提交前的自查,真正要回答的问题不是“我有没有用过生成式AI”,而是“我交上去的这部分内容,实质上是谁生成的,我有没有把它当作自己的成果来呈现”。多数高校的规定并不一概禁止AI工具,而是把“未经允许或未加披露,将AI生成材料作为本人成果提交”列为不当使用。香港理工大学的学生生成式AI使用指南即明确,在禁止使用AI生成材料的考核中,若学生把AI生成材料当作自己的成果提交,会被按不当使用处理;岭南大学(Leuphana)的AI使用声明则把“生成整份作业或其中的重要部分”直接归入抄袭与学术不端。判断标准因此落在“归属”与“披露”上,而非工具本身。本文检索到的院校文件时间为2026年2月,各校条款仍在更新,实际提交时务必以本校、本院系及具体课程的最新文件为准。

判断“冒充”的三个构成要素

把任何一类内容提交出去之前,可以用三个问题串联成一条判断路径。三个问题的答案如果同时指向同一方向,基本可以确认属于冒充。

第一,内容的实质性部分由谁生成。 生成式AI输出的是整段论证、核心算法、整幅图像,还是只参与了措辞、格式、样板代码?判断依据不是字数比例,而是学术贡献的归属:论点、结构、证据链、实验设计、结果解释是否出自你本人。

第二,你是否具备核验与解释的能力。 对提交的每一个论断、每一行代码、每一处引文,你能否说出依据、复现过程、解释为什么这样写?如果某部分只能“照搬”,即使做过文字调整,也很难主张为本人成果。

第三,披露是否充分且可核验。 课程或期刊是否允许使用?是否按要求作出了声明?声明中是否写清了工具、用途与影响范围?缺少披露的实质性生成,通常就构成“冒充本人成果”的核心情形。

下面的分类判断都按这三步展开。

文字改写:改写不改变来源

判断路径

最容易被低估的情形,是“AI起草、自己改一改”。词句替换、语序调整、同义改写并不改变内容的生成来源。如果段落的核心观点、论证顺序、例子甚至句式骨架都来自模型输出,你只做了表面润色,那么这段文字在性质上仍是AI生成内容。

反过来,如果论点由你确定、文献由你阅读、证据由你整理,AI只承担语言层面的润色(例如调整句长、统一术语、修正语法),这通常属于工具性辅助。但“属于辅助”不等于“无需说明”:是否要声明、如何声明,取决于课程或期刊的具体要求。

还有一种需要单独警惕的情形:让AI改写他人文献的表述,再当作自己的综述语言使用。这同时涉及两层问题——AI生成内容未披露,以及对他人在先成果的不当使用。改写他人观点而不加引用,无论改写由谁完成,都不因“换了说法”而免责。

操作与留痕

  • 保存你输入的提示词与模型输出的原始记录,哪怕后续大改。
  • 保留文档的版本历史(Word版本记录、Google Docs修订记录、Git提交历史均可),使“哪一版由AI起草、哪一版经你重写”可被追溯。
  • 在写作笔记中标注:哪些段落由AI生成初稿、你做了哪些实质性修改(补充了数据、替换了论证、删除了无依据断言)。
  • 引用必须回到原始文献,不得引用AI输出的转述作为出处。

需要提醒的是,“改写以降低AI检测率”本身就是风险信号。检测工具的结果不是规则标准,规则标准是你是否如实归属并披露。

整段翻译:区分翻译工具与内容生成

翻译类情形的争议点在于,机翻在形式上“不是AI写的新内容”,但在实践中很容易演变为冒充。

判断路径

可以分三种情况处理。

情形一:原文由你本人撰写,仅使用翻译工具转为另一种语言。 这通常被视为语言工具。但前提是:你逐句核对过译文,专业术语按领域惯例统一,引文、页码、数据在译文中保持一致,且译文没有引入原文不存在的内容。若直接提交未经核对的机器译文,尤其是术语错译、引文页码错位、逻辑连接被改写的情况,风险不仅是“冒充”,还包括事实性错误。

情形二:原文本身由AI生成,再翻译提交。 来源仍是AI生成内容,翻译不构成“加工”,不能改变归属判断。

情形三:把译文当作独立成果发表或提交。 若期刊或学校要求声明翻译工具、润色服务的使用,未声明即构成披露缺失。学位论文中若包含已发表译文,还需处理版权与重复使用问题,这属于另一条独立规则。

操作与留痕

保留原文与译文的对照版本、术语表、逐句核对痕迹;若使用人工润色或翻译服务,保留服务记录与合同,并按目标期刊要求决定是否在致谢或方法部分说明。投稿场景下,语言润色与翻译的政策差异较大,须查目标期刊的现行作者指南。

代码片段:能否解释与复现是关键

判断路径

代码的归属判断,重点不在“是不是AI写的”,而在“你是否理解并对其正确性负责”。

风险最高的情形是:核心算法、模型结构、数据处理流程由AI生成,你未逐行理解,无法解释设计选择,也无法在数据变化时调整。这类代码一旦进入论文或课程作业,等于把无法担保的内容声称为自己的技术贡献,在答辩、复现实验或代码审查中很容易暴露。

通常可接受的情形包括:用AI生成样板代码、配置文件、正则表达式、注释与文档字符串、单元测试骨架,以及用于调试的报错解释。但“可接受”仍受课程规定约束——有些课程明确禁止任何形式的AI生成代码,有些要求逐处标注。

一个常见的中间地带是用AI辅助重构或优化你已写好的代码。这时应确保:优化前后的逻辑差异你能说明,性能变化有测试支撑,且保留原始版本以便对比。

操作与留痕

在版本控制中保持清晰的提交粒度,让每次AI辅助的改动可定位;对AI参与生成的函数,在注释中说明来源与你的核验方式。例如:

# 本函数骨架由AI辅助生成,经作者改写并补充边界条件判断;
# 测试用例见 tests/test_preprocess.py,覆盖率与原始实现对比见附录B。

同时保留测试记录、失败案例与修正过程。论文中若代码是贡献的一部分,方法部分应说明实现来源;若代码仅为分析工具,按期刊要求决定是否提供代码可用性声明。

图像与图示:数据类图像不存在“辅助”空间

图像需要分成两类,规则完全不同。

第一类是作为数据或证据的图像:实验照片、显微图像、凝胶电泳图、统计图、遥感影像、问卷截图等。这类图像一旦由AI生成或由AI补全、修饰关键区域,性质就是伪造数据,不属于“工具性辅助”的范畴,也没有可披露的合法路径。

第二类是示意图、流程图、概念图、封面图。用AI辅助绘制通常风险较低,但仍需注意:图中标注、数值、流程步骤必须由你核对;部分期刊要求声明AI生成图像,或明确不接受AI生成的美术素材;涉及第三方素材时还要处理版权。

判断要点是:这张图承载的是“证据”还是“表达”。承载证据的图像,只能用真实采集与规范处理;承载表达的图像,可以借助工具,但要标注并确保信息准确。

提交前的证据清单

把自查落到可交付的材料上,比心里“觉得没问题”更可靠。下表可作为通用框架,具体项目按本校要求增减。

证据类型记录内容保存形式
工具使用记录工具名称与版本、使用日期、用途、提示词摘要单独的记录文档或附录
生成内容清单哪些段落、函数、图表涉及AI参与,参与程度如何与稿件对应的标注表
版本历史初稿、AI参与稿、本人重写稿的差异文档修订记录、Git提交
核验记录引文是否找到原文、数据是否回溯到来源、代码是否通过测试核查表、测试报告
授权与告知导师、课程负责人是否允许、允许范围邮件、课程通知截图
披露声明按模板撰写的AI使用说明附于文末或投稿系统指定字段

其中“核验记录”最容易被跳过,却最能自证。AI生成的参考文献常出现条目不存在、作者或年份错误、期刊名拼凑等问题,逐条回到数据库核对原文,并把核对结果记下来,是最有效的防线之一,也能在出现争议时提供说明依据。

披露声明的基本写法

披露不必冗长,但应包含四要素:使用了什么工具、用于哪些环节、影响范围多大、由谁对结果负责。下面是一个可改写套用的样式,具体措辞与位置须遵循本校或目标期刊的规定。

本文写作过程中使用了[工具名称及版本],用于[语言润色/代码调试/文献格式整理]。所有研究设计、数据分析、结论与引文核验均由作者完成,作者对全文内容承担责任。使用范围详见附录X。

应避免两种极端:一是笼统写“使用了AI辅助”而不说明环节,无法起到披露作用;二是把披露写成免责声明,仿佛说明之后责任就转移给了工具。责任始终在署名者身上。

几个高频误判

“我改了很多,所以算我的。” 改写的幅度不改变来源判断,关键看你是否重新完成了实质性学术工作。

“老师没说不能用。” 未明确禁止不等于允许。规则不明时应主动询问并保留答复;多数争议恰恰发生在“默认可以用”的假设上。

“查重没报出来。” 查重与AI检测是技术手段,不是规范标准。当前检测结果不稳定,未检出不能证明合规。

“只是查语法。” 语法检查通常风险较低,但若工具顺带重写了句子结构与表达,实际已介入内容生成,仍应按要求披露。

“别的学校允许。” 课程、院系、学校、期刊四层规则可能不一致,取其中最严格者,并以本校最新文件为准。

提交前的最后一遍检查

把稿件从头到尾走一遍,只需要确认五件事:每一处核心论点都能追溯到自己的分析或明确标注的文献;每一段AI参与过的文字都有记录且已完成实质核验;每一行关键代码都能解释并通过测试;每一幅数据类图像都来自真实采集;披露声明与实际使用情况一致。这五项都能给出肯定答复,才谈得上“作为本人成果提交”。规则会继续更新,但这套自查逻辑不依赖具体条款版本,可以在政策变化时反复使用。

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。