外审专家也在用AI审稿,作者不服怎么办?编辑部真正缺的不是检测工具,而是处置规则

周五在四川省期刊协会编辑培训班上，有位编辑老师提了一个现场很多人都在点头的问题：现在连外审专家也开始用 AI 审稿了，如果作者发现后投诉，说自己“不服这个审稿意见”，编辑部到底该怎么处置？

这个问题之所以扎人，不只是因为 AI 已经进入了同行评议环节，更因为它一下子把编辑部推到了一个很尴尬的位置。完全不用技术辅助，未必符合现实；但如果审稿意见已经明显不像是专家本人独立形成的判断，作者质疑评审是否公正，编辑部又很难只靠一句“这是专家意见”把事情压过去。

说到底，这件事真正考验的，不是编辑部会不会识别 AI，而是有没有提前把边界和规则写清楚。外审专家用了 AI，到底只是润色了表达，还是已经让工具介入了评议判断？作者提出异议后，编辑部是继续沿用这份意见，还是补外审、换专家、重新说明程序？如果这些问题在制度上没有预案，争议一来，编辑部就只能临场判断，而这恰恰是最容易失去公信力的时候。

这已经不是个别现象

过去一段时间，关于作者使用 AI、编辑部使用 AI 的讨论很多，但审稿人使用 AI 这件事，正在从边缘问题变成编辑部必须正面处理的现实问题。国际出版伦理和出版商政策的变化，其实已经说明了这一点。

COPE 近年持续把人工智能列为重点议题。2026 年公开的一则案例中，编辑部就遇到一种相当典型的情况：部分审稿意见看起来很完整，措辞也很流畅，但和稿件内容并不真正匹配，编辑因此怀疑审稿人使用了生成式 AI。COPE 给出的建议并不是一句简单的“禁用”，而是把问题重新拉回到同行评议的本质上来，即审稿意见是否仍体现了专家独立判断，稿件保密义务是否被破坏，期刊是否事先明确了审稿人使用 AI 的边界和责任。

这背后还有一个更现实的背景。今天的同行评议本来就承受着不小压力。稿件数量增加，审稿周期拉长，愿意稳定承担审稿工作的专家并不宽裕。对部分审稿人来说，AI 提供了一种几乎没有门槛的“提速”工具。有人拿它润色语言，有人拿它梳理提纲，也有人直接拿它生成大段评审意见。问题就在这里。只要编辑部没有提前把这些情形区分开，所有“用过 AI”的情况就会被混成一团，最后既不利于判断，也不利于处置。

更麻烦的是，作者的敏感度也在上升。作者未必反对一切技术辅助，但如果一份审稿意见空泛、脱靶、套话多，甚至对自己稿件的研究设计、数据处理和核心结论都没有真正触及，那么作者质疑的就不只是“专家是否用了工具”，而是“这份评议到底是不是认真读稿之后作出的专业判断”。一旦质疑落到这一层，编辑部面对的就不再是普通沟通问题，而是程序公信力问题。

外审用AI，不能混成一种情况

现实中，很多争议之所以越吵越乱，就是因为“外审用了 AI”这句话本身太笼统。它至少包含三种性质完全不同的情形。

第一种，是纯语言润色。也就是说，专家已经完成了自己的判断，只是对自己写好的审稿意见做语法、措辞或表达上的局部调整。这类情况最容易引发争议，因为很多审稿人会把自己的 AI 使用描述为“只是润色一下”，而编辑部也往往最难判断它到底停留在表达层，还是已经进入实质评议层。

第二种，是借助 AI 整理和生成审稿框架。比如，审稿人把稿件摘要、结论、图表信息，甚至作者的研究问题和主要结果输入 AI，让它帮忙总结优缺点、归纳问题或生成修改建议框架。到了这一步，AI 实际上已经不只是帮忙把话说顺，而是在参与评议意见的形成过程。它未必直接替代专家，但已经在影响专家如何组织和输出判断。

第三种，是直接代写审稿意见。把稿件内容输入 AI，让系统生成一份完整或大部分完整的评审报告，再由审稿人稍作修改后提交。无论这种意见看起来多么完整，这种做法对同行评议的伤害都最大。因为同行评议之所以成立，不只是因为系统里提交了一份“意见”，而是因为这份意见应该来自一位具备相应学术判断能力的同行，在认真阅读稿件之后所作出的专业评价。

所以，编辑部首先要做的，不是急着判断“要不要一刀切禁用”，而是先把问题拆开。只有拆开之后，后面的政策设计和争议处置才有可能真正落地。

编辑部要看的，不只是“像不像AI写的”

一谈到这个问题，很多编辑第一反应都会落到“怎么识别”上。这很正常。因为面对一份看起来流畅、完整、却总觉得哪里不对的审稿意见，编辑当然会希望有一个更明确的判断抓手。现实工作中，一些编辑部也会把腾讯朱雀之类的检测工具作为辅助筛查手段。这类工具不是没用，它们确实可以帮助发现一些异常文本特征，作为编辑判断的线索之一。

但问题也正在这里。检测工具再有参考价值，也只能是线索，不宜直接当结论。COPE 在相关讨论中其实也提醒过，AI 检测并不总是可靠，语言润色、翻译辅助等操作，也可能让文本呈现出某些“像 AI”的特征。如果把检测分数直接等同于违规证据，既不稳，也很容易引出新的争议。

比起“AI 痕迹高不高”，编辑更该回到审稿意见本身去看几个更关键的问题。

第一，这份意见到底有没有针对稿件的具体问题提出判断。真正读过稿子的专家，通常不可能只给出一堆正确但空泛的话。他会触及研究设计是否成立、方法是否可靠、论证链条哪里断了、数据支撑够不够、文献使用是否失衡、创新点是否被高估。这些判断不一定都长，但往往都很具体。

第二，这份意见和稿件到底对不对得上。有些审稿意见看起来很工整，甚至语气也很专业，但细看之后会发现，它谈的是任何一篇文章都能套用的共性问题，却没有真正进入这篇稿件最关键的研究对象和论证结构。这样的意见，即便不是 AI 生成，也不算高质量；如果再叠加 AI 参与嫌疑，风险就更高。

第三，这份意见有没有体现出同行评议最重要的东西，也就是专家本人的独立判断。同行评议不是语言比赛，也不是格式比赛。语言是否流畅，从来不是最重要的。真正重要的是，编辑能不能从这份意见里看到一位同行认真读稿之后留下的思考痕迹。

从这个意义上说，AI 检测更像一个提醒器，而不是裁判。它能帮你发现异常，但不能替你完成编辑判断。

作者投诉后，编辑部怎么处置

当作者明确提出质疑，说自己“不服这个审稿意见”时，编辑部最怕的其实不是争议本身，而是没有一套拿得出手的处理框架。因为没有规则，编辑的每一步都像是在临场拍板，越解释越容易显得随意。

我认为，至少可以按四步来处理。

第一步，先看有没有触碰硬红线

先判断的，不是“到底是不是用了 AI”，而是有没有触到底线。

比如，审稿人是否将未公开稿件上传到了开放式生成式 AI 平台。这个问题之所以重要，是因为很多国际出版商已经把它当作保密义务问题，而不只是工具使用问题。未公开稿件、作者信息、审稿过程材料，本来就不应被审稿人随意交给外部系统处理。只要这一条被突破，问题性质就已经很不一样了。

再比如，审稿意见是否明显由 AI 大段生成，或者是否存在未按期刊政策披露的实质性 AI 介入。如果期刊原本就有明确政策，那么有没有违反政策，是编辑部首先要查清的。

第二步，不要只凭检测结果直接定性

即便高度怀疑，编辑部也不宜只拿一个检测结果就下结论。更稳妥的做法，是把多种信息放在一起看。

包括这份意见的质量和针对性如何，是否与稿件真正匹配，是否体现了专家独立判断，审稿人本人如何解释，期刊既有政策写到了什么程度。只有把这些放在一起，编辑部的判断才更能站住脚。

这里有一个很现实的区别。编辑部最终需要处理的，不一定是“文本是不是 AI 写的”这个纯技术问题，而是“这份意见还能不能作为可信的审稿依据”。两者不是一回事。后一种判断，才是编辑部真正需要作出的判断。

第三步，必要时补外审，而不是硬用这份意见

如果编辑部对一份审稿意见的可靠性已经无法确认，那么最稳妥的方式往往不是继续沿用，而是补充外审，必要时更换审稿人。

这一点其实很关键。因为一旦编辑部自己都说不清这份意见是否可靠，却还拿它支撑录用、退修或拒稿决定，那么作者对程序正当性的质疑就会被进一步放大。相比之下，补外审虽然会增加一点周期成本，但它至少能把程序重新拉回到可说明、可追溯的轨道上来。

第四步，个案处理完，制度必须补上

如果这次争议暴露出期刊并没有明确的 AI 审稿政策，那么事后最重要的工作不是“把这一单处理过去”，而是尽快把规则补上。

至少有几个问题应当写清楚：审稿人能否使用 AI，允许到什么程度，是否必须披露，哪些情形属于红线，一旦违规，编辑部会采取什么措施。没有这些内容，下一次遇到类似问题，编辑部大概率还会回到今天的被动状态。

个案可以靠经验处理，但规则空白一定会把同样的问题反复送回来。

“AI只是帮我润色”为什么最难判断

现实里，最难处理的，往往不是明显的 AI 代写，而是那句听起来很轻的解释，“我只是让 AI 帮我润色了一下”。

这句话之所以麻烦，不是因为它一定不真实，而是因为“润色”这个词太宽了，宽到足以覆盖几种性质完全不同的行为。

如果审稿人已经独立完成了对稿件的学术判断，只是对自己写好的评审意见做局部语言调整，而且没有把完整稿件内容、作者身份信息或审稿过程材料输入外部系统，那么这种行为至少还可以讨论，它更接近表达层面的辅助。

但如果所谓“润色”，实际上已经包含了把稿件摘要、核心结果、图表信息甚至作者回复内容交给 AI，再让它帮助归纳问题、形成意见方向，那么这就不再只是修饰语言，而是在实质上影响评议形成。这类情况才是编辑部真正需要提高警惕的灰区。

至于把完整稿件交给开放式平台，让 AI 直接生成大段评审意见，再由审稿人做表面修改，这种情况其实已经很难再用“润色”来描述了。它本质上是在用一个模糊说法掩盖实质性的代写和替代判断。

所以，对编辑部来说，关键不是跟着“润色”这个说法走，而是把这句话拆开来问清楚：你到底输入了什么内容，AI 参与到了哪一步，它影响的是表达，还是判断，是否涉及保密信息，是否符合期刊既有政策。只有这样，灰区才有可能被真正管理起来。

比检测更重要的，是先把规则写清楚

很多时候，编辑部会本能地把希望寄托在更精准的检测工具上，仿佛只要检测足够准，问题就解决了。但坦白讲，这件事走到最后，真正决定编辑部是否被动的，往往不是你有没有一个更高分辨率的技术工具，而是你有没有一套说得清、用得上、出事时拿得出来的规则。

因为作者质疑的，从来不只是“这段话像不像 AI 写的”。作者真正质疑的是，这份评审意见是否还值得信任，编辑部是否真的守住了程序公正。同行评议之所以有说服力，不是因为流程里出现了一份格式完整的文字，而是因为这份文字背后应当站着一位对内容负责的同行专家。

如果这条线守不住，作者不服的就不只是一位审稿人的意见，而是整套评议机制的可信度。

所以，编辑部现在最该做的，不是继续争论 AI 能不能用，而是尽快把两件事写成明文规则。第一，审稿人到底能用到哪一步。第二，一旦作者提出异议，编辑部应该按什么程序处置。只有把这两件事写清楚，编辑部面对下一次类似争议时，才不至于再次陷入“感觉有问题，却无据可依”的局面。

如果你的编辑部最近也在讨论审稿人能否使用 AI，这个问题其实已经不适合继续停留在“感觉上不太妥”这一层了。真正需要尽快补上的，是一套写得清、用得上、出事时拿得出来的规则。下面这份试行清单，供大家带回编辑部继续讨论。

一、先判断，是否触碰三条硬红线

红线一，是否将未公开稿件上传至开放式生成式AI平台
如果已经上传，问题首先不是“写法像不像 AI”，而是保密义务是否已经被突破。

红线二，是否由AI直接生成主要审稿意见
如果主要评议内容由 AI 生成，原则上不宜将该意见作为核心决策依据。

红线三，是否违反期刊既有AI使用政策或保密要求
如果期刊已有规定，就先按规定判断。如果尚无明确政策，则应同步进入个案评估和制度补缺。

二、再评估，这份审稿意见还可不可以用

可从五个维度判断。

1. 针对性
是否准确回应了稿件的研究问题、方法、数据和结论，还是停留在任何文章都能套用的空泛评价。

2. 专业性
是否体现出同行专家应有的学科判断，是否提出了具体、可执行的修改意见。

3. 匹配度
审稿意见是否与稿件核心内容明显错位，是否出现对稿件并不存在内容的评论。

4. 独立判断痕迹
是否能看出审稿人真正读过稿件，是否只有语言流畅，却缺少实质评价。

5. 风险信号
是否存在返回时间异常快、套话过多、结构过于工整但内容空泛、对关键研究设计和数据问题几乎无触及等情况。

如果这五项里已经出现明显问题，编辑部就不应再把重点放在“检测分数高不高”，而应转向“这份意见是否还值得信任”。

三、编辑部处置四步法

第一步，留痕
保存审稿意见原文、系统提交时间、往来沟通记录。若使用检测工具，只作为辅助线索留档，不单独作为定性依据。

第二步，沟通
向审稿人发出核查询问，重点问四件事：
1. 是否使用 AI 工具
2. 使用到哪一步
3. 是否上传稿件或相关材料
4. AI 参与的是语言润色，还是意见生成

第三步，决定是否补外审
出现以下任一情形，建议补外审或更换审稿人：
- 审稿人拒绝说明或长期不回复
- 审稿意见与稿件内容明显不匹配
- 编辑部无法确认该意见体现专家独立判断
- 作者已明确对程序公正提出异议

第四步，制度回补
个案处理结束后，应尽快补充或修订：
- 审稿人AI使用政策
- 保密要求与禁止事项
- 披露义务
- 违规后的处理措施
- 审稿系统勾选确认条款

四、“AI只是帮我润色”时，编辑怎么判断

可讨论的低风险情形
审稿人已独立完成判断，AI 仅用于局部语言表达优化，且未上传完整稿件、作者身份信息或审稿过程材料。

高风险灰区
将摘要、结果、图表、作者回复等输入 AI，请其帮助归纳问题或组织意见。此时 AI 已明显参与评议思路形成。

不应接受的情形
将完整稿件输入开放式 AI 平台生成评审意见，或由 AI 代写主要审稿内容后直接提交。

五、建议期刊尽快补上的五条制度条款

1. 是否允许审稿人使用AI
建议明确写清，是允许、限制允许，还是原则禁止。

2. 允许到什么程度
建议至少区分“仅语言润色”与“不得参与学术判断、不得生成主要审稿意见”。

3. 是否必须披露
建议写明，审稿过程中凡使用生成式 AI，应向期刊披露用途与范围。

4. 哪些内容禁止输入外部系统
至少包括未公开稿件全文、作者身份信息、审稿意见、编辑决定信、作者修改说明等。

5. 违规后怎么处理
建议至少包括，该份审稿意见不作为核心决策依据，补外审或更换审稿人，对审稿人进行标记、提醒或暂停邀请。

六、可直接放进邀审邮件或审稿系统的提示语

请审稿人在接受邀审前确认：

• 不将未公开稿件及相关材料上传至开放式生成式AI平台；
• 如使用AI辅助，仅限期刊允许范围；
• 不以AI替代本人独立学术判断；
• 如使用生成式AI辅助审稿意见形成，将按期刊要求进行披露；
• 违反上述要求所提交的审稿意见，期刊有权不予采纳，并视情况调整后续审稿邀请。

参考来源

COPE. COPE Focus on artificial intelligence.
https://publicationethics.org/cope-focus/cope-focus-artificial-intelligence

COPE. Editors suspect that reviewers are using artificial intelligence.
https://publicationethics.org/guidance/case/editors-suspect-reviewers-are-using-artificial-intelligence

Nature Portfolio. Artificial intelligence (AI) policies.
https://www.nature.com/nature-portfolio/editorial-policies/ai

Elsevier. The use of generative AI and AI-assisted technologies in the review process.
https://www.elsevier.com/about/policies-and-standards/the-use-of-generative-ai-and-ai-assisted-technologies-in-the-review-process

Elsevier. Generative AI policies for journals.
https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

Wiley. AI guidelines.
https://www.wiley.com/en-us/publish/article/ai-guidelines/

Taylor & Francis. AI policy.
https://taylorandfrancis.com/our-policies/ai-policy/

SAGE. Artificial intelligence policy.
https://www.sagepub.com/journals/publication-ethics-policies/artificial-intelligence-policy

IEEE. Submission and peer review policies.
https://journals.ieeeauthorcenter.ieee.org/become-an-ieee-journal-author/publishing-ethics/guidelines-and-policies/submission-and-peer-review-policies/

ACM. Peer review policy.
https://www.acm.org/publications/policies/peer-review

The Conversation. The peer review system is breaking down. Here’s how we can fix it.
https://theconversation.com/the-peer-review-system-is-breaking-down-heres-how-we-can-fix-it-275317