知名學術誠信追蹤網站 Retraction Watch 在 2025 年 12 月 2 日發表了一篇名為《The case of the fake references in an ethics journal》（倫理學期刊中的虛假文獻案）的深入報導。由國際知名出版商 Springer Nature 出版的《Journal of Academic Ethics》（學術倫理期刊），被查出 29 筆參考文獻裡至少 19 筆是捏造的，其中 18 個 Google Scholar 連結點開全是空的。黑色幽默的地方在於：出事的不是作者不懂倫理，而是他把 AI 生成的引用直接送出，少做了一個動作：逐筆查證。
你可能覺得這離自己很遠。可是同年 11 月，香港大學某學者與博士生合著的一篇人口學論文被揭發大量引用了由 AI 虛構的幽靈文獻，港大隨後介入調查並於 12 月公布了懲處結果。另外據報導，臺灣也有學者發現有碩士論文引用了他根本沒寫過的著作。這些人都不是想造假，他們只是把該自己扛的判斷，外包給了模型。
你有沒有算過，自己上一篇文獻回顧裡，有多少筆引用是 AI 幫你找、你卻沒點開原文確認過的？
這篇要給你的，是一條界線
我不打算談怎麼用 AI 寫得更快，我想談的是另一件事：在論文的每一個環節，AI 到底可以用到什麼程度，才既放大你的生產力，又守得住學術誠信。讀完，你會有一條清楚的界線，跟一套可以照著做的分工原則。
說穿了，研究生用 AI 的真正課題，關鍵從來就不在能不能更快，而在於哪些環節能用、可以用到什麼程度？
動手前：先把三方共識記下來
在打開任何一個 AI 工具之前，先把學術界的底線放進心裡。這不是某一家學術期刊的規矩，而是整個領域的共同前提。
COPE（出版倫理委員會）2023 年講得很清楚：AI 工具無法滿足作者資格，因為它無法對投稿負責，也無法處理利益衝突與著作權。ICMJE、Elsevier、Nature 的政策大方向一致：AI 不能掛名作者、使用要揭露、研究者對全部內容負最終責任。臺灣這邊也沒有例外，教育部學術倫理教育資源中心提出五大考量：驗證、著作權、個資保護、避免過度依賴、自我揭露；國科會的使用指引則據其政策要求不得完全信任 AI 產出，最終判斷不能取代人的自主思維。
把這一整段濃縮成一句可以貼在螢幕邊的原則，那就是：AI 是放大鏡，不是替身。可驗證性跟可歸責性，永遠留在你身上。
五個環節，界線各自劃在哪
接下來，讓我們一個環節一個環節來看，看看這條界線該劃在哪？
第一步：文獻探索，用它找跟讀，不外包判斷
讓 AI 幫你把一疊文件濃縮成摘要、整理不同學派的爭點、擴充你沒想到的關鍵字，這些都很好用。可是，這裡有一條紅線：AI 直接吐給你的參考文獻清單，請一律當成待查證，不是可引用。
前面那個數字不是嚇你。早期研究發現，ChatGPT-3.5 生成的文獻回顧裡約 55% 參考文獻是捏造的，就算換成 GPT-4 仍有近兩成出錯。每一筆引用，都要回到原始資料庫點開原文，確認它真的存在、真的說了你以為它說的話。
第二步：研究設計，把它當辯證夥伴，不是代打
這一步，最適合讓 AI 扮演你最挑剔的審稿人。把你的研究問題丟給它，請它反過來質問你：這題為什麼重要？你的變項會不會有內生性？有沒有你沒想到的替代解釋？
它幫你找盲點的價值，遠大於幫你生出一個設計。設計本身要你自己拍板，畢竟口試桌上，為每一個選擇辯護的人是你，不是模型。
第三步：資料分析，輔助可以，捏造不行
讓 AI 幫你把逐字稿整理成初步編碼、把統計結果翻成白話、檢查前後編碼一不一致，這些都是合理的加速。可是有一條 NEVER：不准讓它美化或補齊你的資料。它根本不知道你的資料長什麼樣，它只會生出看起來合理的東西。一旦這些結果進了論文，扛的是你的名字。
第四步：寫作與揭露，分清潤飾跟代寫
語言潤飾跟代寫，界線在哪？我的判斷標準是這樣：想法、論證、結構是你的，AI 只動怎麼把它說清楚這一層，這叫潤飾；如果連論點都是它生出來的，那就逾越這條界線了。
潤飾完，記得揭露。揭露不是認罪，是把你用了什麼、用在哪裡講清楚，讓別人能重現、能檢驗。多數學術機構或學術期刊的要求可以濃縮成一句：你必須能解釋研究裡受惠於 AI 的每一個部分，不能有連你自己都說不清楚的段落。
這個部分之所以要特別拉出來講，是因為它是我開課以來最常被問到的問題。在 AI 學術寫作課上，幾乎每一梯都有研究生問我同一件事：用 AI 幫我潤飾，尤其是英文那一段，這樣到底 OK 不 OK？還是只要 AI 一插手，就會被算成代寫？大家真正卡住的，從來不是要不要用，而是這個程度的界線該畫在哪。我的答案還是回到前面那句：動到的是表達，就還在潤飾這一邊；如果動到了想法跟論證，就不恰當，必須自己來過。
第五步：投稿與口試，讓它當你的陪練
這是 AI 最被低估的用法。投稿前，請它模擬目標期刊的審稿人，針對你的論文寫一封拒稿信，把最可能被打的點先攤出來，你就有時間補。口試前，讓它扮演最難纏的口委，連問你三輪，逼你把論證壓力測試一遍。
這種用法一點都不傷誠信，因為最後站上臺回答的還是你。請謹記：AI 只是陪練，不是替考。
三個最常見的疑問
用了 AI，到底要不要講？講了會不會顯得我不夠獨立？
倒過來想。如果藏著不講，一旦被發現，那才是致命的。研究估計 2024 年已有至少約一成論文帶著大型語言模型處理的痕跡，卻鮮少揭露，這正是各家政策一路收緊的原因。主動、清楚地揭露，反而是你研究夠嚴謹的證據。
反對的人說 AI 會傷研究訓練，這是真的嗎？
是真的，這點得誠實面對。美國麻省理工學院（MIT）媒體實驗室科學家 Nataliya Kosmyna 在 2025 年 6 月發表的研究〈Your Brain on ChatGPT〉，探討人類使用大型語言模型（LLM）時的腦波反應。研究發現，使用大型語言模型的人腦區連結最弱、對自己作品的擁有感最低，甚至難以準確引述自己剛寫完的內容，研究者稱之為「認知負債」。
但這不是要你別用的理由，而是所以要挑著用的理由。這些發現真正在說的是：把判斷、批判或論證這些最該練的環節外包出去，等於短路了你研究能力的養成。所以界線就劃在這裡：值得你自己動腦的地方，請留給自己；至於跑腿、搜尋或翻譯這些工作，才可以考慮交給 AI。
不同期刊規定不一樣，我怎麼跟得上？
請記住那條最低共識就夠了：AI 不能掛名、要揭露、人負全責。細節有分歧，有些要求事前經指導教授核准，有些只要求事後揭露。投稿前花十分鐘讀一次目標期刊的 AI 政策原文，遠比背下所有規則來得實在。
下一步：今天就做這個小練習
如果你只想從這篇文章帶走一件事，那就帶走這句話吧：善用 AI 的最高標準，是每一段內容都能解釋、每一筆文獻都查得到、掛名的人扛得起。
翻開你手上正在寫的稿子，找出所有 AI 幫你生成或改寫過的段落，逐一問自己那三題。如果有答不出來的地方，就是你還沒真正把它變成自己研究的地方。
請把最該自己動腦的環節留下來，這部分需要你親力親為。
如果你希望把這套界線變成投稿前隨手可查的清單，我整理了一份「AI 學術誠信自我檢核表」，帶你在送出論文之前，逐段確認每一筆引用查得到、每一段都解釋得清楚、掛名的人扛得起。歡迎點此免費索取，把這條界線收進你的研究日常。
常見問題
語言潤飾跟找 AI 代寫，界線具體畫在哪？
想法、論證、結構是你的，AI 只動怎麼把它說清楚這一層，這叫潤飾。如果連論點都是它生出來的，那就違反學術倫理了。這是開課以來最常被問到的問題，答案一直是同一句話，因為判準本來就不在於你用了多少 AI，而在於誰負責思考。
AI 生出來的參考文獻，真的有那麼多是假的嗎？
有，而且比例高到會嚇到人。研究實測過，前一代模型生成的文獻回顧裡超過一半的參考文獻是捏造的，換成更新的模型仍有接近兩成出錯。這些假書目的可怕之處在於格式完整、作者與期刊都像真的。所以每一筆引用都要回到原始資料庫點開原文，確認它真的存在，沒有例外。
用 AI 會不會傷害研究訓練？
有證據指向會。MIT 媒體實驗室 2025 年的一項研究發現，使用大型語言模型那組受試者的腦區連結最弱、對自己作品的擁有感最低，甚至難以準確引述自己剛寫完的內容，研究者把這個現象稱為認知負債。所以問題不在用或不用，而在你有沒有保留自己動腦的環節。全部外包出去，省下的時間會從別的地方跟你討回來。
每個期刊的 AI 規定都不一樣，我怎麼跟得上？
不必背，記住最低共識就好：AI 不能掛名、要揭露、人負全責。剩下的差異多半落在事前核准還是事後揭露這個層次。投稿前花十分鐘讀一次目標期刊的 AI 政策原文，比記住十本期刊的規則有用得多，而且那十分鐘可以省掉退稿。
