中国学位与研究生教育学会于2026年5月发布的《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》（以下简称《指南》），将“核心创新须申请人自主完成”确立为一条底线原则。对研究生和导师而言，真正的难点不在于是否知道这条原则，而在于判断论文的哪一个环节属于“核心创新”，以及AI在哪个位置介入就会从“辅助”滑向“替代”。本文按学位论文的常见推进顺序，逐环节拆解判断依据与操作方式。需要说明的是，本文依据的是公开渠道可获取的指南信息与通行学术规范，各培养单位可能制定更严格的细则，具体执行应以本校研究生院最新文件为准。
先理解“核心创新”在学位论文中的位置
学位论文的“核心创新”通常指申请人独立提出的新问题、新方法、新证据或新解释，是论文获得学位授予的实质依据。它不等同于整篇论文的全部文字，也不等同于所有技术性劳动。区分二者的意义在于：AI可以承担大量辅助性工作，但一旦它生成了构成本论文创新点的那部分内容，无论文字是否被改写，都已触碰“自主完成”的边界。
《指南》强调申请人自主完成，指向的是学术责任的可归属问题。论文署名意味着申请人能够对论文的每一项主张负责，包括能够解释其来源、推导过程与局限性。AI工具无法承担这种责任，也无法被列为作者，这一点与COPE（出版伦理委员会）关于AI工具不能担任作者角色的立场一致。因此，判断标准可以简化为一个追问：这部分内容如果被质疑，申请人能否在不依赖AI重新生成的前提下，独立复述其思路并为之辩护？
选题与问题凝练：AI可做信息整理，不可替你定方向
选题阶段是核心创新的起点。研究问题的价值判断、与已有研究的差异定位、可行性的最终权衡，属于申请人必须自主完成的部分。
可以借助AI的环节：对某一领域的文献进行初步聚类，梳理研究主题的分布；把零散的研究兴趣整理成结构化的候选问题清单；检查选题表述是否存在歧义。
必须人工完成的环节：判断哪个问题真正值得研究、自身资源能否支撑、该问题与导师团队方向的匹配度。这些判断依赖对学科脉络的理解和对现实条件的把握，AI给出的“研究空白”往往是基于文本统计的推测，可能把已有大量研究的领域误判为空白，也可能推荐申请人无力完成的题目。
一个可操作的检验方式是：如果导师追问“你为什么选这个问题而不是相邻的那个”，申请人应当能给出基于文献阅读和自身条件的具体理由，而不是复述AI生成的选题理由。
文献综述：检索可以外包，判断不能外包
文献综述的合规风险集中在两个层面：一是引用是否真实，二是评述是否出自申请人。
AI工具在文献检索和格式整理上有明显效率优势，但存在编造文献、错配作者与年份、误读原文结论的风险。已有高校的AI使用指引明确指出，AI生成内容可能存在未经核实的错误引用，且AI缺乏对自身输出的批判性评估能力。因此，凡是进入论文的参考文献，都应当由申请人逐条核对原文，确认其真实存在、结论表述准确、引用位置恰当。
在评述层面，需要区分“描述”与“评价”。让AI汇总若干篇文献的主要观点，属于描述性辅助；但指出这些研究之间的分歧、方法局限、以及它们如何共同支撑本文的研究空间，属于需要申请人自主完成的学术判断。文献综述如果只是AI生成内容的拼接，通常表现为观点罗列缺少逻辑主线、对相反证据视而不见、评述停留在“某学者认为”而缺少申请人立场，这类综述在开题或预答辩中很容易被识别。
研究设计与数据分析：工具可执行，设计须自主
这是“辅助”与“替代”边界最容易被模糊的环节，因为数据分析本身高度技术化，AI和统计软件确实能完成大量计算。
需要守住的分界是：研究设计属于核心创新，计算执行属于技术劳动。研究假设的提出、变量的选择与操作化定义、样本范围的确定、对照组的设置、因果识别策略的选取，这些决定了研究能否成立，必须由申请人自主完成并能够解释每一项取舍的理由。AI可以帮助检查设计中的逻辑漏洞，例如提示某个混淆变量未被控制，但采纳与否、如何调整，仍由申请人决定。
在数据分析阶段，使用统计软件或AI辅助编写分析代码通常是可以接受的，前提是申请人理解每一步分析的含义。风险点在于：直接把数据交给AI并要求“给出结论”，然后照搬输出。这种做法的问题不只是合规，更在于申请人无法回答“这个系数为什么显著”“这个异常值如何处理”之类的追问。合理的做法是保留分析脚本、记录每次模型调整的原因，使分析过程可追溯。
对于涉及访谈、问卷等质性资料的研究，编码框架的建立属于核心创新，AI可以辅助对文本进行初步分类，但编码类目的确定、类目之间关系的解释必须由申请人完成。
结论与讨论：最不能交给AI的部分
结论与讨论是论文创新点的集中表达，也是《指南》中“自主完成”要求最明确的区域。部分高校已明确规定，不得直接使用AI生成论文的主体内容、致谢等部分。
结论部分需要回答：本研究发现了什么、这些发现相对于已有研究新在哪里、存在哪些局限、对理论和实践意味着什么。这些内容必须来自申请人对自己研究结果的理解。AI可以协助润色语句、检查逻辑连贯性，但如果让它生成结论段落，通常会出现两种问题：一是把分析结果简单复述为“研究表明……”，缺少真正的提炼；二是引入研究并未支持的过度推论。
讨论部分尤其需要申请人自主处理与既有文献的对话关系，包括解释为何本研究结果与某文献不一致。这种解释依赖对研究情境的深入理解，AI只能提供一般性猜测。
留痕与披露：把合规变成可证明的过程
“自主完成”不仅是事实状态，也需要能够被证明。建议在论文推进过程中同步建立三类记录。
工具使用记录：记录使用了哪些AI工具、用于哪个环节、输入了什么类型的指令、输出被如何使用。披露的颗粒度应当让读者判断AI是否触及核心创新，例如“使用某工具辅助润色第三章语言”与“使用某工具生成第三章分析框架”是性质完全不同的披露。
版本与过程记录：保留分析脚本、编码笔记、模型调整日志、重要的中间稿。当核心创新受到质疑时，这些材料是证明自主完成的主要依据。
引用与核对记录：对AI辅助检索到的文献，保留核对原文的痕迹，避免出现无法溯源的引用。
在论文的适当位置（通常为方法部分或致谢前的独立说明）如实披露AI使用情况，是多数高校的通行要求。披露不等于自我否定，隐瞒使用才是风险所在。
一份可操作的自查清单
在提交论文前，可以对照以下问题逐项自查：
- 论文的创新点能否用三句话向他人解释清楚，且不依赖AI重新生成？
- 选题理由、研究设计中的关键取舍，是否有基于文献和条件的具体依据？
- 所有参考文献是否逐条核对过原文？
- 数据分析的每一步是否理解其含义，能否解释模型选择？
- 结论与讨论中的判断，是否来自自己的研究结果而非AI的泛化表述？
- 是否保留了足以还原研究过程的记录？
- AI使用情况是否按要求如实披露？
如果以上问题中有任何一项无法肯定回答，建议在提交前补充相应工作，而不是依赖AI补写。核心创新的自主完成，最终检验的是申请人能否为自己的学术主张承担全部责任，这一点无法通过任何工具替代。
