使用生成式AI生成合成数据或模拟数据时如何合规披露：区分演示数据、替代数据与真实观测

合成数据进入论文时，最先要解决的问题不是"要不要说明用了AI"，而是"读者能不能分清哪些数字来自观测、哪些数字来自生成"。这两件事经常被混为一谈：一份由生成模型产出的示例表格，和一份用来替代敏感问卷的合成数据集，在方法学上的地位完全不同，披露的深度、验证的要求、乃至是否需要伦理审查，都不在同一层级。把三者统称为"合成数据"并写一句"部分数据由AI生成"，看似诚实，实际上没有提供任何可核查的信息。以下按使用场景拆开讨论，再给出披露、验证与记录的落地做法。

先分清四类数据：它们的举证责任不一样

在学术写作中，"不是真实观测"的数据至少有四种来源，混用会导致披露失焦。

模拟数据（simulation data） 由研究者设定参数、通过随机过程或解析模型生成，用于评估统计方法的性能，例如蒙特卡洛实验中的不同样本量、不同噪声水平。这类数据在方法学论文中历史悠久，其合法性不依赖生成工具，而依赖生成机制是否被完整描述，使他人能够复现。

演示数据（demonstration / toy data） 用于跑通代码、展示分析流程、制作教学示例。它不承担实证结论，但一旦出现在论文的图表中，就必须让读者知道这只是流程演示。

隐私保护替代数据（synthetic surrogate） 用生成模型学习真实数据的结构，产出一个不含真实个体记录的版本对外发布，以替代因保密或知情同意限制而无法公开的原始数据。这类数据的风险最高：它既要"像"真实数据以保持可用性，又不能"太像"以至于可以反推个体。

缺失数据填补（imputation） 包括多重插补和近年来用生成模型做插补的尝试。填补值严格来说不是观测值，但填补后的数据集常被当作完整数据直接分析。披露的关键是说明哪些变量、多大比例的值是填补的，以及填补模型的不确定性是否被传递到最终估计中。

这四类数据在论文中的"身份"不同，因此不能用同一句话打发。一个可操作的判断顺序是：这份数据是否承载论文的实质性结论？如果是，它属于模拟或填补，需要在方法与结果中交代生成机制与不确定性；如果否，它属于演示，需要在图注和数据可用性声明中明确标注，避免被误读为观测。

按场景决定披露位置与深度

不同场景下，披露的落点不同。下表给出一个可参照的分工，具体措辞仍需按目标期刊要求调整。

需要强调的是，模拟数据与方法学论文中的"生成模型"不是同一件事。前者是研究设计的一部分，后者是数据处理工具。把两者都写成"使用AI生成数据"，会让审稿人无法判断研究究竟做了哪件事。

方法部分：写到别人能复现的程度

披露的最低标准是"可复现"，而不是"已声明"。对于生成式模型参与的数据构造，方法部分应至少包含以下要素：

• 模型名称与版本号，以及访问或调用日期。模型版本会更新，只写产品名而不写版本，半年后无法复现。
• 关键参数，例如温度、采样数量、最大长度；若使用提示词，应在正文给出策略性描述，完整模板放入补充材料。
• 生成时间与数据规模，包括生成条数、经清洗后保留条数、剔除规则。
• 后处理步骤，包括去重、格式校验、异常值处理，以及是否有人工逐条核对。
• 生成环境的合规性，尤其是当输入包含未发表的实验数据或人类受试者信息时，应说明使用的是本地部署、机构许可的受控环境，还是公开在线服务。

一个常见的写法示例，可根据实际情况改写：

本研究第4节的流程演示使用了生成模型构造的示例数据集，不含任何真实个体记录。生成使用某模型（版本号，访问日期：某年某月），温度设为0.7，提示词模板见补充材料S1。共生成500条记录，去除重复与格式不合规记录后保留468条。该数据仅用于演示分析流程的可执行性，文中实质性结论均基于第3节的真实观测数据。

这段话的价值在于它把"用途边界"写死了：读者不会误以为468条记录是样本量。

数据可用性声明：区分"不能给"与"给的是替代品"

数据可用性声明最容易出问题的地方，是把合成数据放在"原始数据"的位置上，或者反之，用"数据可向作者索取"掩盖数据本身是生成的。写作时应回答三个问题：原始数据是否存在、为何不能公开、公开的是什么。

如果公开的是隐私保护替代数据，应写明：替代数据由何种模型基于原始数据的哪些变量生成、经过哪些验证、不含真实记录、不适用于重新估计原始效应。如果公开的是模拟数据，应写明生成脚本与参数文件是否一并提供，因为模拟数据的复现价值几乎全部在脚本里。

有一种情况需要特别谨慎：用生成数据补齐了缺失环节后，把它作为"完整数据集"发布，却没有说明哪些格子是填补的。这在方法上等同于隐性的数据改造，读者据此做的二次分析会系统性偏离。正确做法是提供带填补标记的版本，或至少给出缺失模式与填补比例。

图表标注：最容易被忽略的一环

图注和表注是读者快速判断数据性质的位置。若一张图的坐标轴、图例、标题都没有提示，读者默认它画的是观测数据。建议的做法是：

• 在图题末尾加括号说明，例如"（基于合成数据的流程演示，非真实观测）"。
• 在表注中说明数据来源与样本量口径，若表中数值为填补值，标注填补比例。
• 文件名与补充材料目录中使用可识别的命名，如 sim_、synth_、demo_ 前缀，避免与原始数据文件混淆。
• 摘要中若提及样本量，应明确该样本量对应的是真实观测还是模拟/合成数据。摘要是最容易被单独引用部分，这里的模糊会被放大。

验证：不能只写"分布一致"

声称合成数据"与真实数据分布接近"，是一个需要证据支撑的断言。审稿人通常会追问：接近到什么程度、用什么指标、在哪些维度上不接近。可用的检验思路大致分四层，不必全部做，但做了的要报告结果，包括不理想的结果。

单变量层面：对连续变量比较均值、标准差与关键分位数，对分类变量比较频数分布。可用标准化均值差、总变差距离等指标量化差异。

多变量关系层面：比较相关系数矩阵的差异，检查交叉表中联合分布是否被保留。生成模型常在这一层出问题：边缘分布都对，变量间的关联被削弱。

隐私层面：检查合成记录与真实记录的最近邻距离，判断是否存在过于接近的样本；对小样本或高维数据，还应评估唯一性风险。这一步在发布替代数据时不可省略。

效用层面：在合成数据上训练或调参，在真实数据上评估表现，与直接在真实数据上训练的基线对比。这是最能说明"合成数据是否可用"的证据。

验证结果应写入方法或补充材料，而不是只在回复审稿人时提供。如果某项检验未通过，诚实的处理是说明该合成数据仅适用于特定用途，而不是删掉检验。

生成记录的保留清单

科研诚信的要求不止于"发表时写了什么"，还包括"事后能否还原过程"。建议在项目文件夹中固定保留以下记录，并在投稿时随补充材料提交其中可公开的部分：

香港的生成式人工智能技术与应用指引在讨论透明度与可解释性时，明确建议在可行情况下披露训练数据来源、模型架构与评估指标，并要求机构建立文档制度、定期审查测试结果（检索日期：2026年5月）。这一思路对科研场景同样适用：文档不是形式主义，它是出现质疑时唯一能自证的材料。

哪些情况需要伦理审查

这是最容易被想当然处理的环节。判断的关键不是"数据是不是AI生成的"，而是"生成过程是否触及人类受试者信息"。

仅由研究者设定参数、凭空生成的模拟数据，通常不构成人类受试者研究，一般无需伦理审查，但仍应在方法中说明生成机制，避免读者误认为是实测。反之，用真实人类受试者数据训练生成器，无论产出物是否含个体记录，都属于对既有数据的二次使用，需要核对原始知情同意的授权范围与伦理批件的研究内容；若原批件未涵盖此类用途，应申请变更或新的审批。发布隐私保护替代数据前，还宜经过数据治理或伦理部门的复核，评估重识别风险。

另一条常被忽视的红线是数据外流。把未发表的实验数据、问卷原始记录或可识别信息上传到公开的在线AI服务，可能在多数机构的数据管理规定下不被允许。使用前应确认机构政策，优先选择本地部署或受控环境，并在方法中如实说明处理环境。涉及人类受试者数据时，最终以所在机构伦理委员会的规定为准，本文提供的只是判断路径，不能替代具体审查意见。

一个可执行的自查流程

投稿前，可以用三个问题快速定位风险：

第一，论文中出现的每一个数据集，能否用一句话说清它是观测、模拟、合成还是填补产物？如果说不清，说明披露还没做到位。

第二，删掉所有关于数据来源的说明后，读者会不会把生成数据误认为观测数据？如果会，说明标注位置不对或强度不够。

第三，如果审稿人要求提供生成脚本与验证结果，能否在一天内找到？如果找不到，说明记录习惯需要补。

生成式工具让"造出一份看起来合理的数据"变得容易，也让数据性质的边界变得模糊。学术规范对此的回应并不复杂：不在于禁止使用，而在于让数据的来源、生成方式与适用范围处于可被读者和审稿人检验的状态。规则层面，ICMJE推荐规范要求披露稿件准备过程中使用的AI辅助技术，并明确聊天机器人不能列为作者（检索日期：2026年5月）；具体到数据生成，各期刊的措辞与位置要求仍有差异，投稿前应以目标期刊的最新作者指南和所在机构的学术规范文件为准，不宜把本文或任何二手解读当作现行规则的最终依据。