重磅|笔谈5则:AI参与论文写作,如何披露人机互动全过程?

AI参与研究与写作已然成为普遍的现象，但对AI参与全过程的公开披露仍然是颇具奇异感的学术事件。尽管有中外机构发布了规范指引和使用指南类文件，如何实施并无模版可循，尚处在尝试的初阶。

2026年第8期本刊出版《“超越图灵测试：全球首个‘AI一作’大型社会实验全景报告”专刊》，为推进2026年五部委联合印发的《“人工智能+教育”行动计划》中要求的“围绕自然科学、工程科学和哲学社会科学……加快探索智能时代科研新范式”作出了积极而重要的探索；其中的5篇实验样本，要求作者完整披露人机互动的详细过程，这在国内学术出版中尚属首次。披露人机互动的全过程，具有科学知识生产范式转移的意味，也是学术研究和论文写作的新方法和新技艺。5篇实验样本发表之后，我们又特别组织本期微信，邀请5位作者作为亲力亲为者，有所侧重地谈谈自己的所见所得所感。5篇笔谈各择一点，合读恰成一条完整的链：郭沛篇回答“披露什么”——关键判断节点；程一可篇回答“为何披露”——让质控方法接受同行检视；刘嘉豪篇提供“心法”——判断与品味的养成与留痕；冯骐篇界定“定位”——把AI当作合作者，贡献可比照、责任须人担；孙江山篇给出“操作链”——输入、执行、验证、披露、分级五步核查。合而成之，庶几为人机共创写作过程披露的一份最小可行范式。

本期微信，不设置“原创”，以便其他公号转载。也期待诸位同行转发传播，相互交流，共同探索，加快探索智能时代科研新范式。

郭沛

（内蒙古师范大学教育学院）

写完这篇论文再回头看，我发现一开始对论文中的人机协作理解得太省事：我来定方向，AI协助写初稿、生成代码、做图，最后由我修改。真做起来，分工远没有这么整齐。麻烦的地方往往不是谁写了哪一段，而是一些判断到底从哪里来、又由谁负责。现在回头看，最值得披露的是几个关键判断节点：问题怎么提，机制为什么改，结果如何核，责任由谁负。

比如“公平性反弹”这个核心猜想，不是在聊天框里碰巧得到的，而是来自我对政策长期效果的追问：短期公平改善以后，会发生什么？后面的模型也遇到类似问题。AI最早给出的知识增长和倦怠累积比较线性，看起来能跑，也容易解释，但放进教育场景就别扭。我把它改成逻辑斯蒂增长，又给倦怠加入非线性项。改完以后，结果的形状才和我想讨论的机制对上。

论文披露里如果不写这些，就很容易变成一张工具清单：用了什么模型、提了多少轮、AI写了多少字。信息不少，读者还是不知道论文的关键判断是谁做的。这次论文正文由AI首次生成的初始文本约占四成，我们如实写了。但这个数字只能回答一部分问题，后面为什么改、怎么改，仍要说清。我们后来尽量把过程写细，也不是为了显得规范。AI列出文献后，我逐条查出处；配对t检验的结果，我用Python重新算；模拟数据要求固定随机种子，参数表、伪代码和敏感性分析都留下来。能复现的部分尽量复现，不能完全复现的随机性也直接说明。

论文里也公开了部分提示词。起初想，要不要把几百轮对话都贴出来，不贴是不是显得不够透明。后来发现，提示词能说明我怎样下指令，却不能代替对结果的判断。比逐字公开更重要的是，关键证据能查、关键选择能解释。

还有一点我是在定稿后才想明白：论文中的人机协作里，返工比初稿更能说明问题。一句“多轮迭代”听起来很顺，但读者看不到中间发生了什么。实际上，有些初稿被推翻，有些结论因为检验不够被删掉，结果部分也是重新梳理逻辑后才连成一条线。把这些“不顺”的过程写出来，比只报一个贡献比例更有用。比例能说明文字从哪里来，未必能说明学术判断是谁做的。

所以，我现在更愿意把披露写成一条判断链：研究问题由谁提出—模型机制为什么修改—关键结果怎样复核—最终责任由谁承担。AI做过的部分照实写，人作出的判断也要留下依据。读者能沿着这条链追到结论，披露就不只是自证清白。

郭沛  等 | 《基于多智能体模拟的教师轮岗政策效应研究——来自“教育生态系统”模型的仿真证据》内容详介及研究与写作过程披露声明

程一可

（南京农业大学公共管理学院）

参与本次“AI作为第一作者”的科研实验，我们一直在思考一个现实问题：当论文主体绝大部分由AI产出，这项研究的学术价值，该如何获得同行的认可？

不少人将过程披露简单等同于记流水账：罗列模型版本、统计对话轮次、粘贴几段提示词。但在我们的实践中，披露记录的，其实是规避大模型固有缺陷的人机协作方法。面对近1.6万条会话数据，受限于模型上下文能力，我们设计了“小样本代码生成+本地大数据运行”的工作模式；针对万字长文章易出现的逻辑失控、内容幻觉问题，我们采取“提纲先行、分段生成、分段校验”的写作方式；同时辅以跨模型校对、人工逐条核验参考文献等质控手段。完整公开研究全过程，就是把这套风险应对思路公之于众。它未必代表这套方案已经完美，却可为同类研究提供可借鉴的实践样本，也留给同行检视这套质控策略的空间。

更为关键的是，过程披露夯实了人机共创论文的可信基础。传统实证研究，写清研究方法，结论便拥有复现检验的基础。人机共创研究则有所不同：AI输出自带概率随机性，即便提示词完全一致，两次生成结果也可能存在差异。仅阅读最终成文，同行很难区分：哪些发现来自真实数据规律，哪些属于模型幻觉，哪些关键判断源于人类研究者的约束、纠偏与把关。

过程披露留存的交互轮次、样本规模、查重与AIGC检测结果、事实核查流程等内容，正是研判研究可信度的重要证据。如实完整呈现人机协作全过程，同行才具备充分依据，对研究成果开展完整审视与评判。过程披露不是人机共创论文的加分项，而是它进入学术共同体审视程序的门槛：没有这道门槛，人机共创的学术价值就无从被同行认定。期待学界持续讨论人机协作的学术伦理与披露范式，共同守护生成式AI时代的科研诚信底线。

程一可  等 | 《人机协同视域下的深度认知支架——基于12824条学习者-GenAI多轮对话的滞后序列分析》内容详介及研究与写作过程披露声明

刘嘉豪

（浙江大学教育学院）

人机共创正在改写社科写作行为。传统“提出问题—文献梳理—构思论证—语言表达”的线性链条，正在被算法辅助选题、生成式框架搭建、对话式论证推进与多模态表达重新组织。写作由过去相对连续、封闭的个人劳动，转变为对话式、模块化、迭代式的人机共创。然而，效率提升的另一面，是提示词依赖造成思考惰性、模块化拼贴对论文有机整体性的消解、文本均质化造成学术审美的隐性降格。因此，问题不再是“用不用AI”，而是“人机共创如何写出好文章”。

技术改变的是写作过程，而不是好文章的基本标准。好文章强调“半透明的双层结构”，即表层清楚、顺畅，让普通读者读得下去；底层经得起概念、逻辑与事实的检验，让专业读者有所收获。智能时代，好文章更应突破专业共同体的内部循环，进入更广阔的公共生活。不能囿于发表、评奖、立项的小循环，而要让学术文本进入公共对话与社会实践的大循环，成为连接专业研究与公共生活的公共品（项飙，2025）。当AI能快速生成规范化文本，真正稀缺的，恰恰是算法难以完整表征的活态经验，如田野中未被理论化的细节，生命里未被统计的情感，实践中未被言说的摩擦，以及人面对这些经验时所作出的判断与取舍。

在黄荣怀教授指导与启发下，我将多文体写作训练归纳为一条可执行的“写作六法”工作流。一是纵横式理解法，把主题放回纵横语境，先弄清来龙去脉与关系网络。二是熔断式读书法，在心动处停驻，追问它触动了什么、关联什么、证据何在，再落笔转化。三是提问式思考法，用“为什么、是什么、怎么做”层层追问将问题想透。四是框架式架构法，把零散判断组织成清晰易懂的结构。五是模块化高强度间歇写作法，把长文拆成二十至三十分钟可完成的小模块嵌入日常。六是多元角色迭代法，以读者、创作者、批判者身份打磨初稿。六法并非并列清单，而是“理解—触发—追问—架构—产出—校验”的闭环，先由人形成判断，再让AI参与整理、生成与润色，最后由人核验事实、逻辑与表达。前两法决定文章上限，后四法决定完成效率。六法在生成式人工智能普及之前已然适用，在人机协同中依然有效。其中，纵横式理解法与熔断式读书法尤其关键，前者形成对语境的判断，后者沉淀个人的品味；其余方法，更多是将判断与品味转化为文章的路径。

人机共创中尤须铭记：“通顺，不等于想清楚；完整，不等于正确；专业表达，不等于专业判断”（智擎荒野，2026）。随着机器智能持续进阶，知识重组、框架生成、语言润色会越来越廉价，真正升值的，是人对语境的判断力，以及在深度阅读与独特实践中形成的学术品味。判断力是对真伪、对错、适切与偏颇的辨识与裁决，学者需回归现场、回归对话、回归常识，纵横把握一个主题的来龙去脉与现实网络。它决定我们相信什么、保留什么、质疑什么，也决定AI生成的众多可能性中，哪些值得被写下来。品味是对好与平庸、深刻与浮泛、独特与均质的鉴别力与感受力。它不是语言装饰，而是在长期阅读、真实经验和反复比较中形成的尺度，决定一篇文章最终具有什么气质、温度与分量。AI可以生成文本，但只有人能赋予文本以思想重量与公共温度。人机共创的终点，不是机器写得像人，而是人借机器写得更像自己、更贴近时代、更走向公众。

刘嘉豪 | 《从加速、模拟到生成：人工智能融入教育科研的演进图景与本体论省思——一项基于对抗性AI-Delphi法的元研究》

冯骐

（华东师范大学信息化治理办公室）

两个人合写一篇文章，可以由一方提出问题，另一方搭起框架，再一起讨论、修改。改到后来，有些句子是谁先写的，可能已经分不清了。这不妨碍双方说明各自的实质贡献，并对最后的文章负责。

我想，与AI一起做研究、写文章，也可以从这样的合作关系来理解。

我们已经习惯把AI称为“智能体”，但在谈论它的贡献时，往往仍把它放在工具的位置，主要想到查资料、改措辞。可在实际研究中，AI已经能够设计实验、完成实验，参与数据分析和结果讨论。这些事情发生在动笔写论文之前，也是研究的重要组成部分。同样的工作交给一个人做，我们会把他看作合作者。AI承担了这些工作，我也会有相似的感受。

因此，我更愿意在协作时把它当作合作者来对待：有事情可以交给它做，有想法可以与它商量，也可以请它对我的判断提提意见。这不涉及AI是否具有人格，只是认真对待它参与研究的能力。至于它参与到哪一步，可以根据任务来定，不必预先限定它只能做辅助工作。

和人合作一样，背景要说清楚，任务要分得合适，中间也需要沟通。比如请AI设计实验，先讨论方案，再检查执行过程和结果，必要时调整方向。有时需要改的是它的方案，有时也会发现，是自己一开始没有想明白。这些来回讨论和调整，也是合作的一部分。

所以，谈到过程披露，我比较关心的是读者能否由此了解研究是怎样完成的。具体可以分开说明两件事：一是贡献，人和AI各自完成了哪些实质工作；二是责任，人类作者进行了哪些核查、由谁对最终成果负责。人与人合作时怎样说明实质贡献，人机合作也可以照此处理。AI做了重要工作，就如实交代；与研究判断无关的零散交流，则不必一一记录。逐句区分“人写的”和“AI写的”，或是计算一个生成比例，未必能说明真正的研究贡献。

这里有一点需要单独说明：AI可以参与工作，但最终的责任只能由人承担。作者要理解并认可文中的观点，对实验和数据进行必要的核查，也要能在研究受到质疑时作出有依据的回答。不能因为某项工作来自AI，就少核实一遍，更不能出了问题再把责任推给它。例如，一项研究可以这样披露：“AI参与实验方案设计，完成代码编写与运行；人类作者修订方案、核查代码与结果，并对最终成果负责。”具体分工照实写，不必套用同一种合作模式。

坚持学术诚信、尊重版权和他人的权益，本来就是研究与写作共同的要求，人机共创自然也在其中。在这些要求之外，我倾向于不再仅仅因为AI的参与，另加一套限制。具体怎样合作，可以留给作者在实践中摸索。

我希望，将来谈起一项研究，我们可以很自然地说，这是我和AI一起做的。接下来聊的，是研究本身有什么发现、哪些地方还值得推敲，就像今天我们介绍自己与同事合作的成果一样。

冯骐 | 《从“孤岛”到“共识”：基于生成式多智能体社会模拟的教育改革观点演化机制研究》内容详介及研究与写作过程披露声明

孙江山

（华南师范大学教育信息技术学院）

避免AI幻觉，不能只靠提示词里一句“不要编造”，而要把验证贯穿“输入—执行—验证—披露—分级”全过程。人机共创中，AI可以参与生成、运算和讨论，但关键判断与最终责任必须由人类作者承担。

第一，守好输入关，“垃圾进，垃圾出”。参考文献、原始数据、变量定义、清洗规则必须由人类掌控，不能让AI代劳。只让AI基于我们提供的PDF、数据表工作。虚构文献、案例和数据，多是缺少特定输入时开放域生成的幻觉。因此，所有引用文献应由人类作者提供，AI生成的参考文献只能视为草稿，经人类作者审查后才能进稿。华东师大“AI一作”实验中出现12.71%的“文献绝对虚假”，正是开放域生成失察的典型后果。

第二，执行关键事实与推理时，人类必须接管。AI可以写代码，但代码要由人类作者运行并检查结果；AI可以润色文字，但数字和结论要由人类作者确认。我们的研究原本想证明AI个性化教学有效，结果却是零结果。最终，我们决定“反向写作”，批判个性化路径的实证基础。这个转折点来自人类对数据的重新解读，而不是AI。若让AI主导，它可能顺着原假设编出“显著有效”的假象，这正是幻觉的温床。返工、删改和重新解释，往往比初稿更能体现学术价值。

第三，用约束和交叉验证抑制幻觉。人机合作要求人类作者先熟悉研究框架，能提供给AI足够运算执行的材料，并在提示词中明确指出：只基于给定材料生成，材料不足就标出，禁止编造。撰写文献综述时，可要求AI逐条给出原文位置，再由人类作者检查。抽样核对、跨模型校对、保留关键节点对话日志，都是低成本高收益的做法。外部知识指导、检索增强也能降低AI幻觉，但不能消除，最终仍需人类作者把关。

第四，透明披露与责任兜底。人类作者应提供详细的AI使用情况，包括工具版本及提示词关键字、生成部分及人工修改部分等。披露是让读者看清关键证据能否查、关键选择能否解释、核心贡献来自哪里。AI目前无法承担学术责任，最终责任必须由人。

第五，建立分级制度。低学段、低介入可以鼓励探索；高学段、高介入必须有导师或机构伦理审查。目前程度的AI可作工具级、助理级、协同级协作者，论文中需要致谢、披露方法、标注贡献，还需要人类作者承担审计责任。未来如果出现有能力产生核心发现的主导级AI，届时AI已具备成为主要作者的贡献能力，即便如此，受限于责任能力的分离，也需要人类共同作者履行相关监护责任。

总而言之，人机合作论文从来都不应该是简单让AI写，而是人类提出问题、AI运算执行、人类负责验证、合作全程留痕。避免AI幻觉的根本，不是提示词中的一句“不要编造”，而是建立一条从输入到输出的验证链；AI可以参与工作，但责任只能由人承担，在这一过程中，人类作者不可缺席。

孙江山  陈姗姗 | 《“最优学习风格”不存在——大规模学习分析证明AI定制化教学无法超越通用优质教学》

—END—