国家智能评价与治理实验基地
首页 > 评价前沿 > 知评价 > 正文
摘要
人工智能（AI）正在改变研究与学术领域，从手稿撰写到数据分析的各个流程都迎来了变革。然而，AI仍局限于数字环境，无法通过人际互动探究完整的人际动态或把握语境中的细微差别。鉴于此，我们是否应将AI作为学术论文的评审者？本文探讨了AI对研究与学术领域的潜在影响，对GenAI进行了全面定义与特征描述，重点介绍了助力研究的AI工具，并展望了四种未来场景：研究民主化、AI利用不足、不平等加剧以及数字落伍。最后，本文提出了相关战略举措建议，包括AI培训、研究导向型教育以及利用AI管理学术期刊等。
关键词
AI；高等教育；ChatGPT；GenAI；文献综述；社会学
1
引言
AI系统目前以及将来都会被广泛用于各个领域的文本生成，包括科学研究出版物。学术界越早承认这一现实，就越有能力适应并有效利用AI技术。如今，研究人员能够即时且几乎免费地获得众多AI工具，这些工具可以帮助他们用不熟悉的语言进行写作、将模糊的概念组织成精准的段落、在数小时内查阅大量文献，以及无需具备统计软件专业知识就能分析定量数据。以ChatGPT为代表的GenAI的出现，正打破现有的学术结构与能力体系——对学位论文的重要性、教师间的层级、严密的文献综述、同行评议流程以及传统写作能力提出了挑战。
然而，当前诸如ChatGPT、Gemini和Claude等AI工具存在一个根本性局限——GenAI无法通过社会互动与外部世界进行感官接触，也无法获取源自人类情感、文化框架、个人经历以及直觉和同理心等无形人类能力的语境信息。因此，AI无法取代社会学研究的核心功能：直接与人们交流其思想、行为、偏好，并解读他们的观点、情感和社会组织形式。社会学研究还延伸至AI无法触及的领域——“街角社区”，捕捉并解读人类与其所处环境之间复杂的相互作用。尽管AI极大地增强了研究人员和学者的能力，但它同时也通过打破既定的工作模式、认知过程和知识获取途径，引发了不确定性。
本文基于AI的可获取性与接受度分析潜在未来场景，并提出战略应对措施，探讨了AI对研究与学术实践的影响。为有关研究方法、学术出版以及学术期刊未来管理的新兴讨论提供了参考。
2
AI可否用于同行评议？
如果研究人员使用AI工具——他们确实会使用——那么学术期刊是否应将AI纳入其评审流程？学者们会接受AI辅助的稿件评估吗？包括基于神经网络的系统在内的多种AI系统已被整合到期刊工作流程中，用于查重、审稿人识别、统计验证、结构分析和贡献评估。但AI工具能否充当同行评议者？
过往实证研究认为这些技术应当审慎实施。作为一种专门的评估工具，AcademicGPT应运而生，用于评估论证力度、概念连贯性和学术原创性。作为基于GPT的衍生应用，它在批判学术写作质量与概念清晰性方面表现出独特优势。
反对在学术评估中使用AI的批评者强调，大型语言模型（LLM）存在重大隐患，尤其是其运作的不透明性——训练数据集未公开——以及源于历史数据模式的内在偏见。相反，支持者提出了两个主要论点：首先，AI系统通过远超人类的计算效率显著缩短了评估周期。其次，人类评审者不可避免地会存在领域知识片面或可能过时的问题，而专门的AI系统可能能够利用广泛的学术数据库进行更全面的评估。
学术稿件评议流程存在一些广为人知的挑战：需要大量时间投入、严重依赖教师和研究人员的职业奉献精神、评估标准本质上具有主观性。编辑工作流程通常包括初步质量筛选，然后对有潜在出版价值的手稿进行同行评议。激烈的竞争、漫长的评估周期和严格的质量标准常常导致研究界产生不满情绪。这种环境催生了替代出版模式的出现。
当代学术出版也存在着系统性挑战：评价体系往往优先考虑发表数量和引用指标以实现职业晋升，学术同行评议仍然主要依靠学者的无偿奉献，基于评审贡献获得的职业认可极少，稿件提交量不断增加，使得评议工作与教学及行政事务难以平衡，以及评议工作的学术影响力有限。学术机构与更广泛社会之间的知识转移机制亟待大幅改进。过度强调传统论文指标，可能会削弱其他知识传播渠道，例如实际应用和媒体参与。
GenAI工具能否为科学出版中这些普遍存在的挑战提供可行的解决方案？GenAI能否成为重塑学术交流变革的催化剂？在科学评审流程中应用AI仍存在争议，多个机构正倡导制定监管框架。
3
潜在未来情景的分析
情景分析为预测潜在发展提供了一种结构化方法，通过交叉两个关键变量，能够生成四种不同的结果配置，本研究主要考察两个基本维度：对AI技术的获取，以及学术界对其的接受程度。
获取AI工具的途径
该变量涵盖了研究人员和学者在学术活动中采用AI技术的能力，可以分为“高获取”和“低获取”两种情况。
当AI技术以极低的成本向研究社区广泛开放，并且几乎没有监管约束或机构障碍阻碍学术应用时，“高获取”便会出现。这种环境有助于AI在各种研究环境中的广泛整合。
当严格的监管限制AI在科研环境中的应用时，“低获取”便会显现，无论这种限制是出于伦理考虑、隐私保护还是安全需求。这些监管框架可在多个层面起作用：宏观层面（立法/政府），中观层面（机构/协会），或微观层面（期刊/出版）。此外，当经济壁垒导致成本高昂时，获取性仍受限制，尤其不利于那些处于资源有限机构的研究人员。基础版本提供有限的免费功能，高级功能则需要高昂的订阅费用，可能类似于亚马逊等电商平台采取的市场渗透策略。
AI在学术界的接受度
“接受度”变量反映了学术界关于AI系统的技术素养，以及学者将这些技术融入日常学术活动的意愿。当研究人员展现出对AI能力的深入理解，并愿意将这些工具融入研究方法时，“高接受度”便会形成。这种开放态度可能受益于系统的技术培训项目，对AI提升研究效率的认可，或是由机构文化所推动。
“低接受度”表现为学者对人工智能知识有限，并对将这些技术融入既有研究实践持抵制态度。这种抵制可能源于职业发展机会不足、认为人工智能系统过于复杂，或是保守的机构文化普遍对方法创新持反对态度。
这些维度类别的交叉产生了四种不同的未来情景（见图1）：
> 研究民主化
> AI利用不足
> 不平等加剧
> 数字落伍
研究民主化：高获取高接受
在这一乐观情景下，AI工具实现了广泛可用，学术界不仅具备了使用这些技术的能力，也表现出积极整合的意愿。研究活动变得加速、增加且更加民主化。学术流程加快，研究成果数量激增，民主化体现在研究群体的多样性扩大,国际合作网络也有望因多语种远程协作能力的提升而得以扩大。
科学期刊的投稿量大幅增加，必需扩充人员及资源配置以应对稿件激增——这可能加快AI在同行评议流程中的采用，并促使快速评审出版模式的出现。文章制作成本可能减少,预印本等替代性传播渠道的重要性进一步提升,传统学术论文在人员选拔、晋升、薪酬决定和经费分配中的评价权重可能减弱,催生强调社会影响、知识转化有效性，以及对教育进步、政策制定或社会变革贡献的替代研究评价框架。
AI利用不足：高获取低接受
本情境展现了AI在广泛普及的同时，学术界依然普遍保持抵触态度的情况。AI的应用仍然有限，主要集中在少数研究人员中，学术机构对创新方法持保守抵制态度，这将进一步加深外界对大学是过时机构、社会相关性日益减弱的看法。
在采用AI的少部分学者与未采用AI的大多数学者之间，出现了显著的绩效差距，进一步加剧学术分层现象。若编辑管理系统未能整合AI，期刊仍将面临传统挑战。此外，出版平台和研究人员都错失了AI赋能的机会——如自动化研究摘要、教育类多媒体内容或音频改编——以扩大知识传播的机会。
不平等加剧：低获取高接受
由于高昂的成本和监管限制，有限的获取渠道造成了学术领域的两极分化，对AI的采用，主要集中在那些拥有充足资金和监管灵活性的资源丰富的机构。资源有限地区或受严格监管框架制约的学者，难以与具备AI优势的研究机构保持竞争。随着准入门槛的提高，研究共同体的多样性减少，越来越多的人被排除在知识生产过程之外。
高度的获取需求与严苛的访问限制有可能促使学术行动主义和对监管改革的倡议。资源有限机构中的初级研究人员和教师在发表论文时处于劣势，这可能导致富裕机构主导高影响力期刊。为共享AI资源和访问权限，机构间可能会出现战略性合作。同时，AI工具订阅的地下经济也可能形成，带来额外的网络安全隐患。不平等还体现在期刊接入AI系统的财务能力上，导致审稿效率和出版周期出现巨大的差距。
数字落伍：低获取低接受
在获取和接受两方面同时受限的情况下，学术界对AI的采用会极为有限。接受度不足使得普遍的技术怀疑情绪加重，话语关注主要集中在伦理风险和隐私问题，从而强化了对AI应用的抵制。
由于学者大多既缺乏AI的获取途径，也缺乏接受度，高等学术机构仍延续传统的教学方法。与积极拥抱快速技术变革的领域相比，大学声誉可能因此受到影响。若多数科学出版物继续采用传统的编辑和同行评议方法，则可能会与相近领域不断发展的研究实践越发脱节。
4
行动策略建议
研究人员、教师、学术机构、研究中心和学术出版机构可以实施相应的战略举措，为每种可能的情景做好准备，同时将未来情景向其偏好的结果进行引导。在预测的各种情景中，研究民主化最有可能出现，这归因于多个因素的共同作用：零成本工具的广泛可用、学术环境中固有的监管挑战，以及教育者普遍对技术创新的倾向。AI技术有可能消除知识生产的传统地理、语言和经济壁垒，加速跨学科界限的研究进展。然而民主化进程也带来了质量问题，利益相关者必须系统性地应对。
当前的GenAI工具本质上仍是为最大化用户参与度和产生积极情感反应而设计的消费类产品。固有的局限性促使学界在研究与教学场景中对AI的全面应用持有合理的怀疑态度。
考虑到这些可能的未来状况及其所伴随的不确定性，有三项战略行动十分必要：
AI培训
全面的AI培训对于学者来说日益重要。AI能力带来的优势不仅仅局限于基础的写作和分析应用——它还能跨越语言障碍访问复杂的知识库，并促进将抽象的概念框架转化为具体创新。最新的实证研究表明，经过正确实施的AI系统能够产出创意解决方案，并且这些方案经常超越传统的人类构想能力。
有策略性的培训计划将有助于学者们最大限度地发挥AI的优势，并同时深入了解技术的局限性。大学和期刊可以通过开发全面的AI培训项目来提升机构声誉。
以研究为导向的教育
尽管AI在数据分析和内容生成方面表现出高水平能力，但它在根本上仍无法独立完成全面的社会性研究。研究设计决策、主要数据收集和适应语境的解释仍然必须依赖于人。
期刊管理中的AI
科学出版需要就文章长度、同行评议方法、数据共享要求以及AI质量评估等问题进行深入讨论，这些讨论会引发争议性问题和不确定性。尽管AI可能助长学术不端，但拒绝AI则有学术落伍的风险。
关于AI应用的编辑政策将会显著影响更广泛的学术生态、高等教育实践和社会知识传播。嵌入机构网络的科学期刊对于作者、教育工作者和管理者对AI合法性的认知具有重要影响。期刊与AI技术之间不断演变的关系影响着学术实践的根基：同行评议的完整性、出版质量标准以及推动知识的方法。这些编辑决策不仅关乎当前出版事务，更影响着未来研究人员的培养（例如博士培养）和社会对AI技术的更广泛认知。
AI的出现为优化研究流程和出版模式带来了前所未有的机遇。如果GenAI仅仅是加快低效实践（如表面的引用或内容充数），现有的系统性问题只会加剧而不会得到解决。相反，经过审慎实施的AI将开创变革性途径，扩展期刊读者群，将研究结果转化为可行的成果，并优化作者、评议者、编辑的工作流程，从而产生知识而不仅仅是论文。
(全文及参考文献见Revista Española de Sociología (RES) / Spanish Journal of Sociology ，原文链接：https://doi.org/10.22325/fes/res.2023.184，本期推文为节选摘编，略有删减和编辑。)
本期策划 | 复旦大学国家智能评价与治理实验基地
供稿 | 王萱瑜 王译晗
本期编辑 | 王萱瑜
基地官网：https://statevalbase.fudan.edu.cn
·end·
下一篇
负责任的人工智能治理：综述与研究框架
版权所有：复旦大学地址：上海市杨浦区邯郸路220号 邮编：200433
