收到审稿邀请，打开稿件，读到一段方法描述拿不准，或者面对非母语写作的评审意见不知道措辞是否得体——这时想打开生成式AI帮个忙，是很自然的反应。但审稿场景的AI使用规则，与写论文、投稿时的规则并不完全一致：写作场景的核心问题是“成果是否由你完成、是否披露”，审稿场景还额外叠加了一层“你是否对他人未公开的成果履行了保密义务”，以及一层“学术判断是否仍由你作出”。同一款工具，在两种场景下的合规结论可能相反。下面按保密、判断、披露三项自查展开，说明规则来源、判断标准和可操作的做法。文中涉及的政策信息检索日期为2026年10月，具体执行以你所在期刊、会议及出版社最新发布的审稿政策为准。
审稿场景的AI规则，为什么比写论文更严
审稿是一项受托行为。期刊或会议把尚未公开的稿件交给你，是基于对你专业判断和职业操守的信任，而不是授权你自由处置这份材料。由此产生的义务至少有三重：不得向第三方泄露稿件内容；不得利用评审中获得的未公开信息谋取利益；评审意见须体现你自己的学术判断。
近两年国内期刊密集出台的生成式AI使用规范，普遍把审稿人单独列为约束对象，而不只是约束作者。据《科技与出版》2025年第9期对50家社科学术期刊AI使用政策的文本分析，这些政策可归纳为责任界定、禁止事项、允许范围、披露要求、核查机制等九个维度，说明治理思路已经从“管作者”扩展到“管全流程”。具体规定上，不同期刊的严格程度差异明显：中国社会科学杂志社声明不接受外审专家运用生成式人工智能工具审稿并撰写外审意见书，同时要求编辑人员不得运用此类工具审稿并撰写审读报告；新疆大学期刊管理中心则规定稿件评审意见须由审稿人独立完成、不得使用AI工具直接生成评审意见，但同时明确了AI工具可以使用的情形。
国际出版机构与行业组织的口径也不统一，但方向相近。中国科学技术信息研究所与爱思唯尔、施普林格·自然等出版机构联合发布的《学术出版中AIGC使用边界指南2.0》提出，同行评审过程中作者和评审人员需依据评审委托方（如期刊或出版社）的政策决定是否可以使用AIGC工具，政策明确禁止的则不得使用。美国心理学会（APA）的期刊政策在要求作者披露AI使用情况的同时，也对编辑与审稿环节的AI使用设有约束；美国国立卫生研究院（NIH）对其科学同行评审专家使用自然语言处理类工具作出禁止性规定；哈佛大学的相关指引则明确不得把机密级别数据（含非公开研究数据）输入公开可用的AI工具。
把这些放在一起，可以得到一个稳定的判断起点：审稿人能不能用AI，第一顺位取决于委托方政策，而不是取决于工具本身的能力，也不取决于个人觉得是否“合理”。 政策禁止的，不必再论证；政策明确允许的，仍要在允许范围内使用；政策没写的，需要按最谨慎的解释处理，必要时向编辑确认。
自查一：保密——稿件能不能交给AI
哪些内容属于不能外传的范围
需要保护的通常不止“全文”一项。以下内容在多数期刊和出版社的保密要求下都属于未公开材料：
- 稿件正文、摘要、图表、补充材料、数据集；
- 作者信息、单位信息、基金信息，以及稿件中未公开的受试者或个案信息；
- 审稿系统内的评审表格、编辑来信、其他审稿人的意见；
- 你自己撰写的评审意见草稿（在编辑处理完毕前，它同样是未公开材料）。
判断标准不是“这段内容敏不敏感”，而是“它是否因审稿委托而由你掌握、且尚未公开”。只要答案是肯定的，把它输入外部服务前就应当先解决“政策是否允许”这个前置问题。
几个容易被忽略的高风险操作
实际工作里，风险很少来自“我决定用AI写评审意见”这种明显动作，而更多来自顺手的操作：
- 把全文粘贴进公共对话窗口，要求“总结这篇文章的主要贡献和不足”。 这等同于向第三方披露未公开稿件。
- 上传图表截图或数据表，请AI“看看这个结果是否合理”。 图表和原始数据往往比正文更敏感。
- 把稿件段落贴进去做翻译或改写，以求更快读懂。 翻译请求同样构成内容外传。
- 把作者姓名、单位、致谢内容一并贴入，即使只是问“这篇文章的作者背景是否影响判断”。这类信息涉及评审的独立性与匿名安排。
- 在撰写评审意见时，把稿件原句贴入让AI“润色得客气一些”。 这一步同时踩到保密与表达两个问题。
需要说明的是，工具是否提供“关闭训练”“不保存记录”等选项，属于服务方的技术设置，不能替代委托方的政策判断。数据分类指引（如哈佛大学将机密数据分级管理的做法）之所以按“数据级别+使用环境”作双重约束，正是因为技术选项本身不构成合规依据。
稳妥的处理方式
在不违反政策的前提下，可以遵循以下顺序：
第一步，查政策。在期刊主页的作者/审稿人须知、审稿邀请邮件、审稿系统首页中查找AI使用条款。找不到明确表述的，按“未授权即不做”处理。
第二步，做脱敏。即便政策允许有限使用，也应尽量只处理不承载未公开信息的内容，例如你自己已经写好的意见措辞，而不是稿件原文。脱敏不等于可以随意上传，它只是降低风险的必要条件之一。
第三步，向编辑确认。政策模糊时，发一封简短的询问邮件是最省成本的做法，也能留下书面记录。
自查二：判断——哪些环节可以辅助，哪些必须自己完成
“辅助阅读与表达”与“替代评审判断”的分界
多家期刊的声明使用的表述是：审稿专家应基于专业知识和学术判断独立完成评审，不得由AI替代专家进行实质性审稿。这句话已经把界线画出来了：实质性评审内容不可外包，非实质性的表达与格式工作相对边缘。
可以归入“表达层”的，通常是：
- 评审意见的语言润色，尤其是非母语写作时修正语法与语气；
- 把已经写好的中文意见整理成条目清晰的格式；
- 核对意见中引用到的文献格式、术语译名是否统一。
需要由审稿人本人完成的“判断层”，包括但不限于：
- 研究问题是否成立、是否有理论或实践价值；
- 研究设计、抽样、测量、统计方法是否适切，结论是否有数据支撑；
- 文献综述是否遗漏关键工作，论证链条是否有断裂；
- 伦理审查、知情同意、数据可得性声明是否充分；
- 是否建议修改、大修、拒稿，以及给出理由。
这些判断之所以不能委托，不仅因为AI可能出错，更因为评审意见一旦署名（对编辑而言）由你提交，责任就落在你身上。你无法用“工具说的”来解释一个错误判断。
一个可操作的自测方法
不必依赖模糊的自我感觉，用两个问题检验即可：
问题一：删掉AI输出后，我还能不能独立写出同样内容的理由？ 如果只能复述结论而说不出依据，说明判断已经被转移。
问题二：如果作者申诉、编辑追问“你为什么这样判断”，我能不能指出稿件中的具体页码、具体方法缺陷、具体逻辑跳跃？ 如果指不出来，这段意见不该出现在评审表里。
这两个问题构成一种“解释责任测试”。它不神秘，也不需要额外工具，只需在提交前对着自己的意见过一遍。
一个常见情境
假设你不熟悉稿件使用的某个统计模型，但知道它可能有问题。合理的做法是：查方法学文献、请教同事（在不泄露稿件内容的前提下描述方法而非数据）、或在意见中如实说明“该方法超出了我的专业范围，建议编辑另请统计审稿人”。不合理也不合规的做法是：把方法段落贴进AI，让它给出“该方法是否可靠”的结论，再把它转写成自己的意见。前者是尽职，后者既可能泄密，也把判断责任交给了无法承担责任的工具。
自查三：披露——向编辑说明到什么程度
披露的前提是政策允许使用。如果政策明确禁止审稿环节使用AI，那么正确做法是不使用，而不是“用了再披露”。披露不是免责通道。
三种披露通道
- 审稿系统的声明栏。 部分期刊的审稿表单中已设有“是否使用生成式AI”的勾选项或备注框，按提示填写即可。
- 评审意见末尾的说明段。 适合没有专门栏位的情形，用两三句话说明使用了什么工具、用于哪些环节。
- 主动告知编辑。 使用范围较特殊、或政策未明确规定而你已获编辑口头同意时，建议在提交意见时同步一封说明邮件，形成书面记录。
披露哪些要素
《学术出版中AIGC使用边界指南2.0》在出版环节提出的披露要素清单具有参考价值，包括使用者、人工智能技术或系统（需注明版本号）、使用的时间和日期、用于生成文本的提示和问题、文本中由AIGC编写或共同编写的部分等。审稿场景不必逐条照搬，但核心信息应当覆盖：
- 工具与版本：例如某模型的某版本，而不是笼统写“AI工具”；
- 用途与范围：用于语言润色、格式整理，还是其他；涉及评审意见的哪一部分；
- 未涉及的部分：明确说明学术判断、推荐意见由本人作出；
- 核验声明：说明已逐条核对工具输出，对其中的事实与表述负责。
一句可用的表述是：“本意见的文字表达经××工具（版本×）润色，学术判断与推荐结论均由本人独立作出，并对意见全部内容负责。”这句话的价值不在于形式，而在于它准确地划定了工具参与的范围。
披露不等于尽责
有学者在公开报告中提到，填写AI使用声明并不意味着完成了全部责任：生成内容有没有经过审阅、引用和数据有没有查证、作者是否真正理解并修改了结果，这些工作仍要落实。这一判断同样适用于审稿人。披露的功能是让编辑知情，而不是把责任转移给工具。
收到审稿邀请后的操作顺序
把上述三项自查压缩成一个可执行的顺序，便于下一次收到邀请时直接套用：
- 先读政策。 在审稿邀请邮件、期刊审稿人须知、出版社AI政策页面中确认三件事：是否允许使用、允许用于哪些环节、是否要求披露。（本文政策信息检索日期：2026年10月；务必以你收到邀请时对方最新发布的版本为准。）
- 再定边界。 若禁止，全程不使用，包括翻译与摘要；若允许有限使用，把可用范围限定在表达层，并明确不做整稿上传。
- 过程中留痕。 简单记录使用了什么工具、哪一天、处理了哪部分内容，便于填写披露或在编辑询问时说明。
- 提交前自测。 用“解释责任测试”过一遍意见：每条判断能否指出稿件中的具体依据。
- 提交时披露。 按系统栏位或意见末尾说明段填写，范围、工具、核验三要素齐全。
- 有疑问先问。 政策空白或情形特殊时，联系编辑确认，不要自行推定。
几种常见说法与实际规则的对照
| 常见说法 | 实际情况 |
|---|---|
| “作者投稿都要披露AI使用，审稿人应该也一样，披露了就没事” | 审稿场景的约束强于披露义务本身。政策明确禁止审稿使用AI的期刊（如中国社会科学杂志社的声明），披露并不能使使用行为合规 |
| “只上传摘要或图表，不算泄露全文” | 保密对象是未公开材料，摘要、图表、数据同样在内；判断依据是“是否因审稿而掌握且未公开”，不是篇幅 |
| “用AI润色措辞不影响判断，不需要说明” | 是否需说明取决于委托方政策。不少期刊通过披露要求实质上认可合理使用，但披露范围由政策界定，不能默认豁免 |
| “关闭训练、不保存记录就安全了” | 技术设置不等于合规依据。数据能否进入外部服务，首先由委托方政策与数据分类要求决定 |
| “AI给出的方法学质疑很有道理，直接写进意见” | 意见须由审稿人独立作出并能给出依据。无法核实的质疑不应写入，超出专业范围的应建议编辑另请审稿人 |
| “各刊规定差别太大，没法判断” | 差别确实存在，但处理方式统一：以委托方最新政策为准；政策未明确的，按最谨慎解释处理并向编辑确认 |
审稿是一项带责任的学术服务，它训练的是判断力，而判断力恰恰是无法外包的部分。生成式AI可以帮你把话说得更清楚，但不能替你决定这篇文章该不该发。把保密、判断、披露这三关守住，工具的使用才不会反过来侵蚀审稿本身的公信力。
