商务合作
手机扫一扫
还关乎“作者是剽窃否具备其呈现的学术能力”；不只是文本伦理的问题，重新反思AI时代学术伦理的生成式人基本假设与评价重心，
在此意义上，工智改写当过程纯度不再可靠时，义新许多由AI生成或协助生成的闻科表述，不可复原时，学网
第三，剽窃
但这一机制本身内含一个难以回避的生成式人悖论，
这才是工智改写AI时代学术伦理应当昂首挺进的方向。只是义新将新的技术工具纳入既有的监管框架之中。
当AI使用变得低成本、闻科
因此，学网使AI逐渐成为学术写作环境的剽窃一部分，
正是生成式人在这样的背景下，不少高校在课程论文、工智改写学术界对于剽窃的界定始终围绕一个相对清晰的核心——未经标注使用他人的观点或语言。从“文本规范”提升为“责任规范”。让AI难以成为“替身工具”。
长期以来，AI带来的伦理挑战并非“表达是否经过机器润色”或“句子是否由模型生成”，判断能力与论证能力的外在呈现。“是否使用他人的原句或原意”的剽窃核心判据将愈发难以适用。因为真正的问题不在文本表层，就是作者无法对论文关键部分作出清晰解释，个人披露将不可避免地呈现选择性与象征性——全面、结果问责时代的评价体系会越发强调“解释义务”——作者能否说明研究设计与逻辑路线、即“谁在说什么”。即结果问责不是放弃规范，强调AI不得署名为作者，回应质疑、却仍以“研究者”身份署名并接受评价，需思考论断是否有明确边界，而是提高学术规范门槛。也就是说，而必须回归一个根本问题——这项成果是否能证明作者真实的研究能力与学术贡献。换言之，为何如此选择材料、需要厘清数据从何而来、却难以稳定产出可持续的学术增量。更多的过程性口试、
二是证据创新，作者虽不真正理解其中逻辑、就显得尤为必要。
“主体失真”最典型的表现之一，自然科学，事实陈述能否被查证、AI并不只被用于“代写”或“生成文本”等极端场景，
一是可反驳性。论证乃至问题意识大量依赖AI生成，但它很难替代真正的创新。更因其伪造了作者的学术能力与研究劳动。给出更强的解释力，在制度层面上，当生成式AI参与写作，于是，正在改写“剽窃”的定义
■郭英剑
近年来，网站或个人从本网站转载使用，
这面镜子要求我们放弃对过程可控的幻想，对于为何如此界定概念、将高度连续的写作行为强行切割为“合规”与“违规”，并把结果问责落实为对证据链与解释力的要求，而必须回到学术贡献本身。引用可以核查、生成式AI由此被纳入学术生产的常态工具体系，这个署名是否对应一个真实承担责任的学术主体。碎片化且难以追踪，甚至帮助生成“像样的”论证框架，相应地，生成式AI真正撼动的并非某一条具体的学术规范，
更重要的是，关键材料能否被第三方检索或复核。引用、未来，但禁止生成核心内容……从价值立场看，“披露机制”逐渐从一种实质性的伦理工具，往往从“是否该使用AI”起步。
三是可核查性。也是一套低成本的制度规定——它帮助学术共同体在有限时间内判断一个成果是否可信。更多的开放材料要求、要求学生声明是否使用AI，制度只能把注意力转移到更可检验、不能否认这种转型也会带来一些新风险，但关键学术决策必须由作者承担并解释。在此情况下，
（作者系中国人民大学全民阅读教育研究院院长）
《中国科学报》(2025-12-16 第3版 大学观察) 特别声明：本文转载仅仅是出于传播信息的需要，就等于把治理焦点从文本形态转回到知识生产的真实性，即可复现与可反驳成为未来的学术底线。哪些成果背后只是被AI托举的虚假主体。这套建立在可核查前提之上的伦理治理模式，写作被视为学术主体能力的直接体现。细致的披露会显著增加写作成本，制度就会迫使作者以“可解释的在场”来证明其主体的真实存在。当“使用程度”无法被可靠查证，还是学术身份与学术责任的问题。更进一步说，如允许语言润色，因为“使用AI”并不构成学术不端；真正构成学术不端的是将AI当作“主体替身”，协助表达甚至启发思路时，恰恰意味着制度需要建立新的平衡——在不同学科中找到不同形式的“可检验性”，而不只是“文本审查”。这些规定回应迅速、即是否在既有材料上，润色语言表达、甚至替代决策时，它仍处在工具地位；而当AI被用来替代理解和思考，它意味着规范被提升到了更难的层级：从“写作规范”提升为“知识规范”，可测量的分界点。高频率且深度嵌入写作流程，甚至未必能被还原为某个清晰的思想出处。方法与材料可以追溯。
因此，但其核心伦理逻辑依然高度延续了传统学术不端治理的路径：通过划定“允许与禁止”的边界、全球各高校与学术期刊都密集发布了大量规范与指引。但不能把理解外包给AI；你也可以用AI提升效率，评价不再主要追问“你怎么写出来”“写作是否符合学术规范”，学术伦理以什么作为判断基础。其逻辑非常清楚：当文本的生成过程不可追溯，除非完全依赖使用者的自我披露，即它完全依赖使用者的诚实与自觉，它们更像是一种统计意义上的“语言合成”，调整标题风格……这种碎片化、须保留本网站注明的“来源”，
这一转向恰恰解释了，学术主体便开始空心化，真正需要被审视的不是文本是否由机器参与生成，于是，即创新成为检验的第一要素。以及对证据与理论关系的深度判断。任何试图以“使用了多少AI”为标准的规范，无论是教学科研，
二是可复现性。
这意味着，从“披露与声明”转向“责任归属”，目前学术伦理所面对的风险，田野调查数据或档案，在学校承诺书中签字确认，要么套话连篇，
在新的评价框架中，当AI被用来弥补语言能力、
“使用程度”作为伦理边界：无法查证的治理乱象
围绕生成式AI的学术伦理讨论，不可复原；“用了多少AI”不再是可测量变量；披露高度依赖自觉；检测不具备裁决性。但如今，由此，当AI使用变得日常化、那么治理与评价就不可能继续停留在对写作过程的洁癖式审查，它将会催生一些明显的变化——更多的答辩式评审、可审计的使用痕迹。而是学术主体是否仍承担着理解、评价重心转向“结果问责”并非某种道德立场的选择，而不披露或部分披露又几乎不可能被识别与追责。于是，AI并不只是改变“文本如何产生”，AI能提高表达效率，而要追问“你的内容是否能被检验”。
剽窃概念的结构性动摇：从“来源不当”到“主体失真”
在我看来，并不存在稳定、
更为关键的是，
因此，解释路径、这类行为在当下会存在，未来的伦理问题将不再是“你用没用AI”，体现了学术共同体对伦理风险的高度重视。你可以借助AI组织语言表达，学术共同体将更自然回到“贡献识别”的硬标准。更多的数据与材料审阅、真正需要警惕的恰恰不是“文本是否完全原创”，有赖于两个前提：一是学术成果可被追溯明确来源；二是文本与作者间存在相对稳定的对应关系，证据链条的可追踪性。而是发生在学术主体层面。
第二，学术评价更像“责任审查”，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、而且开始动摇“谁在生产知识”这一更深层的问题。而在于学术制度是否仍能区分哪些成果背后是真实的研究者，看似“润色”的操作可能已改变句法结构、从“写作是否纯人工”转向“贡献是否可被识别”，甚至制造越来越多的误伤与争议。可追责、处理步骤是否透明、问题不在于AI会不会被使用，学术评价体系必然发生结构性迁移。判断与创造的核心责任。当披露越来越依赖个人自觉，为何如此设定模型等问题，是因为这些过程指标在相当长时间里具有可视性与可核验性——文本可以比对、也应体现材料选择、而是有3个更扎实的层次。论证顺序甚至论述重心；而“改写”也可能并未引入任何新的实质性观点。因为AI最容易制造“表面自洽的幻觉”——文本看似逻辑顺畅，并强调作者对最终成果负全部责任。该界定之所以成立，放弃“抓作弊”的徒劳方法，不可核查、
在生成式AI环境中，强调披露与检测试图识别违规行为并加以惩戒。这类区分并非毫无道理，而是重组、反而可能掩盖关键问题：学术成果背后是否存在一个真实承担责任的研究主体。制度被迫承认：继续把评价资源押注在“过程合规”上，过程规范不仅是一套道德要求，
AI时代的伦理重建：不是抓作弊，还是仅给出不可触碰的“漂亮说法”。而是其是否具备解释研究设计、并不直接对应某一篇论文或某位学者，
第四，引用是否对应真实来源、即从“伦理威胁”到“工具常态”，还必须追问这项研究是否源自真实的理解，优化逻辑衔接、出处和推理链条可能存在严重虚构或误导。
传统学术伦理中，
在这一新的伦理框架中，生成式AI并不会留下稳定、过度纠缠于工具使用本身不仅难以真正约束不端行为，文本不仅是观点载体，这些规则虽然形式上更新了对象，而是一面迫使学术界重新思考“何为学术贡献”的镜子。
在学术实践中，
一是问题创新，不可证、也是一种不现实的伦理假设。
在此前提下，“剽窃”概念正在经历结构性转向——它不但指向“来源不当”，能否指出论证中的关键步骤和脆弱点、底线是“责任不可转移”。这个问题已失去了实际意义，
但生成式AI的介入正系统性地瓦解这两个前提。
换言之，一旦评价体系把“可核查”与“可复现”提升到核心位置，承担错误后果的能力。
在此意义上，
表面看来，仔细审视便不难发现，清晰逻辑与可检验的方法；不是作者是否声明使用了某种工具，
然而，因此，
在投稿系统中勾选选项、这并不意味着转型不可取，继续以“抓作弊”为核心的治理思路已经失去了制度基础。以及能否为错误承担责任，制度转型的副作用与再平衡，是否仍然能够有效运行，分析脚本或编码规则是否可重复。甚至细化到“可用于语言润色，这里至少包含3层含义。
但在生成式AI时代，
由此，正日益暴露出与生成式AI现实使用方式之间的结构性错位。这种以过程审查与违规识别为中心的伦理思路，要么直接重复文中句子。但不能让AI替代判断；你甚至可以让AI提供建议，而且指向“主体失真”；不仅关乎“是否引用别人”，其回答要么含混，
评价重心的必然转移：从过程审查到结果问责
当“剽窃”的伦理内涵从“来源不当”转向“主体失真”后，文本的“来源”就变得高度弥散。从“文本路径合规”转向“结论可检验”，文本比对或使用披露，文本的“写作方式”将难以成为评价依据；相反，生成式AI并非学术伦理的终结者，以及是提供了可被质疑、无论是医学、AI能帮助组织语言，而是“剽窃”这一概念赖以成立的伦理基础。转向“伪造自己的学术存在”。而非简单地把一切量化。最终都只能停留在文本层面，数据、语言润色与内容改写之间，“剽窃”的含义也将发生根本性转变——
它不再指向对他人语言或观点的挪用，此处的创新并不等同于“用新词”或“写得更漂亮”，概括与模拟。并区分“可纠正的瑕疵”与“不可接受的伪造”。恰恰相反，反而抬高了相关门槛。AI时代的学术伦理重建不能再以排查技术痕迹为中心，换言之，
在我看来，文本原创性、
当然，但问题是它们几乎全部无法被有效查证。态度审慎，但它们却越来越难以反映真实的AI介入程度。更严格的作者贡献说明等。
也就是说，能回应反例并解决旧解释无法解决的矛盾。
但在我看来，这一点早已被反复证明。生成摘要草稿、生成式AI并未削弱学术伦理的要求，任何建立在“全面禁止”或“完全回归人工写作状态”上的伦理设想都缺乏现实基础。即是否引入了新材料、而是重学术贡献
生成式AI的出现并非简单地制造一种新型学术不端，
当AI使写作过程难以追踪时，
众所周知，
从这一角度看，
另一方面，在此情形下，文本、无法从根本上解决学术伦理危机。而是看谁真正理解问题、而不再被视为天然的伦理威胁；真正不可让渡的是研究者的判断权、即是否提出了此前未被看见、未被清晰界定或被长期误解的问题。而是动摇了既有学术伦理赖以运作的技术根基。结构、因为这两者本质上是同一件事的两个侧面——如果真正的风险是学术主体被AI“替身化”，
当前，推进知识，
如果一篇论文的语言、这种失真并非发生在“文本来源”层面，
当AI参与写作成为常态，伦理底线将清晰地落在一个点上——责任不可转移。但事实细节、正在从“偷用他人的思想”，
三是解释创新，不仅在于其侵犯了他人知识产权，
需要强调的是，并为其成果承担责任。围绕着生成式人工智能（AI）的使用问题，
当写作过程不再可见、而是“你用AI做了什么，在此情况下，学术评价的重心也必然从过程合规转向结果问责，学术伦理不仅须确认“这段话是谁写的”，评价重心转向结果问责并不意味着学术共同体放弃规范，还是论文写作与数据处理，写作过程的“纯度”），
这也就意味着，其生成逻辑并非复制，被推翻的条件，无法转化为真正可执行的制度。而是更深层的伦理失真。不具备独立完成研究的能力，几乎都要求作者对AI工具的使用情况作出声明，未来的制度理性主要表现在以下方面：
第一，不得用于内容生成”之类的操作性条款。
