。笔者在高校的实际教学中发现，学生在使用AI辅助写作时，论文在语言上存在结构雷同、表达模式趋同的现象，尽管查重率可能不高，但仍令人难以忽视其明显的机械拼接风格。如Marzuki等人(2023)[插图], Huang和Tan(2023)[插图]以及Malik等人(2023)[插图]对AI辅助学术写作的效果进行研究后发现，过度依赖这些工具可能会限制个人的创造力，并降低对写作标准进行自主评估的能力。这些研究者们均强调，AI工具应当作为学术写作的辅助工具而不是替代品。

以批判性思维、决策思维和分析思维能力为代表的认知能力是科学研究和高等教育中的关键能力（Soufi和See,2019）[插图]。

Dwyer(2023)将批判性思维能力定义为认知能力和批判性思维倾向的混合体，强调寻求真理、系统评估、推理和解决问题时的自我调节等技能，包括了解情况的愿望、考虑多种观点的能力、识别关系、反思性思考、寻求证据、怀疑、尊重他人的观点和宽容性 [插图]。

决策能力对于处理和分析包括研究和教育领域在内的复杂信息至关重要，研究和教育也反过来培养熟练的决策能力（Duhaylungsod和Chavez,2023）[插图]。

分析思维则体现了对数据的深入探索和批判性解读，这对于解决问题和做出明智的决策来说至关重要（Pokkakillath和Suleri,2023）[插图]。

人工智能系统在很大程度上改变了人们在研究和教育中进行批判、决策和分析的方式（Gao等人，2022）[插图]。对AI系统的过度依赖也会损害这些关键认知技能，造成批判性思维的衰退（Dergaa等人，2023）[插图]、决策思维的钝化（Duhaylungsod和Chavez,2023）[插图]以及分析能力的下降(Grassini,2023)[插图]，成为认知懒惰滋生的温床。

本章小结

从当前的研究和实践来看，各类AI工具在提升效率、激发创意与突破壁垒方面均发挥了明显的作用。它们不仅打破了传统的个人写作的模式，改变了写作者与文本之间的关系，也形成了人机协同的新型知识生产形态，预示着未来科研生产模式和流程的新的发展方向。

然而，这种人机协作关系也需要设定边界。AI的任务是加速与辅助，而非僭越或取代。无论是构思还是论证，真正具有价值的学术创作依然依赖于研究者的思辨能力与问题意识。AI不应腐蚀学术主权，而应成为促进学术解放的工具。

正如目前学界主流所认为的，“发展人工智能包括发展AI4S（AI for Science，用于科学的人工智能）本身并不是目的，而是实现人类可持续发展目标的手段……

人类必须掌握和驾驭AI4S”。研究者在使用AI工具时，除了关注工具本身的功能差异与性能指标外，更应关注其与学术伦理、知识生成机制之间的关系，从工具使用者逐步转变为技术驾驭者，这也将是AI时代对研究者提出的新的能力要求。