生成式人工智能进入法学研究，真正改变的并不只是“写得更快”。对跨学科研究者而言，更深层的变化在于：过去需要在法学、社会科学、经济学、技术研究等不同文献体系间反复切换的工作，如今可以先由模型协助搭建检索路径、归纳争点和呈现概念关联，再由研究者完成判断、核验与论证。
这会改变学术边界的形态。法学研究不再只是在既有规范文本中寻找解释，也更容易进入数据、制度、技术与社会实践交织的问题现场。但工具越能生成看似完整的答案，研究者越需要守住一个基本原则：AI可以加速知识加工，却不能替代学术判断。
从“找材料”转向“设计知识结构”
跨学科法学研究的难点，常常不在资料匮乏，而在资料之间缺少可比较的结构。研究者面对的可能是法律规范、裁判文书、政策文件，也可能是技术报告、访谈资料、社会调查或伦理讨论。不同学科使用的概念未必对应，证据标准和论证习惯也往往不同。
生成式模型适合承担前期的“结构化劳动”。例如，研究者可以先将一个宽泛问题拆解为若干可追踪的维度：规范依据是什么，现实问题如何呈现，相关技术或社会机制如何运作，不同立场之间的冲突在哪里，现有研究留下了哪些尚未回答的问题。模型可以据此协助生成检索词组、归类文献主题、提炼反复出现的概念，并提示可能被忽略的关联方向。
这一过程的价值，不是让模型替你选题，而是帮助研究者更早看见问题的边界。比如，讨论生成式AI的法律治理时，若只停留在责任归属或风险列举，容易形成抽象判断；若将法律规范、技术能力、平台治理、教育场景与知识生产方式放在同一张问题图谱中，研究问题就更有机会从“AI带来什么风险”推进到“既有法律概念是否足以描述新的行为结构”。
已有法学讨论也提示，生成式AI的影响并不限于法律适用层面。关于法教义学、法学教育与人工智能融合的讨论，已经将注意力投向知识生产、教学训练和理论创新等环节。对研究者来说，这意味着跨学科并非简单加入几个技术概念，而是重新审视法学如何提出问题、组织材料和形成可检验的论证。
用AI梳理文献：先限定任务，再核对原文
文献梳理是生成式AI最容易进入、也最容易失控的环节。它可以帮助研究者处理大量摘要、笔记和目录，但不应被当作可靠的文献事实库。尤其在法学研究中，作者观点、规范依据、制度背景与原文表述之间常有细微差异，任何未经核对的概括都可能误导后续论证。
较稳妥的做法，是把AI定位为阅读后的整理助手，而不是阅读前的替代者。
首先，研究者应自行确定核心问题和材料范围。例如，明确研究聚焦的是法律解释、治理机制、教育转型，还是特定领域中的制度影响。范围越清楚，模型越不容易输出宽泛而失焦的概述。
其次，将已经确认来源可靠的文献摘要、阅读笔记或关键段落分批交给模型，要求其按统一维度整理，而不是直接要求“综述全部研究”。可以围绕研究问题、核心概念、方法路径、主要结论、证据类型、局限与待讨论问题进行归纳。这样得到的不是一篇可直接使用的综述，而是一份便于研究者回查的文献工作底稿。
然后，对模型生成的归纳逐项回到原文核验。重点核对作者是否真的提出了该观点，结论适用的范围为何，材料能否支撑相应判断，以及模型是否混淆了不同作者的立场。对于法律条文、案例事实、引文和参考文献，尤其不能仅凭模型输出确认。
最后，再由研究者重写文献评述。高质量文献综述不是把观点排成队列，而是说明不同研究在什么问题上相互支持、彼此冲突，哪些结论依赖特定前提，又有哪些空白值得进一步研究。这个“提出关系”的工作，仍然是研究者的核心能力。
概念映射：让跨学科对话变得可见
概念映射比普通关键词整理更进一步。它要解决的问题是：不同学科究竟在谈同一个对象，还是只是使用了相似的词语？法学中的“责任”“主体”“权利”，与技术研究中的“系统”“模型”“数据”，与社会科学中的“行为”“组织”“激励”，可能彼此相关，但不能直接互相替换。
研究者可以先列出论文中最关键的一组概念，包括法律概念、外部学科概念和连接两者的中介概念。随后请AI协助初步回答几个问题：每个概念通常如何定义；不同文献是否存在相互竞争的定义；概念之间可能是因果关系、条件关系、分类关系还是规范评价关系；哪些概念缺少清晰边界。
在此基础上，形成一张由研究者主导的概念图。图中不必追求复杂，而应明确标出几个关键节点：研究对象是什么，法律问题从何处产生，外部学科提供了何种解释变量，法律规范如何回应这些变量，以及论文最终准备检验或论证什么命题。
例如，在研究生成式AI参与法律知识生产时，可以把“文本生成能力”“法律论证”“学术诚信”“作者责任”“知识可靠性”等概念放在同一框架中。模型可以协助列举潜在关联，但研究者必须决定哪些关联具有理论意义，哪些只是表面共现。概念图的目的不是制造更多术语，而是避免论文在不同学科语言之间来回跳跃却没有形成稳定的问题意识。
让AI参与分析，而不是代替论证
当文献和概念结构逐渐清晰后，AI可以协助研究者进行对照式分析。例如，将不同理论路径放在同一组问题下比较，识别某一论证中隐含的前提，或者根据已有材料生成可能的反例与质疑。这类用途尤其适合法学研究中的论证压力测试：如果某项主张成立，它需要满足哪些条件；如果条件改变，结论是否仍然成立；如果采用另一种理论立场，解释会发生什么变化。
但模型输出只能作为待检验的分析草案。生成式AI擅长组织语言和模拟推理形式，却未必能准确把握概念的法理边界、制度背景或学术争论的真正分歧。它给出的“平衡观点”有时只是把相反表述并置，而不是完成理论上的调和；它提出的“研究空白”也可能只是资料不足造成的表面缺口，而非真正值得研究的问题。
因此，研究者应把AI生成内容放入自己的证据链中检验：论点是否有原始材料支持，推理是否跨越了未经证明的步骤，概念是否发生了悄然替换，结论是否超出了材料的解释能力。只有经过这一轮审查，AI提供的线索才可能转化为学术贡献。
学术诚信的底线不能交给工具决定
生成式AI可以是学术助理、讨论对象，甚至是帮助发现论证漏洞的“反方”，但它不能成为隐形作者。相关教育政策讨论普遍强调，使用生成式AI不得构成未经说明的学术不端；具体课程、院校和期刊对于使用范围、披露方式与责任归属也可能有不同要求。
对论文作者而言，最重要的不是寻找“能否使用”的模糊空间，而是建立可说明的使用记录。凡是由AI参与完成的文献分类、语言润色、提纲推演或材料整理，都应保留必要的过程痕迹；凡是进入正文的观点、引文、事实和参考文献，都应由作者亲自核验并承担责任。若所在院校、期刊或项目对AI使用有声明要求，应按照其规则如实处理。
更需要警惕的是，AI输出往往具有流畅、完整和自信的外观。它可能遗漏关键文献、混淆概念来源，甚至生成看似合理但无法核实的引文与事实。研究者如果直接接受这种文本，短期看似节省了时间，长期却会削弱自己识别问题、判断证据和建立原创论证的能力。
跨学科法学研究的创新，不在于把生成式AI写进题目，也不在于用模型快速产出更多文字，而在于借助它重新组织问题：哪些法律概念需要被重新解释，哪些外部知识能够进入法学论证，哪些制度后果过去没有被充分看见。AI可以扩大研究者的视野，却不能替代研究者决定何为重要、何为可信、何为应当被论证。
