如何让AI辅助研究可复现?

研究中使用 AI，真正难的不是让它写出一段通顺文字，而是让别人能够沿着同一条路径，理解这段文字如何产生、依据是否可靠，并在条件允许时得到相近结果。可复现性因此不只是“把论文发出去”，而是把研究过程中的关键输入、判断和修改留下来。

先把 AI 放在可追踪的位置

如果 AI 参与了文献梳理、方法描述、数据分析说明或语言润色，研究者应记录它具体做了什么，而不是笼统写一句“使用过 AI”。至少要保留使用场景、提问内容、关键输出、人工修改痕迹，以及工具名称和版本信息。这样做不是为了证明机器有多聪明，而是为了让读者区分：哪些内容来自原始数据和研究者判断，哪些只是模型生成的草稿。

模型输出不能直接当作证据。它可能生成未经验证的事实，也可能给出看似合理却不存在的文献线索。凡是涉及事实、引用、计算结果和研究结论，都需要回到原始材料核对。尤其不能因为段落连贯，就跳过对数据来源和推理过程的检查。

把“生成结果”变成“研究记录”

可复现的关键，仍然是完整保存原始数据、处理步骤和分析代码。AI 可以帮助解释代码、整理变量或改写方法描述，但不能替代研究者保存真正产生结果的过程。若只留下最终论文，却没有数据处理记录，后来者很难判断差异究竟来自模型输出、人工编辑，还是研究流程本身。

实践中可以把 AI 产出分成三层：语言润色通常风险较低；结构整理需要人工确认逻辑；涉及分析、推断和结论的内容则必须由研究者承担责任。不同层级采用不同的记录和审核要求，比“一律允许”或“一律禁止”更容易执行。

透明披露不是形式主义

高校和期刊已经要求披露 AI 的用途，部分机构也把违规使用纳入学术不端调查。对研究者而言，披露并不等于承认研究不可靠，反而能说明哪些环节经过人工复核、哪些输出没有被直接采用。检测工具可以辅助发现异常，但难以单独证明一项研究是否可复现，人工审查和过程记录仍不可替代。

最后可以反问一句：如果今天删除 AI 对话记录，团队还能解释结果是怎样得到的吗？如果不能，问题可能不在于是否用了 AI，而在于研究流程还没有把它纳入可检查、可复核的体系。