计算机科学家 Guillaume Cabanac 收到 Google Scholar 的引用提醒，说他一篇论文被《International Dental Journal》上的一篇文章引用了。这让他很意外：他研究的是识别造假论文，和牙科几乎没有交集。更意外的是，他认不出那条被归到自己名下的参考文献。Nature 在关于“幻觉引文”污染的报道中记录了这个细节，它说明的问题比“AI 会写错字”严重得多——一条看起来格式规范、作者齐全、期刊合理的引文，可能整体都不存在。科学计量机构 Digital Science 的 Kathryn Weber-Boer 在报道中描述，有些情况下引文的所有组成部分都是编造的。
对研究生和青年科研人员来说，真正需要回答的已经不是“AI 会不会编文献”，而是两个更具体的问题：这种编造在什么情形下构成科研不端？在投稿之前，我应当用什么流程把风险降到可控？
一、“幻觉引文”与“故意伪造”不是同一件事
两者的核心差异在主观状态与核查义务
生成式模型的工作原理是预测下一个最可能出现的词，而不是检索数据库。当它被要求“给出一段关于某主题的文献支持”时，它可能生成一条在语法、格式、作者组合上都极其可信、但实际并不存在的条目。这类输出通常被称为“幻觉引文”（hallucinated citations）。
故意伪造文献则是另一回事：作者明知某文献不存在，仍然把它写进参考文献表，或者把真实文献的作者、期刊、年份、结论篡改成符合自己需要的版本。
二者在客观结果上可能一致——读者都被误导了；但在责任判断上差别很大：
| 维度 | AI 幻觉引文（未尽核查） | 故意伪造文献 |
|---|---|---|
| 主观状态 | 通常为疏忽、过度信任工具 | 明知虚假仍使用 |
| 行为特征 | 未逐条核验，直接采纳生成结果 | 主动编造、篡改或拼凑 |
| 是否可纠正 | 核验即可发现并删除 | 往往伴随掩盖行为 |
| 常见认定方向 | 写作规范与注意义务问题，视情节与后果 | 属于典型的科研不端情形 |
需要强调的是，“不是故意”并不等于“没有责任”。区分这两类情形，是为了让处理方式与过错程度相匹配，而不是为疏忽提供免责理由。
为什么这个区分对作者本人重要
一方面，如果把所有 AI 引文错误一律按最严厉的定性处理，会掩盖真正需要严惩的故意造假；另一方面，如果把它当成“技术小毛病”轻轻放过，被污染的文献记录会持续误导后续研究者。已有审计显示问题并非个案：一项由哥伦比亚大学主导的审计指出，AI 系统编造了数千条引文；一项国际 AI 辅助审计则在近 3000 篇同行评审医学论文中发现伪造参考文献，其中一篇被抽查的文章里，30 条引文中有 18 条是假的。对临床指南制定者和读者而言，这意味着他们无法判断所依赖的证据是否真实存在。
二、责任落在谁身上：署名作者对最终文本负责
无论段落是手写的、翻译软件转的，还是大模型生成的，投稿系统里点击“提交”的那个人、以及列在作者列表上的所有人，对文稿的准确性负责。这是当前期刊出版界的基本共识，也是各类科研诚信规范的共同前提。
由此可以推出三条实操结论：
第一，AI 工具不能署名。它无法承担作者责任，也无法对内容真实性作出担保，因此不被列为作者。
第二，责任不因“工具生成”而转移。审稿人和读者不会区分哪一段是模型写的，他们只会核对结论与引文是否成立。
第三，通讯作者负有把关义务。在多作者论文中，通讯作者通常是最后一道核查关口，引文层面的系统性错误往往被视为把关不足。
三、投稿前的三步引文核验
下面这套流程，针对的是“AI 参与过写作或文献整理”这一常见场景，也适用于完全人工写作的稿件——人工整理同样会出错。
第一步：确认文献是否真实存在
不要通过搜索引擎的摘要片段判断，也不要相信模型给出的任何标识符。逐条打开权威书目数据库或期刊官网，核对以下要素是否全部吻合：
- 期刊或会议名称、卷期、页码
- 全部作者的姓名与顺序
- 出版年份
- DOI 是否能解析到同一篇文章
只要有一项对不上，就应当把这条引文视为“待证伪”，而不是“大概没问题”。实践中，编造引文最常见的破绽是：作者组合真实、期刊真实，但标题与页码拼凑而成，或者 DOI 指向一篇完全无关的文章。
第二步：确认文献是否支持你的论断
文献真实存在，不等于它支撑了你写的这句话。这一步核查的是“引用适当性”：
- 原文的研究对象、样本、方法是否与你的表述一致？
- 你引用的是原文的结论，还是二手综述对它的转述？
- 是否存在把相关性表述为因果性、把动物实验结论表述为人群结论的偏移？
AI 生成内容在这一步的风险常被低估：模型可能把真实文献与看似合理的结论拼接在一起，形成“真文献、假归属”的组合。
第三步：留下可追溯的核验记录
对学位论文、长篇幅综述或多作者合著，建议建立一张核验表，最少包含：引文编号、核验日期、核验人、核验渠道、核验结论。这份记录在两种情况下价值极高：一是合作者之间分工核对时避免遗漏，二是日后被质疑时能够说明已尽到合理注意义务。
核验记录本身也是过程管理的一部分，与实验原始数据记录的逻辑一致——它证明的不是结果一定正确，而是过程可追溯。
四、对照规范：什么情形下构成科研不端
国内科研诚信制度对“伪造、篡改、抄袭”有明确界定，《科研诚信案件调查处理规则》等文件构成了调查处理的基本框架；《发表学术论文“五不准”》等规范性要求则强调作者对署名论文的真实性负责。近年来，针对生成式 AI 的使用，相关机构也陆续发布诚信提醒，要求科研人员在利用此类工具时对内容的真实性与准确性负责（相关文件以官方最新发布版本为准，本文撰写时检索）。
把前述区分落到判断上，大致可以形成如下思路：
- 若作者建立了核验流程、发现错误后主动更正，通常属于写作规范与注意义务层面的问题，处理方式以更正、勘误为主。
- 若作者未做任何核验，导致大量不存在或错配的引文进入正式发表记录，可能被认定为未尽合理注意义务，视情节与后果承担相应责任，包括更正、撤稿。
- 若查明作者明知文献不存在仍然使用，或为迎合结论而篡改文献信息，则更接近故意伪造，属于科研不端调查的范畴。
需要提醒的是，具体案件的定性由所在机构依据现行文件和调查程序作出，任何外部的类型化分析都不能替代正式认定。作者能做的，是把“是否存在故意”和“是否尽到核查义务”这两个事实，用过程记录说清楚。
五、披露义务：把 AI 的使用写清楚
多数国际期刊和出版机构已要求在投稿时说明生成式 AI 的使用情况，通常包括：使用了哪类工具、用于哪些环节（语言润色、文献初筛、提纲生成、代码辅助等）、以及作者如何对输出进行复核。具体要求差异较大，须以目标期刊最新作者须知为准。
披露时有两个常见误区值得避免：
一是“用了但不写”。有的作者认为只用于语言润色，不必披露。但若期刊明确要求披露所有 AI 辅助，隐瞒本身即构成对投稿要求的不遵守。
二是“写了就没事”。披露不等于免责。声明“本文使用某模型辅助整理文献”之后，引文准确性仍由作者承担。
较为稳妥的做法是保留提示记录与输出记录，并在方法或致谢部分用一两句话说明使用范围与复核方式。这样既满足透明度要求，也便于合作者与审稿人判断风险点。
六、一份可执行的自查清单
在点击提交之前，可以按以下顺序过一遍：
- 参考文献表中的每一条，是否都能在权威数据库中定位到同一篇文献？
- 每条 DOI 是否解析到对应文章，而非相邻文章或错误页面？
- 每条引文所支撑的正文表述，是否与原文结论一致？
- 是否存在“只有综述、没有原始研究”的关键论断？
- 是否已建立核验记录，并注明核验人与日期？
- AI 使用情况是否按目标期刊要求如实披露？
- 所有署名作者是否已确认对文稿内容负责？
AI 编造参考文献是否构成科研不端，无法用一个“是”或“否”回答。可以确定的是：工具不会替你承担责任，署名意味着担保。把核验做成习惯、把使用写进披露、把过程留下记录，是把这类风险控制在可管理水平的最直接方式。
