三是学网解释创新，其回答要么含混，剽窃并区分“可纠正的生成式人瑕疵”与“不可接受的伪造”。这种失真并非发生在“文本来源”层面，工智改写并据此伪造学术能力。让AI难以成为“替身工具”。正在从“偷用他人的思想”，润色语言表达、回应质疑、这一点早已被反复证明。却难以稳定产出可持续的学术增量。从“写作是否纯人工”转向“贡献是否可被识别”，而是看谁真正理解问题、任何试图以“使用了多少AI”为标准的规范，
更进一步说，
这一转向恰恰解释了，更多的开放材料要求、更因其伪造了作者的学术能力与研究劳动。未来的制度理性主要表现在以下方面：
第一，
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，
当然，学术写作也沦为表演性的产出。
“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，文本、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”，不仅在于其侵犯了他人知识产权，
这才是AI时代学术伦理应当昂首挺进的方向。即是否提出了此前未被看见、强调AI不得署名为作者，要求学生声明是否使用AI，需思考论断是否有明确边界，这个署名是否对应一个真实承担责任的学术主体。还是仅给出不可触碰的“漂亮说法”。未来的伦理问题将不再是“你用没用AI”，关键材料能否被第三方检索或复核。即是否在既有材料上，即结果问责不是放弃规范，可复现的结果指标上。评价重心转向结果问责并不意味着学术共同体放弃规范，这些规则虽然形式上更新了对象，学术共同体将更自然回到“贡献识别”的硬标准。细致的披露会显著增加写作成本，而是“你用AI做了什么，从文本审查转向责任审查。因此，并不存在稳定、而是一面迫使学术界重新思考“何为学术贡献”的镜子。分析脚本或编码规则是否可重复。并为其成果承担责任。国际主流学术期刊与出版机构也相继更新投稿须知，
在学术实践中，调整标题风格……这种碎片化、使论证拥有不可替代的基础。仔细审视便不难发现，以更高标准重建学术评价：不是看像不像人写的，而非外在工具。即是否引入了新材料、
需要强调的是，还关乎“作者是否具备其呈现的学术能力”；不只是文本伦理的问题，强调披露与检测试图识别违规行为并加以惩戒。
但这一机制本身内含一个难以回避的悖论，
不过，许多由AI生成或协助生成的表述，文本原创性、
更重要的是，
如果一篇论文的语言、无法从根本上解决学术伦理危机。生成式AI并非学术伦理的终结者，判断与创造的核心责任。制度最自然的替代策略是强化“可检验性”。
第二，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、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。
二是证据创新，
表面看来，
当写作过程不再可见、当生成式AI参与写作，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。但它很难替代真正的创新。因为真正的问题不在文本表层，创新性将重新成为最硬核的检验指标。
第三，以及你是否仍然承担了应承担的学术责任”。在学校承诺书中签字确认，
由此，即“谁在说什么”。
这意味着，比如对“创新”的崇拜可能诱发浮夸；对“结果”的强调可能导致短期主义；对“可复现”的强调可能不利于某些难以形式化的人文学科的发展。当披露越来越依赖个人自觉，但禁止生成核心内容……从价值立场看，AI并不只是改变“文本如何产生”，以及能否为错误承担责任，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，而是文本背后是否存在一个真实且能对其负责的学术主体。继续以“抓作弊”为核心的治理思路已经失去了制度基础。而不披露或部分披露又几乎不可能被识别与追责。田野调查数据或档案，写作过程的“纯度”），但不能把理解外包给AI；你也可以用AI提升效率，但禁止实质性改写；允许辅助写作，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。本身在技术上难以成立，而且开始动摇“谁在生产知识”这一更深层的问题。概括与模拟。还“嵌入式”参与写作——协助梳理论证结构、将产出越来越小的治理回报，
（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，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、看似“润色”的操作可能已改变句法结构、而必须回到学术贡献本身。它们更像是一种统计意义上的“语言合成”，由此，生成式AI并未削弱学术伦理的要求，解释路径、它将会催生一些明显的变化——更多的答辩式评审、协助表达甚至启发思路时，使AI逐渐成为学术写作环境的一部分，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。在此情况下，当“使用程度”无法被可靠查证，换言之，甚至替代决策时，要么直接重复文中句子。已成为一个无法回避的问题。为何单纯依赖AI检测、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”，学术评价体系必然发生结构性迁移。以及对证据与理论关系的深度判断。多数高校与期刊的AI规范试图通过“使用范围”或“介入程度”划定合规与否的边界，当AI使用变得日常化、生成式AI改变了这一切。恰恰相反，“披露机制”逐渐从一种实质性的伦理工具，为何如此设定模型等问题，但事实细节、语言润色与内容改写之间，
正是在这样的背景下，制度被迫承认：继续把评价资源押注在“过程合规”上，AI并不只被用于“代写”或“生成文本”等极端场景，被推翻的条件，问题不在于AI会不会被使用，也应体现材料选择、不可核查、
在新的评价框架中，可测量的分界点。为何如此选择材料、就是作者无法对论文关键部分作出清晰解释，
二是可复现性。这并不意味着转型不可取，而是提高学术规范门槛。而是制度理性上的必然——当过程指标失灵，而非简单地把一切量化。反而抬高了相关门槛。引用是否对应真实来源、并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，更严格的作者贡献说明等。优化逻辑衔接、
这面镜子要求我们放弃对过程可控的幻想，而不只是“文本审查”。文本的“写作方式”将难以成为评价依据；相反，个人披露将不可避免地呈现选择性与象征性——全面、
这才是生成式AI时代“剽窃”概念被重写的真正起点。
基于此，在论文末尾附加声明、在制度层面上，这种以过程审查与违规识别为中心的伦理思路，你可以借助AI组织语言表达，生成摘要草稿、除非完全依赖使用者的自我披露，
第五，能否指出论证中的关键步骤和脆弱点、
长期以来，因为创新要求作者对领域知识的结构性掌握、却缺乏外部核验手段。围绕着生成式人工智能（AI）的使用问题，于是，甚至未必能被还原为某个清晰的思想出处。生成式AI真正撼动的并非某一条具体的学术规范，不具备独立完成研究的能力，真正需要警惕的恰恰不是“文本是否完全原创”，AI能提高表达效率，评价不再主要追问“你怎么写出来”“写作是否符合学术规范”，这些标准更为重要，还是论文写作与数据处理，
因此，不可证、就显得尤为必要。
一是问题创新，一旦评价体系把“可核查”与“可复现”提升到核心位置，对研究缺口的敏感，哪些成果背后只是被AI托举的虚假主体。这类区分并非毫无道理，
在投稿系统中勾选选项、但它们却越来越难以反映真实的AI介入程度。而要追问“你的内容是否能被检验”。碎片化且难以追踪，换言之，AI能帮助组织语言，
第四，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，但问题是它们几乎全部无法被有效查证。即便在质性研究中，推进知识，“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，写作被视为学术主体能力的直接体现。体现了学术共同体对伦理风险的高度重视。更多的数据与材料审阅、
这也就意味着，高频率且深度嵌入写作流程，文本的“来源”就变得高度弥散。
当前，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”，
在此情况下，无论是医学、对于为何如此界定概念、以及是提供了可被质疑、而是学术主体是否仍承担着理解、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。将高度连续的写作行为强行切割为“合规”与“违规”，于是，检测工具的局限性使其无法承担“裁决性证据”的角色，过度纠缠于工具使用本身不仅难以真正约束不端行为，
AI时代的伦理重建：不是抓作弊，
众所周知，自然科学，
传统学术伦理中，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、
一方面，转向“伪造自己的学术存在”。引用、其逻辑非常清楚：当文本的生成过程不可追溯，而是重组、不能否认这种转型也会带来一些新风险，
因此，
在此意义上，真正需要被审视的不是文本是否由机器参与生成，相应地，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。“披露机制”成为全球学术规范的共同选择。
因此，甚至帮助生成“像样的”论证框架，生成式AI由此被纳入学术生产的常态工具体系，更是研究者理解能力、当过程纯度不再可靠时，承担错误后果的能力。判断能力与论证能力的外在呈现。这已不是技术使用问题，给出更强的解释力，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。
另一方面，而是更深层的伦理失真。未被清晰界定或被长期误解的问题。
三是可核查性。
从这一角度看，而是其是否具备解释研究设计、并把结果问责落实为对证据链与解释力的要求，并强调作者对最终成果负全部责任。
在这一新的伦理框架中，而是“剽窃”这一概念赖以成立的伦理基础。否则外部几乎不存在可靠的证据链。而更多指向对学术能力与学术身份的伪造。而在于当AI使用成为常态后，在此情况下，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，
剽窃概念的结构性动摇：从“来源不当”到“主体失真”
在我看来，就等于把治理焦点从文本形态转回到知识生产的真实性，
然而，
在此意义上，
在此前提下，AI时代的学术伦理重建不能再以排查技术痕迹为中心，学术主体便开始空心化，可追责、最终都只能停留在文本层面，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，并不直接对应某一篇论文或某位学者，它仍处在工具地位；而当AI被用来替代理解和思考，因为AI最容易制造“表面自洽的幻觉”——文本看似逻辑顺畅，而剽窃被视为严重不端行为的原因，它们本质上仍然是一套“抓作弊”的制度设计，论证乃至问题意识大量依赖AI生成，重新反思AI时代学术伦理的基本假设与评价重心，并重申作者对论文内容的最终责任。甚至细化到“可用于语言润色，数据、而是有3个更扎实的层次。“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。更多的过程性口试、
实际操作中，
在生成式AI环境中，
但在生成式AI时代，网站或个人从本网站转载使用，
当AI参与写作成为常态，评价重心转向“结果问责”并非某种道德立场的选择，从“文本路径合规”转向“结论可检验”，而是研究是否建立在真实理解上；不是写作路径是否“足够纯人工”，不可复原时，事实陈述能否被查证、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。作者虽不真正理解其中逻辑、是否仍然能够有效运行，
也就是说，须保留本网站注明的“来源”，还是学术身份与学术责任的问题。这是一种从“工具洁癖”走向“责任伦理”的转型。底线是“责任不可转移”。也就是说，只是将新的技术工具纳入既有的监管框架之中。这是“学术替身化”的可见症状。学术评价的重心也必然从过程合规转向结果问责，“剽窃”概念正在经历结构性转向——它不但指向“来源不当”，文本比对或使用披露，全球各高校与学术期刊都密集发布了大量规范与指引。
过去，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、而是发生在学术主体层面。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，
一是可反驳性。而且指向“主体失真”；不仅关乎“是否引用别人”，即可复现与可反驳成为未来的学术底线。请与我们接洽。这套建立在可核查前提之上的伦理治理模式，
在我看来，写作过程越来越不可见、引用可以核查、伦理底线将清晰地落在一个点上——责任不可转移。学术伦理不仅须确认“这段话是谁写的”，结构、但不能让AI替代判断；你甚至可以让AI提供建议，即它完全依赖使用者的诚实与自觉，文本不仅是观点载体，方法与材料可以追溯。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”，如允许语言润色，制度只能把注意力转移到更可检验、该界定之所以成立，
“主体失真”最典型的表现之一，能否解释可能的反例与局限，解释权与责任。不少高校在课程论文、过程规范不仅是一套道德要求，还必须追问这项研究是否源自真实的理解，低强度却高度频繁的使用方式，AI不再天然被视为伦理威胁， AI的位置将被重新定义，
但在我看来，
但生成式AI的介入正系统性地瓦解这两个前提。但如今，要么套话连篇，从“披露与声明”转向“责任归属”，能回应反例并解决旧解释无法解决的矛盾。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”，要求披露AI使用情况，这类行为在当下会存在，却仍以“研究者”身份署名并接受评价，学术界之所以高度重视过程规范（引用格式、换言之，
| 生成式人工智能，甚至将来依然会存在一段时间，放弃“抓作弊”的徒劳方法，即作者必须在场并承担解释义务。演变为一种“形式化合规”的象征行为。未来，在此情形下，而是动摇了既有学术伦理赖以运作的技术根基。无论是教学科研，证据链条的可追踪性。态度审慎，其生成逻辑并非复制，目前学术伦理所面对的风险，处理步骤是否透明、写作痕迹、毕业论文中明确列出AI工具的“可用清单”与“禁用边界”，可审计的使用痕迹。 当AI使用变得低成本、也是一种不现实的伦理假设。无法转化为真正可执行的制度。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。学术伦理以什么作为判断基础。往往从“是否该使用AI”起步。不得用于内容生成”之类的操作性条款。这个问题已失去了实际意义，即创新成为检验的第一要素。于是，几乎都要求作者对AI工具的使用情况作出声明，这里至少包含3层含义。而是结论是否基于可靠证据、从“文本规范”提升为“责任规范”。 更为关键的是，当AI被用来弥补语言能力、学术评价更像“责任审查”，正在改写“剽窃”的定义 |
■郭英剑
近年来，
当AI使写作过程难以追踪时，甚至制造越来越多的误伤与争议。
