夜雨聆风
在学术上对于AI产生的内容进行检验已经由一个技术噱头变成了正常的步骤。知网等平台内置的检测系统会从句子结构、词语频率分布以及逻辑一致性等方面对文本进行量化分析，并且可以达到很高的准确率来辨别出机器批量生产出来的部分和人手写的那部分内容。于是就产生了一个矛盾：研究者本来是想利用人工智能提高自己的效率，但是由于文中出现了机械化的东西就会被认为属于学术不端的行为。问题不在于是否使用AI，而是在于怎样让AI输出的内容真正地融入到人文社会科学的研究当中去。这不是一次简单的润色，而是对语言风格、论证逻辑以及思维方式的一次彻底改造。
重新构造句子的骨架
大语言模型产生的文本中有一个比较明显的特征就是它的句法结构非常工整。喜欢使用“首先”、“其次”和“最后”这样的固定格式来连接句子，或者常常出现“值得注意的是”，“这就证明了……”。这些模式形成了一个“指纹”，作为判断一篇文章是不是由人工智能所产生出来的主要依据之一。
应对策略的主要内容是对句子形式做“创新”。可以先把平均句长定为二十到四十个汉字左右，但是要穿插一些比较短或者非常长的句子来形成节奏上的差异。在讲完一个复杂的概念之后就可以用一句简单的句子来结束，比如说“但是，并不完全是这样的。”这种断层感也是人们在写作的时候常常会用到的一种手法。对于词语来说，则要主动地去替换掉人工智能常常用到的一些固定的表达方式，比如把对X进行分析变成研究X的本质、把X对于Y的影响很大改成X与Y之间有一种不易察觉的关系等等。此外还可以加上一些修饰词如“大致上是这样”、“差不多就是如此吧”，从而使学术讨论更加严谨一些，而不要像机器一样显得无所不知。
一个有效的改写指令可以这样设置：
禁止使用“首先”、“其次”、“最后”等程式化连接词，改为用“但是”、“比较而言”、“更为重要的是”等自然过渡词代替；长短句交错使用，并在同一段落中安排一个非常短的句子；在每个结论性句子前加上限制词，如“根据现有的资料”或“还需要做更多的研究”；将主要动作词语换成更具体、更具学术气息的词语，如“提出”、“质疑”、“重构”；删除所有“注意到了”及“这个发现说明了”等表述。
在这样的指令下，产生的结果不再是简单的“复制-粘贴”，而是对语言风格进行有针对性的改造。
文献综述从罗列到批判性对话
文献综述通常是AIGC检测的重点区域。AI擅长将多篇文章的大纲并排呈现，并以“研究发现X，Y发现Z”的方式展示。在检测系统看来，这便成了一个“缝合怪”。真正的学术综述应体现研究人员与文献之间的交流、批判性比较及深层次融合。修改后的思路应由“这是什么”转变为“为什么重要，与别的观点有什么区别”。在对比两种对立观点时，不能仅写“A认为X，B认为Y”，而应改为：A的观点基于对X因素做线性假定的前提，而B更重视Y变量的非线性效果。因此，分歧本身也反映了两种不同的理论框架。对提示词的设计，应让AI产生“比较分析”的思维方式。
可将命令写成：
“把下面一段文献综述重写一遍，达到如下目的：给每个引用过的文献一个主要论点或方法上的‘标签’，如‘支持者’、‘反对者’、‘修正派’；每遇到一次并列情况，就立刻加上一条批评性评价句子，例如‘但是该观点忽略了一些东西……’、‘另一种方式就是……’等；在最后提出一个问题或未解决的问题来结束全文。”
这样，输出的文字将由“信息堆积”上升到“知识对话”的层次，“人的感觉”和学术深度都会大为不同。
研究的方法与数据寻找平衡
人工智能在介绍研究方法的时候表现得不错，但是也存在不足之处。它可以准确地再现实验过程和数据处理的过程，但是没有人的视角。典型的人工智能生成的内容就是一份操作手册，并且按照“第一步”、“第二步”、“第三步”的顺序来排列。
人文学科的研究人员在写文章的时候就会把他们自己的思考过程、尝试的过程以及主观的看法都加进去。在对数据清洗的过程进行描述时，人文学者可能会说：最初我们采用的是阈值法来消除异常值，但是这样会导致样本数大大降低。权衡之后我们就选择用密度聚类的方法来做离群点检测了。“决定-反馈-修改”的叙述方式是人工智能所不能模拟的。
在做数据分的时候也一定要避免模板化的表达。人工智能给出的结果是“从数据上来看，X和Y之间存在着正相关的关系”。但是人文学科的研究者们会这样说：“数据展示出了这样一个令人惊讶的趋势：X与Y之间的关系并不是我们所想象的那种直线形的关系，而是一种U型曲线。”也就是说有一个没有被测量到的因素在起作用。”
可以给提示词加上这样一条命令：
在描述研究方法时，给每个主要步骤加一个“决策理由”从句，解释为什么选A而不是B；展示数据分析结果时，要用到“意外的是”、“但是更详细的分析显示”等自然语气，并加上适当的主观修饰词语，如“似乎”、“大概率是”、“还有待于继续研究”。
经过这种“主观化”处理的技术文本，会更加丰富多彩、生动形象，在认知上也更接近人类的思维方式。
文本合并与重复段落处理
把很多不同的东西加在一起的时候最容易出现的问题就是机械式的拼凑，从而造成重复与逻辑断裂的现象。解决这个问题的办法是“融合”，而不是“拼接”。一种有效的做法就是对相同的元素进行“概念整合”。对于同样的一个事物但是用不同方式来表达的情况，并不一定要直接复制粘贴过来，而是要先把它的本质特征概括出来之后再从各个角度去描述。第一部分主要是讲“概念A产生的原因”，第二部分侧重的是“概念A的发展历程”，那么合并后的结果可以写成：因为对传统的B理论产生了怀疑才有了“概念A”。但是它的意义并不是一成不变的，在经历了多次批判、修改之后就成为了一个更宽泛的框架。
在提示词的设计上，要给出明确的“压缩”指令。例如：
把下面两段文字合在一起，要求找出其中相同的中心思想或论点；把相同的地方总结成一句话，作为新段落开头；把不同的案例和观点作为补充句子，加到主题句后面；保证合并后的内容逻辑通顺，不出现“上面所说”、“同样”等词语。
这样做的目的不仅仅是把文字符号加总起来，更重要的是把思想内容也融合到一起，从而提高文本原创性的本质水平。
由“对立”走向“共存”
实际上，AIGC检测遇到的问题不是技术上的难题，而是我们对于“学术写作”的边界的认识不同。如果我们把人工智能看作是可以被训练出来的“作者”，那么就可以用精准的提示词来避免风险了。但是从长远的角度考虑的话，我们应该把人工智能当作思考的过程之一来利用它。当我们要求人工智能产生更加人性化的内容的时候，在某种程度上也等于是反问：什么是真正的学术写作呢？就是那些零零碎碎的语言、模棱两可的态度以及带有人为因素的选择吗？不完美的地方就构成了学术写作里面的人性和灵魂所不能替代的部分。
-END-
