把一段尚未发表的实验结果粘进对话框，请求"帮我润色一下"或"帮我看看这段分析对不对"，这可能是当前高校实验室里最常见、也最难被察觉的一次数据外流。它不需要绕过任何防火墙，不触发任何告警，甚至当事人往往认为自己做的是"提高效率的好事"。问题恰好出在时间点上：判断发生在输入之前，而一旦点击发送，数据就已经离开受控环境，后续无论删除对话、撤回消息还是更换账号，都无法真正撤销。日内瓦大学理学院（UNIGE Faculty of Science）关于生成式AI使用的建议，其价值不在于列出多少条禁令，而在于把注意力前移到"按下回车之前"的那几分钟。本文以该建议所列的禁止情形为线索，梳理一条可操作的输入前判断路径，重点处理"未发表研究结果"这一高频模糊地带。文中涉及机构规定的部分，检索公开资料的日期为 2026 年 6 月，各校文件更新较快，具体条目与最新版本请以你所在机构官网原文为准。
为什么"未发表"总是最难判断的一类
已发表论文的内容是公开信息，个人身份信息有明确的法律定义，涉密数据有密级标签——这三类数据在多数人心里都有清晰的红线。未发表研究结果没有。
它既不是秘密，也不是公开；它可能只是几张还没做出重复实验的图，可能是一段尚未验证的代码，也可能是导师口中"先别外传"的一句话。更麻烦的是，它的敏感度是动态的：一份数据在开题阶段只是初步探索，在投稿阶段则涉及优先权、专利新颖性和审稿保密；一旦涉及合作方提供的样本或受试者信息，还叠加了合同义务与隐私保护义务。
因此判断的关键问题不是"这算不算秘密"，而是三个更具体的问题：
- 这份材料一旦出现在第三方服务器上，谁获得了访问可能？
- 如果它明天被公开或被他人抢先使用，会造成什么后果？
- 我是否有权单独做出这个决定？
第三个问题最容易被忽略。学生往往默认"数据是我采的，我有权处理"，但数据的所有权、管理权和处置权在研究团队、合作单位、资助方与所在机构之间是有分配规则的。凡是你答不上第三个问题的时候，正确的默认动作都是"先别输入"。
输入前的分级判断路径
把材料按"可控程度"分三级，比按"重要程度"分更有效，因为决定风险的是数据的去向，而不是数据本身的价值。
| 级别 | 典型材料 | 判断要点 | 建议处理 |
|---|---|---|---|
| 可输入 | 已公开出版的论文、公开标准文本、通用教科书知识、自拟的虚构示例 | 内容已处于公共领域，或与你的研究无实质关联 | 可正常使用，但仍需核对生成内容的准确性 |
| 有条件输入 | 研究设计思路、方法框架描述、去掉具体数值的表述、脱敏后的流程说明 | 去除可识别信息后不再指向具体项目、样本或个体 | 先脱敏、再最小化、必要时先取得导师或数据管理者同意 |
| 不得输入 | 未发表研究结果、原始或中间数据、受试者个人数据、合作方受限数据、涉密或受保密协议约束的材料、投稿中的稿件与审稿意见、未公开的专利申请材料 | 一旦外泄会造成优先权、隐私、合同或法律后果 | 不输入、不上传、不改写后输入 |
这张表的使用方式是自上而下逐条排除，而不是寻找"允许"的缝隙。当一份材料同时符合两级特征时，按更严格的一级处理。
建议中通常被明确列为禁止的情形
不同机构文件的具体措辞差异较大，但从各高校院系级生成式AI使用建议的共同结构来看，以下几类情形通常被直接列入禁止范围。日内瓦大学理学院的建议同样把重点放在"受保护数据不得进入公开可用的AI服务"这一原则上，具体条目请以该院官网发布的现行版本为准。
- 未发表的研究数据与结果。 包括原始观测数据、实验记录、尚未定稿的图表、统计分析中间结果、论文草稿与修改稿。这类材料的问题是优先权与保密性，而非隐私。
- 可识别到个人的数据。 姓名、联系方式、身份证件号、学号、病历、访谈录音与逐字稿、带人脸的图像、可从小样本反推到个体的组合信息。
- 受合同或保密协议约束的第三方数据。 企业合作项目数据、委托检测数据、未公开的行业数据集。
- 涉密与国家管制相关信息。 涉及特定领域的数据，即使你判断"看起来不敏感"，也不应自行决定。
- 审稿、评审与评议材料。 期刊或基金评审过程中接触到的稿件与评议意见，属于保密义务范围。
- 需授权的账号与研究基础设施凭证。 密钥、口令、数据库连接信息、内部系统地址。
请注意一个常见误判：把材料"改写一遍"再输入，并不改变其性质。如果改写后的描述仍能还原出研究内容、样本特征或结论，风险与原样输入等价。
未发表研究结果的四层拆解
"未发表"是一个笼统标签，把它拆开看，判断会清楚很多。
第一层：数据的来源。 数据是你自己产出的、合作方提供的，还是公开数据集？来源决定了谁有权同意它被处理。合作方数据在没有书面许可的情况下，一律视为不得输入。
第二层：数据的粒度。 同一份数据，以汇总统计呈现和以个体记录呈现，风险完全不同。样本量为 3 的访谈片段中若出现"某三线城市、某年入职、某岗位"的描述，实际上已接近可识别。
第三层：数据所处的阶段。 探索阶段的数据敏感度相对低，但一旦进入结果确认、论文撰写、投稿与专利申请流程，敏感度陡增。投稿中的稿件不仅涉及你自己的保密，还涉及期刊的评审保密规范。
第四层：AI 工具本身的性质。 这是最容易被忽略的一层。公开可用的消费级聊天工具、机构采购并签署了数据处理协议的企业版、以及完全在本机运行的离线模型，三者的数据流向截然不同。前者的输入可能被用于服务改进，后者则不出本地设备。判断"能不能输入"，必须与"输入到哪个工具"一起考虑；同一个问题换一个工具，结论可能完全相反。
替代做法：不用公开AI服务也能推进工作
禁止输入不等于禁止使用。多数场景下存在可替代路径，成本往往低于想象。
脱敏与抽象化。 不上传"某某样本在 37℃ 下处理 24 小时后的表达量为 X"，而描述为"一个双因素实验，两个水平，每组三个重复，我该用哪种检验"。AI 需要的是方法与结构，不是你的具体数值。
只处理结构，不处理内容。 让工具帮你搭论文框架、写方法学部分的句式模板、检查参考文献格式、把段落改成更清晰的表达结构——这些任务并不需要真实数据参与。
使用本地或机构许可的工具。 学校若提供了签署数据处理协议的企业版服务，或你可以在本地部署离线模型处理数据，数据外流的风险就被控制住了。使用前请确认：该服务是否明确承诺不使用输入内容训练模型、数据存放地在哪里、是否留有审计记录。
用合成或示例数据替代。 需要演示分析流程时，自己构造一组结构相同但数值无关的示例数据，效果与真实数据接近，风险为零。
先问人，再动手。 不确定时的正确顺序是：问导师或课题组的数据管理负责人 → 问院系或学校的数据保护/信息安全归口部门 → 问伦理委员会（涉及人类受试者时）。咨询时应说明：数据来源、是否含个人可识别信息、是否受合同约束、打算用哪类工具做什么。把这个流程走一遍通常只需一封邮件。
保留人工核查环节。 即便数据合规，AI 生成的内容也可能包含错误引用、不存在的文献或统计方法误用。生成结果只能作为起点，不能作为结论。
把判断过程留下来
合规判断最难证明的部分，往往不是"我没做错"，而是"我当时确实判断过"。建议在课题组层面形成一个简单习惯：
- 在项目数据管理计划中写明：哪些类别的材料允许进入哪类 AI 工具，由谁批准。
- 对每一次需要外部工具辅助的情况，记录用途、工具名称、输入材料的类别（而非内容）与批准人。
- 论文投稿时，按目标期刊与所在机构的要求如实披露生成式AI的使用范围。多数出版机构要求披露的是"用于语言润色或结构建议"这类用途，而不是把AI列为作者。
- 一旦发现误传了不该传的材料，立即停止使用该对话、按机构流程上报，而不是自行删除后当作没发生。及时上报通常比隐瞒的后果轻得多。
三条可以随身携带的判断原则
如果记不住表格，记住三句话也够用：凡是别人交给你保管的数据，默认不许输入；凡是尚未公开的自己的结果，先问再输入；凡是拿不准的，换成不用输入的方案。 合规判断不是一次性的考试，而是每次按下发送前的一次停顿。机构文件会更新，工具会换代，唯一不变的是那个停顿本身的必要性——以及，在规则不明确时，去查你所在机构最新发布的原文，而不是参考某篇二手总结。
