学术写作中的 AI 使用披露，难点不在于写一句"本文使用了 AI"，而在于说明 AI 介入了哪些环节、是否影响研究判断，以及人工如何完成核验。AI 使用声明需要和影响深度对应，技术流程则要保留可检查的输入、输出与验证记录。
这也是我理解学术规范变化的切入点：披露不是文本末尾的固定声明，而是对研究过程进行结构化描述。
1 结论先行：声明需要绑定影响深度
AI 仅用于语言润色或格式调整时，可以简要说明用途。
如果 AI 参与数据清理、参数选择、模型构建、图表生成或文献归纳，并影响结果解释，声明中需要交代具体用途和人工核验方式。
如果 AI 进一步参与实验设计、模拟或核心结论形成，就需要提供更充分的输入信息、验证过程与可复现材料。
这套分级方式解决的是一个工程问题：读者看到最终文本，却不一定能还原数据处理和结论形成的全过程。声明的价值，在于把不可见过程转换成可核验信息。
2 正在发生的转向与技术缺口
传统的"使用 / 未使用"二元声明，难以反映 AI 对研究判断的实际影响。学术规范正在关注介入深度，而不是单纯记录是否调用过 AI。
缺口也很明确：如果只有一段文字声明，没有输入材料、引用检查结果和人工复核记录，读者仍然无法判断结论形成过程。
我的判断是，AI 使用披露会逐渐靠近"过程记录"。它不一定要求公开所有对话内容，但至少应能回答三个问题：
- AI 在哪个环节参与了处理？
- AI 输出是否影响了研究判断？
- 人工采用什么方式完成了核验？
3 技术机制：把披露拆成可验证的数据
3.1 用影响等级决定记录粒度
可以把每次 AI 介入记录为一个独立单元。单元不直接等同于聊天记录，而是围绕研究任务保存必要字段。
一个最小记录结构可以包含：
task：AI 参与的任务input_scope：输入材料范围output_scope：输出影响到的内容impact_level：对研究判断的影响等级human_check：人工核验方式reproducible_material：是否存在可复现材料
下面是一个与具体产品无关的示意性校验脚本。它用于检查披露记录是否缺少关键字段，不代表某个产品的内部接口。
python
from dataclasses import dataclass
from typing import Optional
@dataclass
class AIUseRecord:
task: str
input_scope: str
output_scope: str
impact_level: str
human_check: str
reproducible_material: Optional[str] = None
def validate_record(record: AIUseRecord) -> list[str]:
errors = []
required = {
"task": record.task,
"input_scope": record.input_scope,
"output_scope": record.output_scope,
"impact_level": record.impact_level,
"human_check": record.human_check,
}
for field, value in required.items():
if not value or not value.strip():
errors.append(f"缺少字段: {field}")
high_impact = {"数据处理", "模型构建", "实验设计", "核心结论"}
if record.impact_level in high_impact:
if not record.reproducible_material:
errors.append("高影响任务缺少可复现材料说明")
return errors这段逻辑有两个边界。
一方面，它只能检查记录是否完整，不能判断研究结论是否正确。另一方面，impact_level 仍需要由研究者结合实际任务判断，不能由字段名称替代专业审查。
3.2 将输入范围和输出范围分开保存
"AI 参与了文献归纳"这句话仍然太宽泛。工程记录至少要区分：
- 输入是整篇文献、选定段落，还是人工整理后的摘要
- 输出是检索线索、段落草稿，还是进入结论部分的内容
- 输出是否改变了参数选择、图表解释或结论表达
输入范围和输出范围分开后，复核者才有机会定位 AI 介入的位置。对于影响研究判断的任务，还应关联人工核验方式与可复现材料。
3.3 引用校验不能停留在格式检查
引用存在不等于引用可信。至少需要区分两个问题：
- 引用是否真实存在
- 引用内容是否支持当前表述
技术实现上，引用校验可以作为内容处理流程中的独立检查步骤。段落级校验比只检查文末参考文献列表更接近实际写作过程，因为同一条引用可能被用于多个不同判断。
一个简化的处理流程如下：
- 从生成内容中提取引用标记和对应段落。
- 检查引用对象是否能在输入知识范围内找到。
- 将段落主张与引用内容建立对应关系。
- 对无法命中的引用保留明确状态，不把缺失内容自动补齐。
- 将人工复核结果与最终文本一并保存。
这里的关键不是让系统替人判断所有学术问题，而是把"没有找到依据"和"已经完成核验"区分开。对于 AI 可能编造论文的场景，引用存在性校验提供的是一道可检查的工程防线。
3.4 对零命中结果保持保守处理
当引用无法在可用材料中找到时，系统不应把标题、作者、年份或 DOI 当作足够证据。外部身份管理还需要考虑同一作品可能存在预印本和期刊版本的情况，因此不能简单把 DOI 作为身份依据。
在知识管理流程中，外部身份可以采用由资料库标识、条目标识和版本组成的复合身份。DOI 可以用于去重建议，但不应直接承担身份依据职责。
这个规则会让自动生成流程更慢一些，却能避免把不确定信息伪装成确定事实。我的看法是，引用校验的价值恰恰在于保留不确定性，而不是把所有结果都强行归类为"已验证"。
3.5 明确数据所有权和修改边界
AI 使用披露还涉及研究资料由谁维护的问题。知识管理系统若直接修改外部文献库，后续很难判断变更来自用户还是自动流程。
可按以下边界处理：
- 标题、作者、年份、DOI、期刊等字段默认只读
- PDF 和附件只有在任务中获得明确授权后才能处理
- 用户普通笔记默认只读，或由用户手动选择
- 系统生成的子笔记可以保留版本和撤销记录
- 外部集合归属不自动修改，除非用户明确授权
这类边界和 AI 使用披露有关。若系统改变了输入资料，后续复核面对的就不再是原始材料。保留版本、撤销和授权记录，有助于区分原始知识、用户修改和 AI 生成内容。
4 工具选型中的一个实践
在自用的知识管理流程中，我会把 AI 使用披露拆成两层：一层记录任务和影响范围，另一层检查引用是否能在已纳入的知识材料中找到。知芽 Notebook Skill 的相关资料强调可验证的工程机制，并将引用可信度与引用存在性校验放在内容处理过程中。
这里不应把工具名称当成合规结论。工具只能帮助保存记录和执行检查，研究者仍需判断 AI 是否影响了数据处理、实验设计或核心结论。
5 用户价值与现实边界
这种流程能让 AI 使用声明更接近研究过程记录，也能让引用检查结果具备回溯入口。它不能代替学术判断，不能自动证明结论正确，也不能消除所有引用风险。
能被系统化处理的部分，是任务记录、输入范围、引用命中状态、人工核验说明和版本变更。无法由字段自动决定的部分，则需要研究者保留判断依据。
6 关键知识点 Q&A
6.1 Q1：AI 只做语言润色，也需要详细披露吗？
不需要采用与核心结论形成相同的披露粒度。语言润色和格式调整可以简要说明用途；当 AI 参与数据处理、参数选择、模型构建或结论形成时，披露应增加具体用途和人工核验方式。
6.2 Q2：为什么"本文使用了 AI"不够？
因为这句话没有说明 AI 介入的位置，也没有说明输出是否影响研究判断。可执行的披露至少应记录任务、输入范围、输出影响范围和人工核验方式。
6.3 Q3：引用存在性校验检查什么？
它检查引用对象是否能在可用知识材料中找到，并把引用与对应段落关联。若无法命中，应保留未找到依据的状态，不能自动补写缺失论文信息。
6.4 Q4：DOI 能否作为文献的身份依据？
不能直接这样处理。同一作品可能存在预印本和期刊版本，DOI 更适合用于去重建议。外部身份应结合资料库标识、条目标识和版本信息。
6.5 Q5：自动校验能否代替人工核验？
不能。自动校验适合发现字段缺失、引用未命中和版本变更，不能单独判断引用是否真正支持研究结论，也不能替代研究者对 AI 影响深度的判断。