展开知识库目录
AI 检测率、重复率和学术不端不是一回事，分别怎么处理
AI 检测分数、文字相似度和学术不端分别测量不同问题。不要为了压低一个不稳定分数反复改写；应回到来源、引用、作者责任和学校规则处理真实风险。
检测平台说“AI 率 62%”，学生开始把术语、定义和引用全部改乱
学生看到一份 AI 检测报告，把所有高亮句交给改写工具反复“降率”。最终分数下降了，但标准术语被替换，引用与主张错位，甚至新增了不存在的解释。真正影响学术诚信的来源披露、作者是否理解内容、数据和分析是否真实，反而没有检查。
AI 检测、相似度检查和学术不端认定不是同一件事。前两者最多提供线索，不能单靠一个百分比完成责任判断；实际处理应依据学校、期刊或资助机构的当前规则，以及原稿、来源、修改记录和研究证据。
- 看懂三类报告各自能说明什么
- 按真实风险选择处理动作
- 停止以规避检测为目标的盲目改写
同样是高分，证据含义和处理方式完全不同
| 项目 | 它试图识别什么 | 不能单独证明 | 正确用途 |
|---|---|---|---|
| AI 文本检测 | 文本模式与模型训练样本的统计相似特征 | 某句一定由 AI 写、作者存在不端 | 作为人工复核线索，并了解误判与适用语言限制 |
| 文字相似度/查重 | 与收录文献、网页或既有提交的重合片段 | 重合一定是抄袭、低重合一定原创 | 逐条查看来源、引用、固定表达和实质重复 |
| 学术不端判断 | 抄袭、捏造、篡改、不当署名、违规代写等行为 | 不能由任一软件分数自动裁决 | 按正式规则、证据和程序由有权机构判断 |
| AI 使用合规 | 是否符合课程、学校、期刊或资助方的允许范围与披露要求 | 用了 AI 就必然违规或没披露就一定无影响 | 核对当前政策、用途、输入数据、人工责任和披露 |
先确认规则和证据，再决定改文、补引还是说明
- 01
确认报告类型和使用场景
看清是 AI 分类、文字相似度还是正式调查材料；记录工具版本、语言支持、阈值和报告日期。
- 02
找到有约束力的当前规则
课程作业看课程与学校规定，投稿看目标期刊，基金看资助方。不要用网络经验帖替代正式政策。
- 03
逐段回到来源和写作记录
检查高亮处的引用、笔记、草稿、数据和修改历史。能否解释主张如何形成，比压低分数更关键。
- 04
按问题类型修复
遗漏引用就补来源并改为准确转述；近似复制就重写并保留引用；事实或数据错误回原始证据；允许的 AI 使用按要求披露。
- 05
拒绝“洗稿式降率”
不要替换标准术语、打乱语序或插入无意义文字规避检测。这样可能降低可读性并制造新的不准确。
- 06
有争议时保留程序证据
保存原始报告、版本历史、检索记录、实验或分析文件和沟通记录，按正式申诉或复核流程说明。
不是所有高亮都要改，也不是低分就可以放行
规范方法描述或术语被相似度高亮
- 原因
- 领域固定表达空间有限，或方法确实来自既有方案。
- 怎么改
- 核对是否需要引用和是否存在可合理改写空间；不要破坏标准术语。
AI 检测把本人旧稿判为高概率
- 原因
- 分类器存在误判，且不同语言和文体表现不一。
- 怎么改
- 保留草稿和版本记录，申请人工复核，不用另一工具分数互相证明。
相似度不高但整段观点没有来源
- 原因
- 改写降低了文字重合，却没有解决观点归属。
- 怎么改
- 回证据笔记补充准确引用，区分自己的分析与他人主张。
AI 生成的引用看起来格式完整
- 原因
- 语言模型可能生成不存在或不支持主张的来源。
- 怎么改
- 逐条到数据库和原文核验作者、题名、年份、DOI及实际支持位置。
目标是可说明、可追溯、符合规则，不是得到某个漂亮分数
诚信判断依赖透明责任和正式程序，不依赖单一检测分数
一手来源ICMJE：Artificial Intelligence编辑依据本校、本课程或目标期刊现行规则
核对 AI 使用中的披露、保密、引用和作者责任。
一手来源COPE：Authorship and AI toolsAI 不能承担作者责任，研究者需对生成内容准确性和完整性负责。
一手来源教育部：高等学校预防与处理学术不端行为办法了解高校学术不端处理的正式框架；具体个案仍以所在单位现行制度和程序为准。
AI 允许范围、披露方式、检测报告用途和申诉程序可能不同，提交前必须直接核对。