如果一篇论文因事实错误、数据失真或不当引用被质疑，作者不能把责任归因于“ChatGPT这样生成的”。在学术发表中，真正承担署名责任的是作者，而不是生成式人工智能。高校教师使用ChatGPT辅助论文写作，关键不在于是否使用过工具，而在于人工智能是否替代了本应由作者完成的研究判断、证据核验和学术表达，以及作者能否对最终稿件的每一项内容作出解释。
责任归属：作者不能把工具当作免责理由
ChatGPT可以参与语言调整、结构建议或资料整理，但它不具备学术论文作者所要求的责任能力。它不能核实每条事实的来源，也不能为研究结论承担伦理和法律后果。因此，论文中的核心观点、研究设计、数据分析、引文选择和最终表述，都应由署名作者负责。
责任风险通常出现在几个交叉环节。平台可能生成错误信息，作者未经核验便将其写入论文；研究团队可能依赖模型反馈修改分析，导致评价或结论失准；学校统一接入相关平台时，可能出现研究资料处理不当；作者直接提交生成内容，则可能引发学术不端争议。此时，平台提供者、学校管理者、导师和论文作者之间的责任边界可能需要分别判断，但这并不意味着作者可以免除对稿件的直接责任。
尤其需要避免把ChatGPT列为共同作者。人工智能无法承担署名承诺、利益冲突声明、版权责任和同行评议后的答复义务。即使它参与了较多文字处理，也不等于具备作者资格。更稳妥的做法是根据投稿期刊、所在单位和项目管理规定，对人工智能的使用情况作出必要披露，同时明确人类作者对全文负责。
教师还应注意师生之间的规则一致性问题。教师在科研写作中可以使用某些辅助工具，并不意味着学生在课程作业、学位论文或能力测评中也可以采用相同方式。任务性质不同，允许范围可以不同；但这种差异必须基于教学目标和评价目的，而不能仅仅因为使用者的身份不同。若教师要求学生披露人工智能使用情况，自己在论文、教材、评语或研究报告中却完全不说明，就容易形成难以解释的双重标准。
数据真实性：最危险的不是文风，而是证据链断裂
ChatGPT生成的内容可能在语句上连贯，却不代表其中的事实、数字和参考文献真实可靠。论文写作中的风险，不只是出现一条错误引文，还可能表现为研究对象、样本情况、实验步骤、统计结果或政策内容被模型误写。若作者没有回到原始材料进行核对，错误就可能沿着“生成文本—论文初稿—同行评审—正式发表”的链条扩散。
参考文献尤其需要单独核验。人工智能可能生成并不存在的文献，也可能混淆作者、题名、出版信息和论点。即便文献确实存在，模型对文献观点的概括也可能脱离原文。作者不应因为引用格式完整、表述像学术语言，就默认其内容可信。每一条关键引文都应回到可查验的原始来源，确认它确实支持相应判断；无法核验的文献，不应进入正式稿件。
数据真实性还涉及研究过程是否被如实呈现。不能让ChatGPT补写没有发生过的访谈、实验、问卷、数据清洗过程或统计结论，也不能为了使论证更完整而让模型“推测”缺失结果。对于实证研究而言，论文中的数据、图表和结论必须能够追溯到真实的研究记录。对于理论研究而言，概念界定、文本依据和推理过程同样不能由生成内容替代。
可以把事实核验分为三个层次：第一，核对原始数据和研究记录；第二，核对关键事实、引文和文献出处；第三，核对结论是否真的由研究方法和证据推出。只检查文字相似度或人工智能生成痕迹，无法代替这条证据链。现有主要依赖文本复制率的检测方式，也未必能够有效识别机器生成内容，因此“检测不出来”不能被当作“使用没有风险”。
学术不端：边界不只在复制粘贴
把ChatGPT生成的段落原样放入论文，容易引发代写、抄袭或作者贡献不实等争议。但即使作者对生成文本进行了改写，也不代表风险自动消失。若人工智能实际上完成了问题分析、论证组织、核心观点形成或大段内容生产，而作者只是进行表面修改，论文仍可能没有真实反映作者的学术贡献。
写作中的思想并不总是先完整存在，再由文字机械表达出来。选择材料、压缩内容、调整结构和重新排列论据，往往会影响观点本身。因而，“ChatGPT只负责措辞”并不是一个可以直接套用的安全结论。作者需要判断人工智能介入的是语言层面，还是已经影响了研究判断和论证结构。
常见的高风险情形包括：
- 让人工智能代替作者形成研究问题、解释数据或撰写核心论证；
- 使用模型生成的虚假或未经核实的参考文献；
- 将未经授权的原始数据、受访者信息、未公开成果或审稿材料输入外部平台；
- 对模型生成内容进行简单改写后，声称论文完全由作者独立完成；
- 使用人工智能规避查重、掩盖真实贡献或制造不存在的研究过程；
- 在投稿时隐瞒期刊、学校或项目规则明确要求披露的人工智能使用情况。
这里还要区分“文本相似度”和“学术诚信”。降重后的文字可能不再与原文高度相似，却仍然存在观点来源未标注、事实未经核验或作者贡献不足的问题。查重结果只能帮助发现部分文本问题，不能证明论文已经符合学术规范。
一套可执行的风险防范流程
在动笔前，作者应先确认三类规则：所在高校或科研机构的学术诚信要求，项目或学位管理中的人工智能使用规定，以及目标期刊的投稿和披露要求。规则不清时，不宜凭个人理解认定某种用法“当然允许”。尤其是投稿平台已经明确限制或要求说明人工智能使用时，作者有义务在投稿前完成核对。
在研究和写作过程中，应把人工智能生成内容与原始研究材料分开管理，不让模型输出直接成为证据。对涉及研究对象、数据、实验、访谈和未公开成果的内容，应优先考虑保密和授权问题。输入平台前，应确认相关材料是否包含可识别个人信息、合作方限制披露的信息或尚未发表的研究成果。
写作完成后，建议至少进行一次由作者主导的“反向核验”，而不是只做语言润色：
- 从结论回查数据、方法和原始记录，确认每个主要判断都有依据。
- 从参考文献回查原文，确认作者、题名、出处及其支持的具体观点。
- 逐段检查人工智能是否改变了论证方向、研究解释或作者原意。
- 删除无法核验、来源不明或由模型补足的事实、数字和引文。
- 由论文作者独立说明研究设计、数据处理、核心观点和局限，不能只依赖生成文本回答质询。
- 保存必要的版本、修改记录和使用说明，以便在编辑、同行或所在单位提出疑问时说明写作过程。
如果论文由多人合作完成，还应明确谁使用过人工智能、用于什么环节，以及谁负责核验相关内容。通讯作者不能只检查格式和投稿材料，而应推动团队完成事实核查、贡献确认和披露审核。导师指导学生时，也应把人工智能使用边界写进研究过程管理，而不是等到论文提交后才处理争议。
如何设计人工智能使用披露
披露的重点不是笼统地写一句“本文使用了人工智能”，而是说明使用范围和人类作者承担的责任。根据具体规则，披露内容可以包括人工智能工具参与的环节、使用目的、对稿件的影响，以及作者完成的核验和修改工作。
如果工具仅用于检查语法、改善表达或提出结构建议，可以如实说明其作用限于语言和编辑辅助。如果工具参与了摘要、段落重组、翻译、资料整理或其他实质性文本处理，也不应笼统描述为“简单润色”。如果人工智能参与了研究构思、数据解释或核心论证，更需要谨慎评估是否已经超出允许的辅助范围；不能通过模糊措辞把实质性参与包装成文字修饰。
披露文字应避免两种极端：一是完全不披露，等到被追问后才补充说明；二是把人工智能写成“共同作者”，借此模糊真实贡献。更合适的表达思路是：说明工具曾用于哪些辅助环节，明确研究问题、研究方法、数据、核心论点和最终稿件由人类作者负责，并声明所有生成或修改内容已经经过作者核验。具体措辞仍应服从目标期刊和所在机构的要求。
把“能不能用”改成“能否负责”
目前，人工智能辅助写作与学术不端并不能简单画等号。有关研究指出，人工智能辅助与禁止替代之间需要更细致的规则区分；但规则尚未完全统一、检测技术也存在局限时，作者更不能把制度空白当作免责空间。
对高校教师和科研人员来说，最稳妥的判断标准不是“别人是否也在使用”，也不是“检测系统能否识别”，而是三个问题：这部分内容是否真实反映了自己的学术贡献，论文中的事实和证据能否被独立核验，自己是否愿意并能够对最终文本逐字负责。只要其中一个问题无法回答，就应减少人工智能介入、补充核查或重新完成相关部分。
人工智能可以成为写作辅助工具，但不能成为责任转移工具。把使用边界前置，把证据核验做实，并在投稿时透明说明，才是降低伦理争议、维护科研诚信的有效做法。
