你大概有过这样的经历：把刚想出来的题目丢给AI，问一句“这个选题新不新”，它回你一段热情洋溢的评价——“该选题具有较强的创新性，填补了现有研究的空白”。你松了口气，觉得自己找到了一个不错的切入点。可等到开题答辩或者投稿时，导师或审稿人一句“这个问题XX年就有人问过了”，就把你打回原点。
问题不在于AI在骗你，而在于你问它的方式，本身就很难得到可靠答案。已有研究把这种现象称为“新颖性海市蜃楼”（novelty mirage）：让大语言模型充当评审，它倾向于把生成出来的研究问题一律评为高度新颖，即使这些问题的参照对象就在手边的文献里（Sinhahajari et al., On the Limits of LLM-as-Judge for Scientific Novelty Assessment, arXiv:2606.12071，检索日期：2026年2月）。换句话说，AI给你的“很新”，更像是一条待验证的线索，而不是一个可以写进开题报告的结论。
下面这套三步自查，就是把这条线索变成可核对判断的具体做法。
为什么整体印象打分不可靠
先理解失效发生在哪一层。一篇完整的论文包含方法、可行性、实证前景等多个维度，让模型对“整个想法”打分，变量太多，它很容易被表述的流畅度、术语的时髦程度带偏。上述研究因此把评估对象上移到一个更干净的单位：研究问题（Research Question，RQ）。研究问题是科学构思的前提，而且它可以和真实论文里追问过的问题直接比对。
研究者构建了RQ-Bench，从近期arXiv论文中，依据每篇论文引用的背景、指出的缺口和声明的贡献，反向重建出“作者锚定”的研究问题。这些RQ不是同一背景下唯一正确的问题，而是用于检验新颖性判断的参照点。结果显示，无论让模型单独打分还是做对比打分，模型都系统性地高估新颖性。
这解释了你的困惑从何而来：当你把一段题目描述丢给AI，你得到的是对整个印象的判断；而真正决定“新不新”的，是你的研究问题是否已经被别人问过。判断的锚点不在AI的印象里，在文献里。
第一步：把你的题目改写成一句研究问题
题目往往是名词堆砌，比如“数字经济背景下中小企业融资约束研究”。这句话没有主语动作，也没说明要回答什么，AI只能凭字面联想给你打分。
把它改写成一句完整的研究问题：在什么情境下，针对什么对象，探究哪个机制或关系，得出什么可检验的判断。例如上面这个题目可以改写成：“数字化转型程度是否降低了中小企业的银行信贷融资约束，其作用是否通过信息不对称缓解来实现？”
改写之后你会发现两件事。第一，题目里原本含糊的“研究”变成了明确的关系判断。第二，你开始能判断哪些词是核心，哪些只是修饰。研究问题一旦成形，比对才有对象——你要拿它去和文献里的问题比，而不是拿一个标题去比。
一个可操作的自检：把改写后的问题读给同专业但不同方向的同学听，如果他能复述出你要检验的关系，说明问题足够具体；如果他只能重复你的题目，说明还没改到位。
第二步：回到被引背景与已有贡献里找“是否已被问过”
这一步是整个流程的核心，也是最容易被跳过的一步。多数人查文献是为了找支持自己观点的材料，而不是找“已经问过同样问题”的人。你需要反过来做。
具体做法是，挑三到五篇与你问题最接近的论文，对每一篇回答三个问题：
- 它在引言里指出的研究缺口是什么？
- 它声明的贡献是什么？
- 如果把它的问题写成一句疑问句，和你那句疑问句重合到什么程度？
这三个问题正好对应RQ-Bench重建作者锚定研究问题所依赖的三类信息：被引背景、缺口、贡献。你可以把它当作手工版的锚定比对。判断标准很直接：如果某篇论文的贡献就是回答了你那句疑问句，那你的问题不是新的，只是你还不知道答案而已。
这里有个常见误区需要点破。有人会说“我用的数据不同、年份更新，所以是新的”。数据更新本身通常不构成研究问题层面的新颖性，它属于情境或样本的差异，是否值得写，取决于这个差异是否改变了结论或引入了新的机制。这一点留到第三步判断。
第三步：判断差异落在情境、对象、机制还是数据上
当你确认自己的问题与已有研究“不完全一样”时，需要进一步定位差异的层级。不同层级的差异，对应不同的新颖性强度和不同的论证负担。
| 差异层级 | 典型表述 | 新颖性强度 | 你需要额外论证什么 |
|---|---|---|---|
| 情境 | 换了一个国家、行业、时期 | 较弱 | 该情境是否会使原有结论失效或反转 |
| 对象 | 换成另一类企业、人群、样本 | 较弱到中等 | 对象的特殊性是否触及原有理论边界 |
| 机制 | 提出新的中介或调节路径 | 中等 | 新机制是否有理论依据且可识别 |
| 数据 | 使用新数据源或更高精度测量 | 中等 | 新测量是否修正了原有结论的偏差 |
| 问题本身 | 追问了此前无人提出的关系 | 较强 | 该问题为何重要且此前被忽略 |
把差异定位清楚，你就知道自己的贡献该往哪里写。只换情境却宣称“填补空白”，是开题和投稿中最容易被质疑的写法；而明确指出“原有研究在X情境下的结论依赖Y假设，本研究检验该假设是否成立”，则是一个站得住的论证起点。
把AI放回它该在的位置
做完这三步，你会发现AI并非没用，只是用法要调整。让它做整体印象打分，你得到的是海市蜃楼；让它帮你做锚定比对，它才可能提供有价值的线索。
比较务实的用法是：先自己完成第一步的改写，再把你的研究问题和几段真实的文献背景、缺口、贡献描述一起交给AI，让它逐条列出“哪些已有贡献可能已经回答了你这个问题”。已有研究提出的思路，正是用检索增强的方式把想法与文献对齐，而不是让模型凭空判断（Shahid et al., Literature-Grounded Novelty Assessment of Scientific Ideas, arXiv:2506.22026，检索日期：2026年2月）。即便这样，输出结果仍需要你回到原文核对，因为模型可能误读摘要，也可能漏掉不在检索范围内的文献。
需要提醒的是，AI给出的“很新”或“已被做过”都只是线索。真正决定选题能否成立的，是你能否说清楚：这个问题谁问过、问到什么程度、你补上的那一块为什么重要。这个判断，目前仍然得由你来做。
一份可以贴在桌前的自查清单
- 我能否用一句疑问句写出自己的研究问题，而不是一串名词？
- 我是否读过至少三篇最接近的论文，并写出它们各自的问题？
- 我的问题与这些论文的问题，重合点在哪里，差异点在哪里？
- 我的差异落在情境、对象、机制、数据还是问题本身？
- 针对这个层级的差异，我能否说清它为什么值得研究？
- AI给我的评价，我是否逐条回到文献核对过？
如果这六个问题你都能给出具体答案，那么“AI说我的题目很新”这句话，才真正变成了一条经过验证的线索，而不是一句让你安心的空话。选题这一步没有捷径，但有一套可以反复使用的核对流程——把它用熟，你省下的不是查文献的时间，而是返工的时间。
