高校对生成式人工智能工具的管理，正在从"能不能用"转向"怎么用、怎么说明"。2026年5月，中国学位与研究生教育学会发布《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》，允许研究生在信息检索、资料整理、思路启发、数据处理和语言优化等环节使用AI工具，同时明确论文的核心论点、创新内容和主要学术贡献必须由本人独立完成。同年10月8日，江南大学研究生院发布通知，要求自2027年春季学期起，研究生在科研和学位论文写作中使用AI应记录使用目的、具体范围和生成过程，保留提示词、生成内容以及人工修改前后的版本记录，并在论文中对相关AI生成内容进行标识；答辩等环节原则上设置AI使用质询程序，其中专门提到，若使用AI辅助修改代码，作者需要解释关键程序的逻辑、修改过程和验证方法。（政策信息检索日期：2026年10月30日；各校、各期刊的具体要求并不统一，且仍在调整，请以所在单位与目标期刊的最新官方文件为准。）
对在论文或毕业设计中写代码的学生来说，这套要求带来的直接困难是：代码不像文字那样可以靠语感区分"哪些是AI写的"，而论文正文通常又不会完整呈现代码。于是代码贡献的归属往往被搁置——要么完全不提，要么笼统写一句"使用了AI辅助编程"。在当前的披露与质询机制下，这两种做法都难以支撑一个可核验的说明。
代码类使用为什么更容易出现归属模糊
文字类使用有相对成熟的对照方式：作者可以指出哪些段落由AI生成、自己做了哪些改写。代码的困难在于三点。
第一，代码具有可运行性。一段由AI生成、经作者调试通过的代码与作者自己逐行写出的代码，在最终文件里看不出差别，只有修改历史才能反映过程。第二，论文正文承载不了代码全貌。多数论文只在方法部分描述算法流程，把实现细节放进附录或代码仓库，披露位置本身就容易被忽略。第三，目前针对代码的量化检测手段有限。有分析指出，当检测工具尚无法稳定区分"AI生成""AI辅助"和规范的人类写作时，单凭一个比例数据难以替代对写作过程和学术行为的调查；这一判断在代码场景中更为明显，代码类使用的合规性判断，主要依赖作者完整的过程说明。
因此，代码贡献归属不是一个技术问题，而是一个"能否说清楚谁做了什么"的学术诚信问题。判断的落点不在代码优劣，而在于：论文所声称的研究能力，是否确实属于学位申请人本人。
三类情形的区分标准与披露方式
把AI在编程中的参与方式切成三类，分别对应不同的归属判断和披露强度，是比较可操作的起点。
第一类：调试辅助——工具性辅助
典型情形包括：向AI粘贴报错信息，请其解释错误含义、给出排查方向；请AI解读日志、解释某个库函数的参数含义；请AI提示性能瓶颈可能出在哪里。作者根据建议自行定位并修改代码。
判断要点在于：AI提供的是"线索"还是"成品"。如果AI没有直接产出被保留的代码，主要工作由作者完成，这类使用属于工具性辅助，性质上接近查阅文档或向同学请教思路。
披露方式：在方法部分或附录的AI使用说明中简要列出即可，说明工具名称、版本、用途和使用时间，并说明最终代码由作者编写和验证。若该环节不涉及论文的核心贡献，通常无需逐条列出全部问答。
第二类：代码片段生成——混合贡献
典型情形包括：请AI生成数据清洗脚本、正则表达式、绘图代码、接口调用模板、单元测试框架，或者让AI把某段伪代码翻译成实际语言。作者通常会在此基础上修改参数、调整结构、补全逻辑。
判断要点有三个：片段是否被直接采用；作者是否理解并能独立修改；该片段是否构成论文创新点的一部分。前两项决定披露的详细程度，第三项决定它是否触及归属红线。如果生成片段只是通用的工程性代码，与论文的学术贡献无关，披露可以简略；如果它与实验结果的产出方式直接相关（例如影响数据预处理结果），则需要说明核验过程。
披露方式：逐一说明哪些函数或模块由AI生成、提示词大致内容、作者做了哪些修改、如何验证其正确性。烟台大学的要求可作为参考：使用者需说明工具名称、版本、用途、生成内容或建议，并保留使用前的材料；湖南工商大学则要求填写AI工具使用说明表。需要提醒的是，量化检测结果达标，并不等于具体使用行为一定合规，两者是并行要求。
第三类：核心算法与模型构建——原则上须本人完成
典型情形包括：由AI提出模型结构、损失函数设计、特征工程方案、算法流程的关键步骤或实验对照方案，作者基本沿用。
判断要点在于：这部分内容是否正是论文声称的创新点，是否正是学位论文要考察的学术训练。清华大学的表述具有代表性：AI不能替代学生应当独立完成的学术训练，也不能把AI生成内容直接或简单修改后作为本人学业成果提交。当AI承担的是设计层面的决策，而非实现层面的劳动，归属判断的天平就偏向"替代性完成"。
披露方式：即便经过大量人工验证与改进，也应在方法部分明确说明哪些设计环节借助了AI、AI给出的方案与最终方案有何差异、差异由谁判断。如果最终方案与AI初始建议高度一致，需要在写作和答辩中能够说明自己的独立论证依据，而不是仅说明"我跑通了"。
| 情形 | AI承担的工作 | 贡献归属 | 披露强度 |
|---|---|---|---|
| 调试辅助 | 解释报错、提供排查方向 | 作者 | 简要说明工具与用途 |
| 片段生成 | 产出函数、脚本、模板 | 作者与工具混合 | 说明范围、提示、修改与验证 |
| 算法与模型构建 | 设计结构、方案、关键步骤 | 须由本人完成 | 详细说明差异与判断依据 |
判断贡献归属的五个问题
面对一段不确定如何归类的代码，可以先问自己五个问题。
- 这部分是否属于论文声称的创新点或主要学术贡献？属于，则披露要求最高。
- 关键设计决策由谁做出？如果是AI给出方案、作者接受，而非作者比较多个方案后选择，归属需要如实说明。
- 如果现在没有AI，能否独立重写并解释这段代码？不能，说明理解程度不足以支撑作者身份。
- AI的输出是被直接采用，还是被当作参考？前者需要更详细的修改记录。
- 该部分是否影响研究结果的产生方式？影响数据、指标或结论的代码，核验记录必须留存。
这五个问题不需要逐条写进论文，但它们决定了披露写到什么颗粒度。
需要保留的记录：工具、提示词与人工修改
披露的可信度取决于过程材料。江南大学的要求列出了较为完整的清单：工具名称、版本、开发主体、使用时间、具体用途和使用过程，并保留提示词、生成内容及修改前后的版本。深圳大学同样提出保留提示词、形成可追溯电子档案的要求。
具体到编程场景，建议保留以下四类材料：
- 工具信息：名称、版本、开发主体、使用日期，以及主要用途的概括。
- 提示词与上下文：至少保留涉及关键设计或核心片段的提示词，能够复现当时的请求范围。
- 原始输出与修改记录：AI的初始输出和最终采用的版本各留一份，中间的重要修改可借助版本管理工具记录。
- 验证材料：测试用例、对照运行结果、数据来源说明、与人工实现结果的比对。
需要区分两个环节：初次提交论文时披露到什么程度，应以所在单位或期刊的规定为准；进入核查或质询环节时，编辑部或答辩委员会可能要求提供更完整的记录。即使目标期刊未在初次投稿时要求上传全部过程材料，保留关键记录仍是稳妥做法。
披露写在哪里、写什么
方法部分
在研究方法章节设置一个简短的"AI工具使用说明"小节，说明工具信息、使用环节、生成内容范围、人工修改情况和验证方式。这是审稿人和答辩委员会最容易看到的位置。
附录与代码注释
完整代码较长时，可在附录或代码说明中逐模块标注来源，并在关键函数处用注释标明该模块由AI生成后经作者修改，或由作者独立编写。标注应指向可核验的版本记录，而不是空泛声明。
学位论文声明与答辩质询
部分高校已要求在论文中对AI生成内容加以标识，并设置专门的AI使用质询程序。准备答辩时，应能脱离提示词回答：关键程序的逻辑是什么、为什么这样设计、做过哪些修改、用什么方法验证。这些问题的答案来自作者本人的理解，背诵提示词并不能替代。
几个常见误区
其一，"代码是我跑的，就算我写的"。运行与理解是两件事，质询考察的是后者。其二，"我只用了AI改bug，不用披露"。调试辅助属于低强度披露，但"不用披露"与"可以简略披露"是两种不同的做法，后者才是安全边界。其三，"检测比例没问题就没事"。检测结果是触发复核的参考，不能替代对具体使用行为的说明。其四，"披露会显得能力不足"。牛津大学出版社2026年9月公布的一项覆盖2600余名研究者的调查显示，74%的受访者不清楚哪些AI使用需要披露，只有36%会主动记录研究中的AI使用情况，这说明披露困境是普遍现象，而不是个人问题。
代码贡献归属的写法没有唯一模板，但有一条稳定标准：读者根据你的说明，能够判断哪部分工作由AI完成、哪部分由你完成，以及你如何验证了最终结果。把这条标准落实到记录、写作和答辩三个环节，AI编程工具的使用就不再是一个模糊地带。
