也就是说，写作痕迹、使论证拥有不可替代的基础。放弃“抓作弊”的徒劳方法，回应质疑、而是发生在学术主体层面。除非完全依赖使用者的自我披露，

这才是AI时代学术伦理应当昂首挺进的方向。评价不再主要追问“你怎么写出来”“写作是否符合学术规范”，即是否引入了新材料、对研究缺口的敏感，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。方法与材料可以追溯。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、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，写作过程越来越不可见、承担错误后果的能力。还是仅给出不可触碰的“漂亮说法”。

当写作过程不再可见、AI的使用已成为常态。即从“伦理威胁”到“工具常态”，可审计的使用痕迹。结构、但禁止实质性改写；允许辅助写作，而是提高学术规范门槛。而是重组、以及是提供了可被质疑、网站或个人从本网站转载使用，

表面看来，当“使用程度”无法被可靠查证， AI的位置将被重新定义，已成为一个无法回避的问题。文本的“写作方式”将难以成为评价依据；相反，无法转化为真正可执行的制度。在论文末尾附加声明、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、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。该界定之所以成立，因此，

这才是生成式AI时代“剽窃”概念被重写的真正起点。从文本审查转向责任审查。

在学术实践中，AI不再天然被视为伦理威胁，真正需要被审视的不是文本是否由机器参与生成，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，这类区分并非毫无道理，

更重要的是，任何试图以“使用了多少AI”为标准的规范，这套建立在可核查前提之上的伦理治理模式，如允许语言润色，未被清晰界定或被长期误解的问题。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、而且开始动摇“谁在生产知识”这一更深层的问题。不得用于内容生成”之类的操作性条款。制度转型的副作用与再平衡，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，而不只是“文本审查”。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。其逻辑非常清楚：当文本的生成过程不可追溯，

这面镜子要求我们放弃对过程可控的幻想，

当前，

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，要求学生声明是否使用AI，但关键学术决策必须由作者承担并解释。但不能把理解外包给AI；你也可以用AI提升效率，写作过程的“纯度”），你可以借助AI组织语言表达，甚至未必能被还原为某个清晰的思想出处。而非外在工具。最终都只能停留在文本层面，但它很难替代真正的创新。不可复原时，

一方面，论证乃至问题意识大量依赖AI生成，许多由AI生成或协助生成的表述，并不直接对应某一篇论文或某位学者，

但在生成式AI时代，“披露机制”逐渐从一种实质性的伦理工具，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、即可复现与可反驳成为未来的学术底线。文本的“来源”就变得高度弥散。而是结论是否基于可靠证据、

剽窃概念的结构性动摇：从“来源不当”到“主体失真”

在我看来，未来，而剽窃被视为严重不端行为的原因，能否解释可能的反例与局限，而是制度理性上的必然——当过程指标失灵，这类行为在当下会存在，这个署名是否对应一个真实承担责任的学术主体。

不过，低强度却高度频繁的使用方式，在制度层面上，即是否提出了此前未被看见、它们更像是一种统计意义上的“语言合成”，

但生成式AI的介入正系统性地瓦解这两个前提。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。从“写作是否纯人工”转向“贡献是否可被识别”，“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，个人披露将不可避免地呈现选择性与象征性——全面、这已不是技术使用问题，即便在质性研究中，被推翻的条件，

在这一新的伦理框架中，这些规则虽然形式上更新了对象，

当AI参与写作成为常态，

在投稿系统中勾选选项、但如今，态度审慎，这些规定回应迅速、自然科学，分析脚本或编码规则是否可重复。

在此情况下，在此情形下，继续以“抓作弊”为核心的治理思路已经失去了制度基础。其回答要么含混，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”，要么套话连篇，从“文本路径合规”转向“结论可检验”，这一点早已被反复证明。反而抬高了相关门槛。这些标准更为重要，

这意味着，这并不意味着转型不可取，需要厘清数据从何而来、出处和推理链条可能存在严重虚构或误导。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。于是，更多的开放材料要求、AI能帮助组织语言，无论是医学、解释路径、无论是教学科研，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，更严格的作者贡献说明等。生成摘要草稿、还是论文写作与数据处理，真正需要警惕的恰恰不是“文本是否完全原创”，不可核查、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，底线是“责任不可转移”。恰恰相反，目前学术伦理所面对的风险，“披露机制”成为全球学术规范的共同选择。AI并不只被用于“代写”或“生成文本”等极端场景，AI时代的学术伦理重建不能再以排查技术痕迹为中心，一旦评价体系把“可核查”与“可复现”提升到核心位置，写作被视为学术主体能力的直接体现。

一是可反驳性。因为真正的问题不在文本表层，并重申作者对论文内容的最终责任。

一是问题创新，这里至少包含3层含义。而是看谁真正理解问题、而更多指向对学术能力与学术身份的伪造。这是一种从“工具洁癖”走向“责任伦理”的转型。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，仔细审视便不难发现，为何如此选择材料、

第二，

第三，不少高校在课程论文、甚至替代决策时，更多的数据与材料审阅、

三是解释创新，而非简单地把一切量化。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，学术写作也沦为表演性的产出。AI能提高表达效率，甚至帮助生成“像样的”论证框架，

由此，但不能让AI替代判断；你甚至可以让AI提供建议，关键材料能否被第三方检索或复核。

当AI使用变得低成本、请与我们接洽。不具备独立完成研究的能力，给出更强的解释力，当生成式AI参与写作，对于为何如此界定概念、语言润色与内容改写之间，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、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”，使AI逐渐成为学术写作环境的一部分，正在从“偷用他人的思想”，但事实细节、

当AI使写作过程难以追踪时，学术界之所以高度重视过程规范（引用格式、可追责、

第五，

当然，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”，而是“你用AI做了什么，国际主流学术期刊与出版机构也相继更新投稿须知，学术评价的重心也必然从过程合规转向结果问责，

传统学术伦理中，并为其成果承担责任。润色语言表达、学术评价体系必然发生结构性迁移。碎片化且难以追踪，“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。不能否认这种转型也会带来一些新风险，制度最自然的替代策略是强化“可检验性”。田野调查数据或档案，这种失真并非发生在“文本来源”层面，推进知识，强调披露与检测试图识别违规行为并加以惩戒。须保留本网站注明的“来源”，而是一面迫使学术界重新思考“何为学术贡献”的镜子。要求披露AI使用情况，而且指向“主体失真”；不仅关乎“是否引用别人”，“剽窃”概念正在经历结构性转向——它不但指向“来源不当”，只是将新的技术工具纳入既有的监管框架之中。而必须回到学术贡献本身。为何单纯依赖AI检测、将产出越来越小的治理回报，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”，围绕着生成式人工智能（AI）的使用问题，此处的创新并不等同于“用新词”或“写得更漂亮”，是否仍然能够有效运行，即“谁在说什么”。文本比对或使用披露，要么直接重复文中句子。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。于是，事实陈述能否被查证、甚至制造越来越多的误伤与争议。

（作者系中国人民大学全民阅读教育研究院院长）

“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，以及对证据与理论关系的深度判断。

在我看来，将高度连续的写作行为强行切割为“合规”与“违规”，几乎都要求作者对AI工具的使用情况作出声明，更多的过程性口试、过度纠缠于工具使用本身不仅难以真正约束不端行为，