人工智能(AI)在社会科学研究中的应用由来已久，通常用于数据分析和文字校对。直到2022年11月ChatGPT发布之前，AI在社会科学研究中的应用都需要较高的技术门槛，因此使用者数量有限。生成式人工智能(GenAI)的出现让AI得以普及，使得更多研究人员能够将其作为研究工具，拓展了AI在研究过程各个阶段的应用范围。

然而，GenAI也带来了前所未有的挑战：它显著降低了学术不端行为的实施成本，使此类行为更易发生。GenAI能够以低成本、快速且具有说服力的方式伪造文本、表格、图像甚至参考文献。论文工厂利用GenAI批量生成整篇论文，并混入学术出版体系，乃至部分已被撤稿。AI生成的评论和短文开始污染学术期刊，扭曲期刊指标。面对这一“风暴”，各大学与研究机构被迫以“试错”的方式重写内部规章与伦理准则。许多出版社起初仅允许AI用于校对，但随后不得不接受新技术蔓延的现实，并开始要求作者在投稿时声明是否使用AI。

现有研究多停留在理论层面，对研究参与各方(如作者、审稿人、编辑、出版商、资助方及政策制定者)在实践中应如何负责任地使用AI缺乏具体可操作的指导。本文系统阐述了负责任AI研究的核心原则，包括：透明、可追溯/可审计、可解释、公平、隐私与数据保护、尊重并意识到更广泛的影响、人工监督与质量控制以及问责机制。最后以成果评审环节为例，探讨如何负责任地使用AI。

在AI与研究伦理的交叉领域，一个重要的研究方向是建立科研中负责任使用AI的原则。这些原则决定了研究者、作者、审稿人、编辑、出版商、高校及其他在研究中受到AI影响或从AI中获益的主体应当遵循的具体实践。

国际标准化组织(ISO)指出，负责任的AI应当基于公平、透明、无害、问责、隐私、稳健与包容等原则。经济合作与发展组织(OECD)则提出了五项基于价值的原则：包容性增长、可持续发展与福祉；人权与民主价值(包括公平与隐私)、透明性与可解释性、稳健性、安全性与保障性，以及问责制。显然，ISO与OECD的原则在很大程度上重叠，且主要关注组织和政策制定者在AI开发与使用层面的责任。在研究领域，欧盟委员会在其《生成式AI负责任使用动态指南》(Living Guidelines on the Responsible Use of Generative AI in Research)中提出了四项核心原则：可靠、诚实、尊重与问责。Bouhouita-Guermech 等(2023)在综述中归纳出AI研究伦理的若干关键原则与规范：伦理方法的应用、责任、可解释性与有效性、透明性与知情同意、隐私、数据保护，以及隐私与科学进步之间的权衡。Knoechel 等(2024)进一步强调了监管、数据安全、质量控制、原创性、偏见消减、问责、透明性以及对AI使用广泛影响的认知等要素。基于上述框架，可以总结出社会科学研究中负责任使用AI的八项基本原则：

(1)透明(Transparency)

研究者应全面披露AI使用的各个方面，包括所用软件(及其版本)、提示词(若为GenAI)、AI承担的任务、使用时间或时段、操作者身份以及所用数据集等。研究者需详细说明AI使用的管理与操作细节，以确保相关利益方(如编辑、出版商、读者、资助方及研究参与者)能够充分了解AI在研究过程与成果中的使用情况。该原则在现实中常被违反，目前已有大量学术论文被怀疑存在未披露的AI生成内容。

(2)可追溯／可审计(Traceability / Auditability)

AI使用的各个步骤应被系统记录、报告，并可被追踪与验证。使得相关方能够检查训练数据集、提示词及AI输出，确保研究结果的可重复性与有效性。对于生成式AI而言，提供AI会话链接是实现可追溯与可审计的重要方式。

(3)可解释(Explainability)

AI使用者需能够理解并解释AI的决策、输出及其生成过程。这一点尤为关键，因为AI系统往往表现为“黑箱”，用户难以理解其得出结论或决策的逻辑。可解释性还应满足非计算机科学背景研究者的理解需求，采用清晰、平实的语言。使用生成式AI工具时，用户可以要求AI对其生成内容提供理由与解释。

(4)公平(Fairness)

公平性涉及减轻AI使用中潜在的偏见风险，例如训练数据集的偏差(某些社会/受访群体被过度代表或代表不足)，或算法本身的偏差(AI的决策使特定群体处于不利地位)。这类偏见尤其令人担忧，因为即便输入数据可靠，算法偏差仍可能导致研究结论失真。例如，AI可能误判文本的语气与含义，或生成侮辱性、歪曲特定社会群体的内容。

(5)隐私与数据保护(Privacy and Data Protection)

在AI工具中应使用匿名化数据，并严格遵守相关数据保护法律与政策(如欧盟《通用数据保护条例》GDPR)。

(6)尊重并意识到更广泛的影响(Respect and Awareness of Broader Impacts)

研究者应尊重所有可能受到AI使用影响的研究相关方(包括其他研究者、受访者、第三方及社会公众)，并充分认识AI在研究中可能带来的更广泛社会、经济、政治与环境影响。

(7)人工监督与质量控制(Human Oversight and Quality Control)

AI在研究过程中的使用及其输出需接受人工监督与质量把关。应确保人类始终“在回路中”(AI提供建议，人类作出决策)或“在回路上”(AI作出决策，人类有权干预、修改或否决)，而非将关键研究决策外包给AI。不同机构可能有不同规定，跨机构研究合作应就监督程序达成一致。

(8)问责制(Accountability)

需明确研究团队成员在AI使用中的角色，确保所有借助AI生成的成果均有明确责任人。研究者应清楚报告在特定研究中谁以何种方式使用了AI，并在AI或其输出被不当使用时承担相应责任。

AI可在稿件评审过程中发挥重要作用。部分专用工具(如 https://statcheck.io/)可用于核查统计分析结果的正确性，而GenAI则具备更为广泛的功能。例如对笔者的测试手稿提供的评审意见与建议均相当具有参考价值：内容详实、聚焦、切中要害，能够准确反映原稿质量，且仅耗时数分钟，远快于人工评审所需。由此可见，生成式AI可显著节省编辑与审稿人的时间。

然而，目前一些出版商(如Elsevier)仍禁止编辑与审稿人使用生成式AI进行稿件评估，原因主要有三：首先是著作权与许可问题。稿件在被录用并签署版权转让协议前，其著作权仍归作者所有。若在评审过程中使用AI工具，需事先获得作者的明确授权。然而，目前投稿系统通常未设置征求此类同意的机制。其次是数据安全与文本独创性风险。当稿件上传至基于大语言模型的聊天系统后，其内容可能被纳入模型数据库，从而导致AI生成与原稿类似的文本。例如，若审稿人将论文A上传AI进行评审，该AI模型可能随后生成与A稿相似的内容，供他人撰写论文B使用。即便双方均无不当意图，两篇论文在发表后仍可能因文本重合而引发抄袭争议。第三是学术判断能力的不足。以测试手稿为例，该论文曾被三位审稿人、负责编辑及主编一致退稿，而ChatGPT与Claude均建议“修改后重投”，并给出了详细修改意见。这表明，尽管AI的反馈迅速而系统，但其在学术判断深度与专业洞察力方面尚无法取代经验丰富的专家。

因此，负责任地使用AI要求审稿人和编辑不得将待评审稿件上传至生成式AI系统，以防侵犯作者权益或引发版权风险，即便这意味着评审效率的降低。若确有必要使用AI，则须确保作者事先知情，并保证稿件内容不会被AI系统永久存储或用于训练模型。从运营管理视角看，期刊之所以邀请专家担任审稿人，是基于其学科知识与方法论专长，而非其使用AI的能力；若编辑部或出版商希望借助AI进行初筛或审阅，他们会通过内部部署实现。

展望未来，随着投稿量激增、合格审稿人日益稀缺，AI在稿件评审中的作用将愈加突出。研究者因此不仅要面向人类读者(包括编辑、审稿人和学术社区)写作，还需逐步适应“AI审稿人”的潜在评判标准。这一趋势甚至可能影响学术写作的风格与结构。值得注意的是，已有作者在稿件中嵌入针对AI审稿系统的“隐性提示语”，以期诱导其生成更积极的审稿意见。

与此同时，出版机构亦可为编辑配备AI辅助工具，如Proofig.com与 Imagetwin.ai，以检测图像造假、内容不一致或图片重复等问题；其他工具如 ZeroGPT、Turnitin与Scite.ai可用于识别AI生成文本或核查参考文献的真实性。此类工具有助于在稿件发表前发现潜在的不端行为，从而降低撤稿风险。但在实践中，这些AI检测工具的准确性仍令人质疑：同一篇文本在不同检测系统中可能得出截然相反的结果——某系统判定“无AI生成痕迹”，另一系统则判定“100%由AI生成”；更有甚者，这些工具时常将人类撰写的文本误判为AI生成内容，造成结果不一致与信任危机。这种不稳定性可能导致对作者的无端指控，例如被指控为AI抄袭或论文造假。因此，人类的判断仍是不可替代的，任何阶段都不应过度依赖AI工具。

表1总结了本文前述关于负责任使用AI的基本指南。需要强调的是，这些指南并非固定不变，而应随着技术水平和学术实践的发展不断更新与完善。（点击图片后长按可进行翻译）