# 学术写作去AI味方法总结（Grok 视角） > **一句话立场**：去 AI 味的正路，不是把机器稿「洗」成能过检测的假人稿，而是把思考、证据和判断真正写回你自己的学术声音里。检测分数会跟着下降，那是结果，不该是目标。 - **文档性质**：中英文公开资料综述 + 可操作改写手册（截至 2026-09） - **适用对象**：学位论文、期刊投稿、课程论文、基金申请书的作者 - **不适用**：代写、伪造数据、用「降 AI 神器」掩盖未完成的思考 --- ## 目录 1. [为什么要写这份总结](#1-为什么要写这份总结) 2. [AI 味从哪来：成因与可识别特征](#2-ai-味从哪来成因与可识别特征) 3. [检测工具在测什么：原理、报告、误判](#3-检测工具在测什么原理报告误判) 4. [去 AI 味的正确工作流](#4-去-ai-味的正确工作流) 5. [实用改写技巧：句式、用词、结构、衔接、语气](#5-实用改写技巧句式用词结构衔接语气) 6. [对照示例：AI 味重 vs 人工润色后](#6-对照示例ai-味重-vs-人工润色后) 7. [中文学术写作要注意什么](#7-中文学术写作要注意什么) 8. [英文学术写作要注意什么](#8-英文学术写作要注意什么) 9. [AI 辅助写作的边界与学术伦理](#9-ai-辅助写作的边界与学术伦理) 10. [期刊、学会与学校政策速览](#10-期刊学会与学校政策速览) 11. [常见误区与不该做的事](#11-常见误区与不该做的事) 12. [投稿前自查清单](#12-投稿前自查清单) 13. [附录 A：声明与披露模板](#附录-a声明与披露模板) 14. [附录 B：可给 AI 的改写指令（锁事实版）](#附录-b可给-ai-的改写指令锁事实版) 15. [附录 C：主要资料来源](#附录-c主要资料来源) --- ## 1. 为什么要写这份总结 2023 年以后，学术写作同时撞上两件事： 1. **生成式模型把「通顺、完整、像论文」的草稿成本压到接近零。** 2. **高校和期刊开始用 AIGC 检测当门槛**——国内常见的是知网、维普、万方；英文世界常见的是 Turnitin AI writing indicator、GPTZero、Copyleaks。 两边都不完全靠谱。检测器给出的是**统计相似度**，不是「是否作弊」的判决；网上大量「72% 暴跌到 2%」的教程，本质是教人对抗检测，顺带贩卖工具。真正被导师、审稿人闻出来的，往往不是某个百分比，而是： - 句子太匀、太顺、太空； - 没有作者自己的判断、取舍和失败经验； - 参考文献对不上、数据太圆、讨论没有锋芒。 本文件把公开可核验的原理、政策和可落地的改写方法收在一起，并明确一条边界： | 正当 | 不正当 | | --- | --- | | 用 AI 辅助检索、提纲、语法、对照自己的旧稿改口吻 | 让 AI 代写核心论证，再用改写器/回译/OCR 去痕后当原创提交 | | 把套话改成有证据的具体句子 | 故意插入假实验失误、假 forthcoming 文献、随机噪声来骗检测 | | 按规定披露使用了什么工具、用在哪一段 | 把「过了 AI 率」当成学术诚信已完成 | > **Grok 视角的核心判断**：AI 味是**写作问题**，检测是**风险管理工具**。把后者当主业，论文会越改越差；把前者当主业，检测分数通常会跟着下来，而且稿子对得起署名。 --- ## 2. AI 味从哪来：成因与可识别特征 ### 2.1 技术成因：模型在优化什么 大语言模型的训练目标是「给定上文，预测下一个最可能的词」。这会系统性地偏向： - **高概率词串**：每个位置都选「最稳妥」的词，文本对另一个语言模型来说过于可预测（低困惑度 / low perplexity）。 - **均匀节奏**：句子长度、段落深度、过渡方式缺少人类写作里那种忽长忽短、忽浅忽深的起伏（低突发度 / low burstiness）。早期 GPTZero 把这两项当招牌指标；2023 年秋以后它已改成深度学习分类器，但「太平滑」仍是各类检测器的共同信号。 - **训练语料里的成功模板**：英文互联网+论文摘要里大量「In recent years… However… In this paper we propose…」，中文互联网+学位论文里大量「随着……的快速发展……具有重要的理论意义与现实意义」。模型会把这些模板当成「像论文」。 - **讨好读者的默认人格**：模型被调教成「全面、中立、有条理、给建议」。于是你看到「一方面……另一方面……未来可进一步……」——正确，但没有作者。 中文还有一层额外的味：**翻译腔**。当前主流模型的内部表征仍以英文分析性句法为骨架，生成中文时经常出现「他给了我一个微笑」而不是「他朝我笑了笑」这一类合法但不自然的结构。读者闻到的「AI 中文」，很多时候就是民国以来被骂了一百年的翻译腔，只是现在被批量生产。 ### 2.2 可闻出来的表层特征（中英通用） 下面这些**单独出现都不定罪**。人类学者也用「综上所述」，也写排比。问题是**密度 + 同时出现 + 没有具体内容**。 #### A. 套话开头与套话收尾 | 类型 | 典型句 | | --- | --- | | 时代背景开场 | 「随着……的快速发展 / In recent years, … has attracted increasing attention」 | | 重要性空评 | 「具有重要的理论意义与现实意义 / paves the way for a transformative paradigm」 | | 预告结构 | 「本文将从三个方面展开论述。首先……其次……最后……」 | | 安全结尾 | 「未来需扩大样本量进一步验证 / This study has several limitations that should be addressed in future work」 | #### B. 过渡词工厂 中文高频：「首先 / 其次 / 此外 / 与此同时 / 值得注意的是 / 不可否认 / 综上所述 / 基于以上分析」。 英文高频：`Moreover`, `Furthermore`, `Additionally`, `It is important to note that`, `In conclusion`, `Notably`。 这些词本身合法。AI 的问题是**几乎每个段落都用它们起势**，读者还没读完就已经知道下一句不会有新信息。 #### C. 词汇时尚（会过时，但 2023–2026 很稳） 英文里被反复点名的词：`delve`, `underscore`, `tapestry`, `landscape`（比喻义）, `leverage`, `foster`, `navigate`, `holistic`, `pivotal`, `multifaceted`, `robust`, `cutting-edge`, `paradigm shift`, `to the best of our knowledge`。Pangram 等检测公司公开过频率：部分「AI 短语」在模型文本中可达人类的约 12 倍。 中文对应物不是单词，而是**评价性四字格和抽象动词**：至关重要、不可或缺、深入剖析、系统梳理、全面提升、赋能、助力、彰显、亟待、日益凸显。 #### D. 结构强迫症 - **三件套（rule of three）**：创新、变革且具有开创性；理论基础、实践应用、未来展望。 - **对称排比**：每条 bullet 语法同构、长度接近。 - **「不是 X，而是 Y」**：Y 往往比 X 更空（`It's not just about efficiency — it's about unlocking a new paradigm.`）。 - **破折号过密**：em dash（—）在部分模型输出中显著高于人类学术文本。它不是罪证（马克·吐温也爱用），**同一页方法部分出现三处以上**才值得警惕。 #### E. 内容层的空与圆 - **模糊归因**：studies show / 相关研究表明 / 据统计——没有作者、年份、样本。 - **数据过于光滑**：没有缺失、没有批次失败、没有「我们本来以为 X，结果是 Y」。 - **文献只有支持没有冲突**：综述像展览，不像辩论。 - **幻觉参考文献**：DOI 不存在、作者拼错、年份对不上。这是比「AI 味」更严重的学术不端风险。 - **自信的错误**：模型很少用符合证据强度的限定（hedging），却爱用 prove、demonstrate conclusively、充分证明。 #### F. 节奏与信息密度 | | AI 草稿常见 | 人写的学术文本更常见 | | --- | --- | --- | | 句长 | 15–25 字（中）/ 18–25 词（英）附近扎堆 | 短句砸重点，长句铺条件 | | 主语 | 连续「我们……我们……本研究……」或全程抽象主语（「该问题」） | 主语随论证需要切换 | | 信息 | 一句一个正确的空话 | 一句里塞条件、例外、数字、文献 | | 立场 | 「各有优劣，视情况而定」 | 在限定条件下给出可反驳的判断 | ### 2.3 什么不是 AI 味（白名单，别乱删） 中文学术惯例里，下面这些经常被「降 AI」教程误伤： - 「总而言之」「需要注意的是」「核心解释变量」——社科实证论文的正常骨架； - 「本文基于……面板数据，使用……模型实证检验了……对……的影响」——结论段标准句式； - 被动语态、长定语、「本研究/本文」、统计符号、项目号、国标引用格式。 英文里同样：`we find that`、`robustness checks`、`limitations`、被动语态的方法段、谨慎的 hedging（`may`, `suggests`, `is consistent with`）都是学术 register，不是套话。 > 原则：**只清「正确但空洞」的模板，不动学科里大家真的这么写的骨架。** 改完像外行，比留着一点套话更糟。 --- ## 3. 检测工具在测什么：原理、报告、误判 ### 3.1 共同底层：不是查重，是分类 传统查重（Turnitin Similarity、知网「复写率」）是**字符串/语义片段匹配**：你的句子像不像已发表的句子。 AIGC 检测是**风格分类**：这段散文像不像大模型会写出来的散文。一篇可以 0% 查重、80% AI；也可以高查重、低 AI（大量引用）。两套分数不要混着看。 公开可复述的信号大致有四层： 1. **统计层**：困惑度、突发度、词长/句长分布、n-gram 重复。 2. **词汇层**：特征词库（「综上所述」「delve」）密度。 3. **语义/结构层**：过度工整的「首先其次最后」、论证深度过于平均、数据表述含糊。 4. **分类器层**：用人类文本 vs 模型文本训练的 Transformer，对滑动窗口打 0–1 分再汇总。 没有一家会把完整特征工程公开。下面只写**厂商自己承认或专利/白皮书写过的东西**，商业博客里的「准确率 98.6%」一律当广告。 ### 3.2 Turnitin AI writing detection 依据 Turnitin 白皮书与官方 FAQ（2023–2026）： - **架构**：Transformer 分类器，训练语料含 AI 生成文本与真实学生/学术写作。 - **窗口**：把文稿切成约数百词（约 5–10 句）的重叠片段，每段输出 0–1 的「像 AI」概率；句子分数由它所在窗口加权平均，再汇总成全文百分比。 - **门槛**：英文散文通常要求至少约 300 词才给出稳定指示。 - **测的是散文**：公式、参考文献列表、部分引用块可能不进入或权重不同。 - **已升级的能力**： - 2023-12 起检测 AI 改写器/word spinner（如 QuillBot 一类）处理后的文本； - 2025-08 起增加 **AI bypasser / humanizer** 检测，专门打「为了躲检测而二次机改」的文本； - 2026 年起报告界面趋向**单色高亮**，不再仔细区分「纯生成」和「生成后再机改」——对教师来说都是「像 AI」。 - **官方自己写的限制**（必须记住）：指标**不能单独作为处分依据**；可能误判人类写作、AI 写作和 AI 改写文本；非母语写作者、高度程式化的方法/综述段更容易被标。 独立研究里，Turnitin 在部分基准上表现相对好，但仍是概率工具。把它当测谎仪，是误用。 ### 3.3 知网 AIGC 检测 知网官方表述是：以知网结构化文献大数据为基础，用「知识增强 AIGC 检测」，从**语言模式**和**语义逻辑**两条链路识别疑似生成片段。公开专利与媒体梳理出的流程更具体： 1. **信息量差值（2023 年专利思路）**：用模型改写待测文本，比较原文与改写版的信息量。差值小 → 原文本身就很「模型」；差值大 → 更像人写。 2. **多特征判别（2024 年专利思路）**：文本分类概率 + 逻辑偏离度 + 词汇扩散度 + 句长/字词分布等，综合打分。 3. **报告形态**：段落按颜色标「无风险 / 疑似 / 特征显著」，并给出疑似 AI 字符占比。医学摘要对比研究里，常见记分是未标色=1、黄=2、红=3。 高校实践中（媒体 2025–2026 毕业季报道，非国家标准）： - 本科常见红线大约 **20%–40%**，研究生往往更严； - 四川大学曾公示：文科不超过 20%，理工医科不超过 15%； - 部分医学院把研究生压到 15% 以下。 这些数字是**学校行政门槛**，不是「超过就是代写」的科学阈值。同一篇稿在知网、维普、万方、格子达、朱雀上的分数可以差一截，因为训练数据和阈值不同。 期刊侧实测更冷静。有研究用知网和鉴字源去测 ChatGPT 生成的法学摘要及「AI 改写」摘要，结论是检测系统存在**低准确度、高差异率、弱敏感性**，只适合当辅助分流，不能当定性依据。医学摘要的横向评估也发现：对「纯生成」还行，对「AI 润色人类草稿」误判和漏判都突出。 ### 3.4 其他常见工具 | 工具 | 公开可知的要点 | 使用时注意 | | --- | --- | --- | | GPTZero | 早期靠 perplexity + burstiness；2023 秋改深度学习。官方：perplexity 没有绝对刻度，>85 更像人只是旧经验。 | 适合自检风格，不适合当法庭证据 | | 维普 / 万方 / PaperPass | 国内学位论文常用备选或并行；特征词 + 语义分类，阈值各异 | **用学校指定的那一家做终检**，别拿 A 平台分数去赌 B 平台 | | Copyleaks / Originality.ai | 面向出版/SEO/企业，多语言能力强于早期 GPTZero | 假阳性随语言和体裁变化 | | 各类「降 AI 神器」 | 多数是换皮改写器 | Turnitin 已明确打击 bypasser；知网对「同义替换后语义骨架不变」也不吃这一套 | ### 3.5 误判：谁会被冤枉 斯坦福 Liang 等人 2023 年在 *Patterns* 上的结果至今仍被广泛引用：7 个公开 GPT 检测器对美国八年级作文近乎全对，对 TOEFL 非母语作文的**平均假阳性约 61%**；91 篇里 18 篇被全部检测器同时判成 AI。机制很直白——词汇窄、句式标准、可预测性高，看起来就像模型。 因此： - **非英语母语作者**用「更地道的词」润色，有时反而降低误判；但那是语言问题，不是「用 AI 洗稿」。 - **方法、公式说明、高度程式化的综述**容易中招。 - **中文「写得很规范的好学生」**也可能被标红。规范 ≠ AI。 > **对策（合法的那种）**：把检测报告当「哪些段落读起来像模板」的地图，而不是成绩单。优先改被标红、且你自己读着也空的段落。保留你的数据、术语、引用。不要为了分数把稿子改得不像你的学科。 --- ## 4. 去 AI 味的正确工作流 下面这套流程同时服务三件事：稿件质量、学术伦理、降低被标红的概率。 ``` 你的研究笔记 / 实验结果 / 文献卡片 │ ▼ ① 自己写骨架：问题、贡献、证据、限制（必须人写） │ ▼ ② 可选：AI 做检索摘要、语法、对照旧稿改口吻 │ （锁死数字、引用、术语，禁止发明细节） ▼ ③ 人工重写：注入你真正做过的事、你真正不同意的文献、你真正没想明白的地方 │ ▼ ④ 按期刊/学校要求写 AI 使用声明（该披露就披露） │ ▼ ⑤ 用学校指定平台自检 → 只处理「空 + 像模板」的标红段 │ ▼ ⑥ 导师/合作者通读：像不像你、证据有没有被改强 ``` 五条硬约束（改写时贴在屏幕上）： 1. **数字、p 值、置信区间、样本量、年份、DOI、公式一个都不能改。** 2. **不得加强原结论**（show 不能改成 prove；「相关」不能改成「导致」）。 3. **不得添加你没有的实验细节**来「增加人味」。没有的就写没有，或写限制。 4. **不得用二次 AI 改写器专门对抗检测。** 这正是 Turnitin bypasser 模型要抓的对象。 5. **作者必须能脱稿解释每一段在论证什么。** 解释不了的，删掉重写，不要润色。 --- ## 5. 实用改写技巧：句式、用词、结构、衔接、语气 ### 5.1 句式：打破「每句都正确的短平快」 **要做的：** - **长短交错。** 铺条件用长句，砸结论用短句。不要三段都 20 字。 - **合并同主语碎句。** AI 爱「我们做了 A。我们做了 B。我们做了 C。」人会写成一件事。 - **偶尔倒装或把状语提前**，但不要为了「不像 AI」去写病句。 - **主动 / 被动按功能选**：方法段被动很正常；讨论段用「我们发现……但表 3 并不支持……」更有作者。 - **中文去掉翻译腔骨架**：少用「是……的」、少用「进行 + 名词」、少把动词冻成「……的实现 / ……的提升」。 **不要做的：** - 故意写病句、随机插「之、其、亦」、把长句切成 ≤7 字——那是对抗脚本，不是写作。 - 中英来回翻译「打散指纹」。引入的错误比降分更危险，且语义骨架往往还在。 ### 5.2 用词：删空词，留术语 替换原则不是「换成更高级的词」，而是**换成你的学科里会说、且有所指的词**。 | 空的（AI 爱用） | 更像人的学术说法 | | --- | --- | | 具有重要意义 / pivotal / crucial | 直接写对谁、在哪个指标上、差多少 | | 深入剖析 / delve into | 检验 / 估计 / 比较 / 复现 | | 赋能、助力、全面提升 | 提高了哪一项、在什么样本上 | | leverage / foster / navigate | use, support, deal with；或写具体操作 | | 相关研究表明 | Zhang (2022) 在 n=… 的样本中报告… | | 综上所述 | 能删就删；要留就接一句**新信息**，不要复读 | 中文再加一条：**动词优先，去名词化。** - AI：「完成了模型性能的优化工作」 - 人：「把验证误差从 0.21 降到 0.14」 ### 5.3 结构：隐性层次，不要播报大纲 AI 喜欢先宣布地图再走路。人往往**边走边让层次出现**。 - 删掉「本文将从 X、Y、Z 三个维度展开」。 - 文献综述按**争论**组织，不按「国内 / 国外」或「第一篇、第二篇」展览。 - 方法段保留必要程式（这是学科惯例，不是 AI 味），但补上**你实际做了、而教科书没有的决定**：如何处理缺失、为何丢掉第 3 批、超参不是网格搜索而是沿用了哪篇工作。 - 讨论段允许「先浅后深」：先报与假设一致的，再报让你意外的，最后才谈外推。 段落长度也不要切得一样齐。短—长—中，比五段式更像思考过程。 ### 5.4 逻辑衔接：少用路标，多用内容钩子 过渡词是路标。路标太多，说明路面本身没有起伏。 | 弱衔接 | 强衔接 | | --- | --- | | 此外，该方法还有一个优点。 | 上一段的误差来自标签噪声；这一点在下一组实验里被单独拆开。 | | However, there are limitations. | The 95% CI for the rural subsample crosses zero (Table 4), so the average effect cannot be read as uniform. | | 值得注意的是 | 直接写那个现象。能删掉这五个字而句意不变，就删。 | 可以用的「人味」衔接（学术里适量）：让步（「当然，这一指标并不能完全衡量……」）、主动暴露文献冲突、用问题句收束上一段再回答。这些是正面证据，不是装饰。 ### 5.5 语气：有判断，有限定，有责任人 - **有立场**：在证据范围内给出可反驳的判断，不要永远「各有优劣」。 - **有限定**：样本、时期、识别假设写进句子里，而不是只在局限段集中道歉。 - **有责任人**：中文可用「本文」「我们」；英文方法/讨论用 `we`。不要为了「客观」改成全程「该研究认为」。 - **证据强度匹配动词**：相关 → associated with；机制没识别 → do not claim causality；一次实验 → show in this sample。 - **失败和意外比成功更像人**：前提是真的发生过。捏造「恒温箱设高了 5℃」来降 AI 率，是伪造。 ### 5.6 各部分的改写优先级 检测器和审稿人都会盯摘要、引言、结论。建议顺序： 1. 摘要（信息密度最高，最容易套话） 2. 引言最后一段贡献陈述 3. 讨论与结论 4. 被标红的综述段 5. 方法（只改空话，不改步骤） 6. 图表注（用自己的话读图，不要复述标题） --- ## 6. 对照示例：AI 味重 vs 人工润色后 下列例句全部是**教学用改写**，数字是虚构的演示，投稿时请换成你的真数据。重点看改了什么、没改什么。 ### 6.1 中文：引言开场 **AI 味重** > 近年来，随着人工智能技术的快速发展，深度学习在图像识别领域取得了显著进展，并在医疗、交通、安防等多个场景中得到了广泛应用。然而，现有方法仍面临诸多挑战。因此，如何构建更加高效、鲁棒且可解释的模型，具有重要的理论意义与现实意义。本文将从理论基础、实践应用和未来展望三个维度展开深入探讨。 **人工润色后** > 医院外的肺结节筛查仍然主要依赖二维 CT 切片上的人工阅片。三维卷积能吃到层间信息，但现有公开数据集里标注一致的三维病灶不到 4 千例，直接上大模型会过拟合到扫描仪品牌。本文不讨论「通用视觉基础模型」，只比较在同一批 1 210 例薄层 CT 上，二维切片网络和两种三维网络的召回率差在哪里、差多少。 改了什么：删时代背景和三维度预告；把「广泛应用」换成具体场景；贡献可检验。 ### 6.2 中文：方法空转 **AI 味重** > 为了提升模型效果，我们进行了很多操作。首先，我们通过清洗数据来优化输入。其次，我们增加了特征工程。最终，这些方法让测试集上的准确率提升了 5%。 **人工润色后** > 原始表有 12.4% 的缺失工资。我们按岗位×年份中位数填补，并丢掉工龄为负的 37 行。特征上只加了两列：本省最低工资对数，以及岗位在样本内的人数占比。测试集准确率从 0.71 升到 0.76；升幅几乎全部来自低收入组，高收入组没有变化。 改了什么：碎句合并；「很多操作」变成可复现步骤；5% 被放回基数和异质性里。 ### 6.3 中文：综述展览 **AI 味重** > 国内外学者围绕这一问题开展了广泛研究。Smith（2018）提出了 A 理论。李某（2020）从实证角度进行了验证。王某（2022）则进一步拓展了应用场景。综上所述，现有研究为本文奠定了坚实基础，但仍存在一定不足。 **人工润色后** > 这一支文献其实在吵两件事。Smith（2018）把技术采纳写成个体理性选择，所以政策含义是「降低使用成本」。李某（2020）用中国地级市数据复现了符号，但识别靠的是宽带试点，吃不到组织内部的惯例改写。王某（2022）把因变量换成了数字化投入，问题已经不是采纳，是预算。本文站在第二支：关心的是岗位被改写之后，工资结构有没有跟着动。 改了什么：展览变成争论；「坚实基础」删掉；本文位置清楚。 ### 6.4 中文：结果与讨论 **AI 味重** > 实验结果表明，所提出的方法在各项指标上均优于基线模型，充分证明了本方法的有效性与优越性。与此同时，本研究也存在一定局限性，未来将进一步扩大样本量并探索更多应用场景。 **人工润色后** > 主结果只在城市样本成立：处理组对数工资提高 0.046（s.e. 0.011）。农村子样本的 95% 置信区间穿过 0（表 4），所以平均效应不能写成「全面提升」。我们没有随机实验，只能说在平行趋势假设下与宽带试点一致。把结论推到全县数字化政策，证据不够。 改了什么：动词从「证明优越」降到证据允许的强度；局限具体到识别和样本，不是客套。 ### 6.5 中文：翻译腔 **AI 味重** > 该政策的实施对区域协调发展产生了积极的推动作用，并在一定程度上实现了资源配置效率的提升。 **人工润色后** > 试点后，劳动力从低生产率县转向邻近工业县，县域间劳均产出差距缩小了约 8%。这更像要素在动，而不是每个县自己「升级」了。 ### 6.6 英文：摘要套话 **AI 味重** > In recent years, artificial intelligence has attracted increasing attention and achieved remarkable success. However, existing methods still face crucial challenges. In this paper, we propose a novel framework that leverages cutting-edge techniques to delve into these intricate problems, paving the way for a transformative paradigm that will revolutionize the field. **人工润色后** > Continual learning systems still forget. We treat forgetting as a measurable trade-off between adaptation speed and retention on three control tasks, and we report the Pareto front rather than a single accuracy number. On Split-CIFAR-100, the proposed regularizer cuts average forgetting from 27.4% to 18.1% without a replay buffer. We do not claim a new learning paradigm. 改了什么：删 delve / leverage / paving the way / revolutionize；贡献变成可证伪的数字；主动降调。 ### 6.7 英文：Furthermore 工厂 **AI 味重** > Deep learning models require large amounts of data. Data quality directly affects model performance. Therefore, data preprocessing is of vital importance. Moreover, feature engineering also plays a pivotal role. Furthermore, hyperparameter tuning is essential. **人工润色后** > The model is only as good as the labels. We spent more time on the 6.3% of frames with disagreeing annotators than on architecture search: dropping them raised validation mAP by 4.1 points, while an extra day of hyperparameter sweep added 0.6. Preprocessing here means that decision, not a generic pipeline. ### 6.8 英文：文献与批判 **AI 味重** > Previous studies have shown that Method A is effective. It is important to note that Method A also has limitations. Overall, more research is needed to fully understand this complex and multifaceted issue. **人工润色后** > Method A looks clean on i.i.d. splits. When we retrained it on the authors' public checkpoint with a 15% label-flip on the minority class, balanced accuracy fell from 0.84 to 0.61 — larger than the drop they report in Table 5. The method is therefore brittle to the noise pattern our hospital data actually has. ### 6.9 英文：hedging 用错 vs 用对 **AI 味重（假谦虚）** > To the best of our knowledge, this is the first study to comprehensively explore this interesting and important topic from a holistic perspective. **人工润色后（真限定）** > We are not aware of a prior estimate of this elasticity on Chinese customs data after 2018. The result is an association under the stated shift-share instrument; we do not interpret it as a structural parameter. ### 6.10 中文社科摘要：清套话、留骨架（白名单示范） **AI 味重** > 近年来，随着数字经济的快速发展，其重要性日益凸显。本文基于 2011—2021 年中国地级市面板数据，使用双重差分模型实证检验了宽带试点对制造业就业的影响。需要注意的是，为确保研究结论的可靠性，本文还进行了稳健性测试。研究结果表明，该政策具有显著的正向促进效应，对推动高质量发展具有重要意义。 **人工润色后** > 本文基于 2011—2021 年中国地级市面板数据，使用双重差分模型实证检验了宽带试点对制造业就业的影响。需要注意的是，为确保研究结论的可靠性，本文进行了稳健性测试。平均处理效应为 3.2%（聚类到市），且集中在资本密集型行业；劳动密集型行业的估计接近 0。把这一结果写成「推动高质量发展」，超出了识别所能支撑的范围。 改了什么：删「近年来……日益凸显」和空评价；**结论骨架、「需要注意的是」、稳健性句全部保留**——那是学科写法，不是 AI 味。 --- ## 7. 中文学术写作要注意什么 ### 7.1 中文 AI 味的六类病灶 综合中文学术改写实践（含公开的中文学术 humanizer 规则），常见病灶是： 1. **套话开头 / 过渡 / 收尾**：「随着……」「首先其次最后」「综上所述」。 2. **价值判断词饱和**：重要、显著、深入、全面、系统——没有数字陪绑。 3. **抽象主语**：「该问题」「这一现象」「相关举措」连续做主语，人消失了。 4. **名词化动词**：「进行优化」「实现提升」「完成构建」。 5. **排比三件套**：三个并列、三个维度、三点建议，长度齐整。 6. **假中立元评论**：「值得思考的是」「不妨关注」「这一问题较为复杂」。 ### 7.2 中文特有的翻译腔清单 | 翻译腔 | 更自然的中文 | | --- | --- | | 给出了一个微笑 | 笑了笑 | | 是重要的 | 很重要 / 要紧的是…… | | 进行了一次实验 | 做了实验 / 跑了…… | | 在……的过程中 | 往往可删 | | 使得……得以被…… | 让……被…… / 直接写结果 | | 一个更加鲁棒的方法 | 对……噪声不那么敏感的方法 | | 基于此 | 所以 / 由此 / 接下来 | 不是所有欧化句法都要杀。统计、法律、哲学里有些长定语是功能需要。标准仍是：**读出声，像不像你会在讨论班上说的话。** ### 7.3 知网场景下的务实策略 - **先诊断再改**：看标红是套话段、无引用的空综述，还是方法说明。后者可能是误伤，改内容不改程式。 - **同义词替换几乎无效。** 「人工智能技术在医疗领域的应用日益广泛」改成「AI 科技于医学范畴之运用愈发普遍」，向量还在原地，分数不会真降。 - **注入的必须是真东西**：你的表、你的异常值处理、你读过并不同意的那篇中文文献。假细节是造假。 - **摘要和结论权重高**，先改这两处。 - **终检用学校指定系统。** 第三方「知网模拟」和学校正式库不是一回事。 - **分数不是越低越好。** 有导师会说「这不像你写的」。15%–25% 这类区间在媒体报道里常被当作「能过且不像洗稿」，但这是行政经验，不是科学最优。以导师和学科为准。 ### 7.4 中文披露习惯 2026 年 5 月，教育部学位管理与研究生教育司委托中国学位与研究生教育学会发布《规范研究生学位论文与实践成果中人工智能工具使用指南》，治理重点从「依赖有争议的技术检测」转向**透明披露与留痕**：工具名称、版本、用途、环节、验证过程写进「人工智能使用声明」，答辩可质询。学位申请人是第一责任人，核心论点和创新必须自己完成。 科技部《负责任研究行为规范指引（2023）》更早划过红线：不得用生成式 AI **直接生成申报材料**；不得把 AI 列为共同完成人；不得直接使用未经核实的 AI 参考文献；使用了要标注生成过程。 --- ## 8. 英文学术写作要注意什么 ### 8.1 英文 AI 味的高频触发器 按公开词表（Wikipedia *Signs of AI writing*、学术编辑经验、检测公司频率统计）压缩成实操名单： **立刻考虑删或换** `delve into`, `underscore`, `rich tapestry`, `landscape`（比喻）, `leverage`, `foster`, `navigate`（比喻）, `holistic`, `paradigm shift`, `paving the way`, `to the best of our knowledge`, `In recent years`, `extensive experiments demonstrate` **单独可用、成簇就可疑** `robust`, `seamless`, `cutting-edge`, `innovative`, `comprehensive`, `pivotal`, `nuanced`, `compelling`, `transformative`, `intricate`, `moreover` / `furthermore` / `additionally` 段首连用 **结构** - 段首 Firstly / Furthermore / In conclusion 轮转； - 三词排比（innovative, transformative, and groundbreaking）； - `not only X but Y` 且 Y 更空； - 方法/讨论里 em dash 过密（学术文体更常用逗号、括号、分号）。 ### 8.2 非母语作者：两难 检测器对「语法正确、词汇偏标准」的非母语文本假阳性偏高（Liang et al., 2023）。于是出现荒谬循环：为了不像 AI 去堆罕见词，或为了像 native 去让 ChatGPT「enhance word choice」——后者有时能降低旧检测器误判，却可能把稿子送进「像模型」的另一边，并触发新的 paraphrase/bypasser 模型。 务实建议： - **先保证准确和你的论证**，不要为检测器改方言。 - 用 AI 做语法时，**关掉「写得更学术/更 native」这类扩写指令**，只要改错。 - 保留你的 World English。Springer Nature 等出版社并不要求消除非母语痕迹；它们要求责任和诚实。 - 若学校误判，准备**过程证据**：提纲、实验日志、带批注的草稿、与导师的修改记录。Turnitin 自己也说指标不能单独处分。 ### 8.3 英文期刊在意的其实不是 AI 率 审稿人更常抓： - 参考文献幻觉； - 贡献 overlapping 却不 cite； - 因果语言超出设计； - 方法不可复现； - AI 图（很多期刊直接禁）。 把精力放在这些上面，比把 Turnitin 百分比从 18 改到 7 更值。 --- ## 9. AI 辅助写作的边界与学术伦理 ### 9.1 三条共识（COPE / ICMJE / 各大出版社） 1. **AI 不能当作者。** 它不能承担责任、不能签署版权、不能申报利益冲突。 2. **人必须对每一句话负责**，包括模型写过的那些。幻觉引用、抄袭、错误数据，算作者的不端，不算「是 AI 干的」。 3. **实质性使用要披露。** 起草正文、分析数据、生成图、翻译核心论证，通常要写进 Methods / Acknowledgements / 指定声明栏。 ### 9.2 可以、需要谨慎、不能 | 通常可接受（仍以目标期刊为准） | 灰色，先查政策再做 | 不能 | | --- | --- | --- | | 语法、拼写、格式、把你写好的句子改通顺 | 让模型根据你的要点扩写成段落 | 代写论文、代写基金本子 | | 文献检索、翻译你读过的摘要（你必须核对原文） | 用模型帮忙写代码再由你验证 | 伪造数据、图、实验 | | 根据你的结果草拟「可能的解释」供你否定 | 生成示意图 | 把未发表稿丢进公开聊天机器人（泄密、版权） | | 按出版社定义的 AI-assisted copy editing | 生成文献综述初稿 | 把 AI 列为作者；使用未核对的假参考文献 | | | | 用 humanizer/bypasser 故意规避检测后当原创 | Springer Nature 把 **AI-assisted copy editing** 定义为：对**人类已写成的文本**做可读性、语法、拼写、标点和语气修改，可含措辞和格式调整，**不含自主生成内容**。这一类他们允许不披露，但作者仍对终稿负责。IEEE 更偏保守，建议连语言润色也写进 Acknowledgements。**以你投稿的那本期刊的当期政策为准，不要用「Nature 说 copy editing 不用披露」去投 IEEE。** ### 9.3 检测伦理 - 分数是**风险提示**，不是学术不端认定。 - 用检测器处分学生而不给申辩、不看过程材料，会系统性伤害非母语写作者和「写得规范的人」。 - 用改写器对抗检测，是把「写作助手」用成「伪证工具」。Turnitin 2025 年后把这类文本单独建模，说明出版和教务侧已经把「洗稿」当成问题本身。 ### 9.4 一条可用的个人准则 问自己三个问题，三个都「是」才能交： 1. **核心问题、识别策略、对结果的解释，是不是我能在白板上推一遍的？** 2. **每一条文献我是否打开过、每一条数字是否来自我的分析日志？** 3. **若期刊要求披露，我是否写得出工具名、版本、用在哪些段落、我如何核验？** 有一个「否」，先补工作，再改句子。 --- ## 10. 期刊、学会与学校政策速览 政策更新很快。下表是 2025–2026 公开文本的压缩版，**投稿前打开期刊官网再核一次。** ### 10.1 国际出版 | 机构 | AI 当作者 | 披露 | 语言润色 | 生成图像 | 审稿人 | | --- | --- | --- | --- | --- | --- | | COPE (2023) | 否 | Methods 或等同位置，写清工具与用法 | 建议透明 | 使用了要披露 | 对稿件负责的是人 | | ICMJE | 否 | 封面信 + 稿件；人对其内容负责 | 实质性使用要披露 | 视为 AI 辅助技术 | 人负责 | | Springer Nature / Nature Portfolio | 否 | 生成文本写入 Methods / Acknowledgements | copy editing 可不披露 | **原则上禁止**（窄例外须标注） | **禁止把稿件上传到生成式工具** | | Elsevier | 否 | 参考文献前单独声明；2025 政策更细 | 查当期期刊 | 禁止生成图 | 保密 | | IEEE | 否 | Acknowledgements：系统名 + **哪些章节** + 使用程度 | 建议披露 | 图、表、代码、公式凡生成均披露 | 保密 | | Science / AAAS | 否 | 封面信 + Acknowledgements；早期要求更严，部分情形要提示词 | 查当期 | 无编辑许可禁止 | 保密 | | APA Journals | 否 | Methods 中披露并按软件格式引用；可要求提交对话记录 | 查政策 | 按期刊 | 不得把投稿内容喂给 AI | | ACM | 否 | Acknowledgements，披露程度应匹配生成比例 | 允许但须披露 | 披露 | 查会议政策 | | Wiley / T&F / SAGE / OUP / Cambridge | 否 | Methods 或 Acknowledgements | 各家对「仅语法」宽严不同 | 多数限制生成图 | 禁止上传稿件 | PNAS 2026 年一项大样本：约 **70%** 期刊已有 AI 政策（以要求披露为主），但 2023 年后抽检的数万篇论文里**主动披露率极低**（有分析给出约 0.1% 量级）。政策在纸上，习惯还没跟上。这不是「可以不说」的理由，是「说了反而更像负责任作者」的窗口。 ### 10.2 中国科研与学位 | 文件 | 要点 | | --- | --- | | 科技部《负责任研究行为规范指引（2023）》 | 不得用生成式 AI 直接生成申报材料；AI 不得列为完成人；AI 生成关键内容须标注过程；不得直接使用未核实的 AI 参考文献 | | 中科院科研道德委员会《关于在科研活动中规范使用人工智能技术的诚信提醒》（2024-09） | 透明、规范、负责任；强调误用滥用风险 | | 《学术出版中的 AIGC 使用边界指南 2.0》（2024-09） | 出版界披露模板：工具、目的、时间、提示词 | | 中国学位与研究生教育学会《规范研究生学位论文与实践成果中人工智能工具使用指南》（2026-05-14，教育部学位司委托） | 诚信 / 科学 / 安全使用；核心创新必须申请人完成；主动出具 AI 使用声明；答辩可设质询；治理从「唯检测」转向「披露 + 留痕」 | | 复旦大学本科毕业论文 AI 工具规定（试行，2024-11） | 国内较早的专门文件，含「六个禁止」，禁用范围曾包括研究设计、数据分析、论文撰写乃至润色翻译，引发过公开讨论；以学校最新文本为准 | | 人大、川大等校级通知（2025 毕业季报道） | 不得用 AI 直接生成毕业论文；川大曾设文科 20%、理工医 15% 的 AIGC 占比上限 | 学校之间差异巨大：有的禁润色，有的只禁代写；有的卡 15%，有的还没把 AI 率写入细则。**交稿前读本院通知，不要用邻校的红线。** ### 10.3 声明写在哪 - 学位论文：学校模板中的「人工智能使用声明」，或致谢 + 方法。 - Nature 系期刊：Methods；copy editing 可不写。 - IEEE：Acknowledgements，点名章节。 - APA：Methods + 参考文献中的软件引用，必要时附录对话。 - 医学 ICMJE 期刊：封面信 + 稿件正文。 写声明时避免两种假：假的「完全未使用」（日志还在），和假的轻描淡写（其实整章是生成的）。 --- ## 11. 常见误区与不该做的事 **误区 1：AI 率 = 学术不端。** 不是。它是风格分类器输出。高分值得解释，低分也不能证明思考是你的。 **误区 2：同义词 / 调语序 / 中英回译能过新检测。** 知网看语义骨架和写作模式；Turnitin 已对 paraphrase 和 bypasser 单独建模。回译还会引入事实错误。 **误区 3：改得越狠越安全。** 用另一个模型「深度重构」整章，只是把指纹换成新模型的指纹，并可能改掉术语和数字。 **误区 4：插入口语、表情、假失误来「拟人」。** 学术稿被改成「说白了挺有意思的」是灾难。假的溶血样本、假的 forthcoming DOI，属于伪造。 **误区 5：图表、公式、OCR、手写公式照片是盲区，可以往里藏正文。** 即使某次检测没扫图，审稿人和答辩会扫。把论证藏进图里，是对自己不负责。 **误区 6：AIGC 率越低越好。** 过度洗稿会导致文风断裂，「不像作者」。导师比检测器更难骗。 **误区 7：Wikipedia / 自媒体黑名单要全部避。** 见一次 `moreover` 或一次破折号就判死刑，会伤害正常学术英语，也会误伤「总而言之」这类中文惯例。 **误区 8：商业「降 AI」广告里的百分点可以信。** 「72% 到 2%，知网亲测」无法独立复现，且激励结构就是卖字数。本文件不推荐任何一家降痕产品。 --- ## 12. 投稿前自查清单 ### 12.1 内容与证据 - [ ] 每个数字都能在分析脚本或实验记录里找到 - [ ] 每条参考文献都打开过；没有 DOI 404、没有「作者+年份」张冠李戴 - [ ] 因果动词没有超出研究设计 - [ ] 局限段写的是**这个研究真正缺的东西**，不是万能「扩大样本」 ### 12.2 语言（去 AI 味） - [ ] 删掉了无信息的「近年来 / In recent years / 随着……快速发展」 - [ ] 「首先其次最后」没有变成全文骨架 - [ ] 英文没有成簇的 delve / underscore / tapestry / leverage / furthermore - [ ] 中文没有成簇的赋能 / 助力 / 彰显 / 具有重要意义 - [ ] 句长有变化；不是每句一样长 - [ ] 综述在吵架，不在点名 - [ ] 白名单里的学科骨架没有被当成套话误删 ### 12.3 伦理与流程 - [ ] 核心论证可以脱稿讲 - [ ] 按目标期刊 / 学校写了（或不需要写）AI 声明 - [ ] 没有把未发表稿粘进公开模型 - [ ] 若被检测标红：准备得了过程稿，而不是准备再买一次「降痕」 --- ## 附录 A：声明与披露模板 按需删改。方括号是占位符。 ### A1. 未使用生成式 AI ```markdown **人工智能使用声明** 本文的研究设计、数据分析、文字撰写与图表制作均由作者独立完成， 未使用生成式人工智能工具生成正文、数据或图像。 作者对文中全部内容的准确性与原创性负责。 ``` ### A2. 仅语言润色（若目标期刊要求连润色也披露） ```markdown **AI use** We used [ChatGPT / Claude / …], model [gpt-x / …], on [dates], solely to correct grammar and improve clarity of text that we had already written. No section was generated de novo. All numbers, citations, and claims were checked against our analysis logs. The authors take full responsibility for the final manuscript. ``` ### A3. 有实质性辅助（IEEE / 学会指南风格） ```markdown **人工智能使用声明** 作者在学位论文撰写过程中使用了 [工具全称]（版本 [x.x]，官方地址 [URL]）。 | 环节 | 用途 | 作者如何核验 | | --- | --- | --- | | 文献检索 | 根据关键词整理候选篇目 | 逐篇打开原文，未采用模型生成的参考文献 | | 第 3 章部分段落 | 在作者提纲上改写通顺 | 对照实验记录核对全部数字与符号 | | 代码注释 | 解释已有脚本 | 作者重跑脚本，结果与文中表 2–4 一致 | 未使用该工具进行数据造假、图像生成或代写核心论点。 核心研究问题、识别策略与结论解释由作者提出并完成。 ``` ### A4. Nature 系 Methods 短句 ```markdown **Use of large language models** An LLM ([name, version]) was used to copy-edit the Introduction and Discussion for grammar and readability. The authors reviewed every edit and take responsibility for the text. No LLM was used to generate analyses, figures, or references. ``` （若按 Springer Nature 对 copy editing 的定义，这一段可以不出现；若你做了比 copy editing 更多的事，必须出现。） --- ## 附录 B：可给 AI 的改写指令（锁事实版） 只在**你已经有自己的段落**之后使用。目标是改口吻，不是扩写新发现。 ```markdown 请改写下面这段学术中文，遵守全部约束： 硬性约束（违反任何一条即失败）： 1. 不得改动任何数字、单位、变量名、p 值、样本量、年份、文献作者与年份。 2. 不得增加原文没有的实验细节、引用、数据或因果断言。 3. 不得把「相关 / 一致 / 显示」升级成「证明 / 导致 / 显著优于」。 4. 保留全部术语和符号。 5. 删除无信息套话（近年来、随着……快速发展、具有重要意义、首先其次最后）， 但保留学科惯例骨架（如「本文基于……面板数据……」）。 6. 拉开句长：至少出现一句短句（≤15 字）和一句带条件的长句。 7. 输出：改写正文 + 三行「未改动的事实清单」。 待改文本： 【粘贴】 ``` 英文版把第 5 条换成： ```text 5. Delete empty openers (In recent years, to the best of our knowledge) and stock verbs (delve, underscore, leverage, pave the way). Keep hedging that is tied to evidence (may, consistent with, in this sample). ``` **不要**使用这类指令：「把 AIGC 率降到 5% 以下」「加入我实验中的小挫折（恒温箱设高了 5℃）」——后者是教模型造假。 --- ## 附录 C：主要资料来源 ### 检测原理 - Turnitin. *AI writing detection model architecture and testing protocol*（白皮书）；Turnitin Guides: *AI writing detection capabilities FAQs*（含 paraphrase / bypasser、窗口打分、不得单独处分）。 - GPTZero Support. *How do I interpret burstiness or perplexity?*（明确 2023 秋已不用这两项作为主模型）。 - 知网 AIGC 检测服务系统公开介绍；媒体对 2023/2024 专利「信息量差值 + 多特征」的梳理（如 36 氪 2026 报道）。 - 周濛. 2024. 「AIGC 论文检测系统的技术缺陷与学术期刊因应」，《编辑学报》相关期刊，DOI: 10.19619/j.issn.1007-1938.2024.00.027。 - Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. 2023. GPT detectors are biased against non-native English writers. *Patterns*, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779 ### 写作特征 - Wikipedia. *Signs of AI writing*（WikiProject AI Cleanup，持续更新）。 - Pangram. *9 Signs of AI Writing, Backed by Data*（频率倍数，注意这是厂商数据）。 - 中文侧：翻译腔与 AI 腔讨论（如 yage.ai 2026「写作中的 AI 味」）；academic-humanizer-zh 公开规则中的病灶分类与 56 条「别乱改」白名单思路。 - 英文词表综述：Steere, “Anatomy of an AI Essay”；各类编辑博客对 delve / underscore / tapestry 的统计性观察（词会过时，机制不会）。 ### 政策 - COPE. 2023. *Authorship and AI tools*. https://doi.org/10.24318/cCVRZBms - ICMJE Recommendations（Authorship；AI 辅助技术披露）。 - Springer Nature. *AI guidance for researchers and communities*；Nature Portfolio editorial policy on AI。 - IEEE Submission and Peer Review Policies（Acknowledgements 披露章节）。 - APA Journals generative AI policy；APA Style 引用生成式 AI 的说明。 - 科技部监督司. 2023. 《负责任研究行为规范指引（2023）》及解读。 - 中国学位与研究生教育学会. 2026-05-14. 《规范研究生学位论文与实践成果中人工智能工具使用指南》。 - 复旦大学教务处. 2024-11. 《关于本科毕业论文（设计）中使用 AI 工具的规定（试行）》。 - 媒体对 2025–2026 毕业季高校 AI 率红线的报道（央视网、第一财经等）——只作实践参考，不作国家标准。 - 期刊政策有效性讨论：PNAS 2026, “Academic journals’ AI policies fail to curb the surge in AI-assisted academic writing.” ### 明确不作为依据的材料 各类「降 AI 神器」软文、无法复现的百分点广告、教人 OCR/插入假失误/伪造 forthcoming 文献的攻略。它们描述的是对抗检测市场，不是学术写作。 --- ## 结语（Grok 视角） 检测器在进化：从困惑度，到分类器，再到专门抓改写器和 humanizer。模型也在进化：输出会越来越不像 2023 年的「delve into a rich tapestry」。**词表会失效，有没有思考不会。** 所以这份总结故意把「对策」写成写作课，而不是黑客课： 1. 自己把论证做完； 2. 把套话换成证据； 3. 按规则披露工具； 4. 把检测报告当风格体检，不当道德判决； 5. 拒绝用假细节和对抗脚本换一个百分比。 过检测只说明你的文本不像当前的平均模型输出。过答辩、过审稿，才说明那是你的研究。后者才是署名的理由。 --- *文档版本：2026-09-07 · 基于公开中英文资料的综述，政策请以各机构最新文本为准。*