以可复现性补强诚信审查

学术诚信审查长期依赖编辑与评审专家的经验判断，但面对生成式人工智能的普及，这种以主观判断为核心的模式正暴露出结构性短板。机器生成文本往往缺乏可复现的实验细节、引用准确性与贡献透明度，而仅凭阅读稿件来识别这些问题，既低效也不可靠。将可复现性要求嵌入审查流程，正是补强诚信审查的关键路径。

可复现性审查的核心，是把判断依据从“文字是否像人写的”转向“研究过程是否经得起验证”。期刊与科研机构要求作者提交原始数据、分析脚本与模型种子（seed），并披露生成式工具在文献综述、语言润色、数据分析辅助等具体环节的使用方式，实际上是为审查者提供了可核验的中间产物。当评审不再需要猜测某段描述是否由模型生成，而是直接检查其背后的数据与分析流程时，诚信审查就从概率判断变成了事实核查。

这一转向也回应了检测工具自身的技术局限。现有检测手段在区分人类与模型风格、应对经过编辑的AI草稿时效率明显下降，归因与可追溯性在技术上仍有难度。与其依赖准确率存疑的检测器，不如通过制度设计降低对检测技术的单点依赖。扩大对原始材料的要求、推动开源与可验证的研究流程，是从方法学层面抵御信息空洞的更稳妥选择。

当然，可复现性门槛的提升需要配套的披露制度与教育训练。作者在投稿时披露模型使用记录与中间结果日志，应纳入作者贡献声明；高校与研究机构则需将生成式工具的使用边界纳入学术诚信课程，训练评审者识别生成文本的要点。这些措施共同作用，才能让可复现性审查真正落地，而不是停留在纸面要求上。

学术共同体必须在拥抱效率与维护真实性之间建立新的制度与技术保障。以可复现性作为审查的硬性标准，既承认了生成工具的合理辅助价值，又守住了知识累积的可靠性底线，这是当前阶段最务实的治理方向。