很多本科生在提交论文时，习惯把 AI 当成一种不需要交代的“计算器”：用 ChatGPT 跑了回归、让 Claude 做了访谈编码、请 Kimi 生成了图表，却只在致谢里含糊地写一句“感谢现代技术”，或者在方法部分只字不提。你的理由是“AI 只是工具，数据还是我的数据，分析思路也是我设计的”。但这个看似合理的说法，恰恰是本科论文抽检和学术诚信审查中最容易被认定为问题的地方。
工具性不能自动豁免披露义务。当你使用 AI 承担分析、编码或可视化任务时，它已经介入了从原始数据到研究结论的认知链条。读者需要知道，某个编码是研究者阅读文本后做出的判断，还是模型在提示词驱动下生成的归纳；也需要知道，某张表是研究者从原始样本中计算得出，还是 AI 辅助整理后的结果。如果把这一步隐去，就相当于把机器的智力贡献写成了自己的分析过程。
<h2>为什么“分析方法”的披露标准比“写作润色”更严格</h2>
学术规范区分了 AI 的使用情境。用 AI 检查语法、调整句式、整理参考文献格式，通常属于语言与格式层面的辅助，可以在致谢或使用声明中概括说明。但一旦 AI 参与数据分析和结果生成环节，披露要求就不止于“是否用了”，还必须说清楚“用在哪里、怎么用、你做了什么”。
以辽科大教发〔2026〕45号文件中的规则为例，该校允许本科毕业设计（论文）使用 AI 进行文献检索、关键词推荐、参考文献格式整理，也允许用 AI 推荐合适的统计图表类型和辅助制图，但同时强调不得直接生成或改动原创性、实验性的结果。这里的边界很明确：AI 可以帮助你选择呈现方式，但不能替你产生研究结果。
再看国际学术机构的通行要求。Courtesy Augusta University 的指南提出，AI 不能列为作者，但需要在方法或致谢部分说明，并写清工具名称、版本、制造商、使用日期和提示词。EHU（巴斯克大学）的定义更细：只要 AI 影响了结构、思路、方法论，或者生成了被纳入最终文本的总结与解释，就必须披露。也就是说，如果 AI 参与了你的编码框架设计、统计模型选择建议或者可视化呈现，这些行为已经进入了“研究方法”的范畴，不能再当作普通工具使用来看待。
<h2>哪些 AI 使用场景必须在方法部分声明</h2>
你可以把需要披露的场景大致分为四类。
第一类是统计计算与模型选择。你把数据导入 ChatGPT 或 Claude，让它帮你选择回归模型、生成统计代码、解释输出结果，甚至直接给出“显著”“不显著”的判断。这种情况下，模型选择逻辑和结果解读中都混入了 AI 的贡献，方法部分必须交代。
第二类是质性研究中的编码与主题归纳。你把访谈转录稿、问卷开放题或政策文本交给 AI 做开放编码、主题提取、情绪分类。AI 在这里承担了传统上由研究者人工完成的归类判断，属于典型的分析任务，披露标准最高。如果 AI 的编码结果被原样或几乎没有改动地采纳，很多高校会要求事先获得导师或委员会的同意，而不只是事后声明。
第三类是数据可视化与图表生成。你需要明确区分“AI 推荐图表类型”和“AI 生成结果图”。前者属于可接受的辅助，但后者如果涉及对原始数据的整理、聚合、异常值处理，就可能触及数据的真实性和可追溯性。你提交论文时，审查者关心的不是图好看不好看，而是图中每一个数据点能否追溯到原始资料。
第四类是数据清洗与预处理。用 AI 帮你写脚本去除异常值、填充缺失值、合并变量，这些操作虽然看起来像编程辅助，但实际上已经改变了进入分析的数据集。洗涤、剔除、填补都会影响最终结论，必须在方法部分写清处理规则和依据。
还有一类灰色地带值得特别注意：你用 AI 生成了一份与研究主题相关的“分析框架建议”，然后按这个框架设计问卷或设定编码表。AI 的贡献不体现在数据上，而是隐藏在方法设计里。这种情况同样属于“影响了方法论”的披露范围，不能简单归为“灵感来源”。
<h2>漏写是否构成学术不端：取决于审查者如何定性</h2>
“方法部分没写 AI”和“数据造假”之间有多远？这要看你如何使用 AI，以及审查者能否从成果中识别出未声明的机器痕迹。
从学术诚信的一般原则看，未声明 AI 参与分析，可能被认定为三种性质的问题。最轻的是披露瑕疵：你只是忘了写，但 AI 的介入程度很浅，结果仍可复核。这种情况通常需要补充说明，但不一定构成严重违规。较重的定性是“将他人智力贡献据为己有”。AI 虽然不是人，但它的输出承载了模型训练数据、开发者设计和用户提示词等多方贡献。当 AI 生成了编码结果或分析判断，而你在论文中把它描述为自己的分析过程，就相当于未经声明地引入了外部智力劳动。
最严重的定性是数据操纵。如果 AI 在数据处理过程中“修正”了数据、生成了不存在于原始记录中的数值，或者你根据 AI 的输出反推并修改了原始数据，而方法部分没有交代，审查者完全有理由认定你伪造或篡改了数据。这里的核心不是“有没有用 AI”，而是“数据是否还能追溯到真实来源”。
抽检和审稿人具体会从哪些线索入手？他们可能会比较你的原始数据、你的分析说明和你的结果呈现之间是否一致；会查看图表风格是否与常见 AI 输出高度相似；会评估你对统计结果的口头答辩能否自圆其说。如果方法部分写着“采用人工编码”，但答辩时无法说明编码过程中的判断标准和分歧处理方式，就会触发对AI介入的追问。
<h2>方法部分的合规句式模板</h2>
披露不是写一句“本文使用了 AI 辅助分析”就算完成，也不是把提示词大段贴进论文就足够。合规披露的基本要素是：工具名称与版本、使用环节、具体任务、研究者承担的控制与核查责任。下面给你几个可以直接改写使用的模板。
统计分析的披露句式
本研究的数据分析采用 SPSS 26.0 完成。在模型选择阶段，研究者使用 ChatGPT（OpenAI，GPT-4，2025 年 3 月）辅助生成多元线性回归的备选模型清单，并参考其建议确定自变量进入方式。所有统计代码均由研究者编写并逐条核对，模型结果经两次独立复算确认。AI 未参与数据录入、样本剔除或结果判定。
质性编码的披露句式
访谈文本的开放编码由研究者独立完成初轮编码。在主题归纳阶段，研究者使用 Claude（Anthropic，Claude 3.5 Sonnet，2025 年 4 月）对 20 份转录稿进行主题聚类建议，以辅助检验人工编码的一致性。AI 生成的聚类结果仅作为参照，未直接替代研究者的编码判断；最终主题结构由研究者依据理论框架和文本证据确定。
可视化的披露句式
图 3 至图 5 的图表类型由研究者根据数据特征选定，并使用 Python（matplotlib 库）绘制。在图表样式优化阶段，研究者使用 Kimi 生成的配色与尺寸建议进行调整。数据点均直接来源于原始问卷，未进行任何 AI 辅助的插值、剔除或平滑处理。
同时涵盖多处使用的综合声明
本研究的 AI 使用情况如下：使用 DeepL 辅助校对英文摘要（2025 年 5 月）；使用 ChatGPT 辅助设计结构化访谈提纲的初稿（2025 年 2 月）；使用 Claude 对问卷开放题进行初步主题归类，归类结果经研究者逐条复核后采纳（2025 年 4 月）。以上工具的完整提示词记录和输出存档见附录 B。所有数据分析和结论均由研究者独立完成并承担责任。
写完之后，你要做一个反向核查：如果一位读者只能看到方法部分，他能否大致还原出你的分析决策链？如果答案是“能”，且明确知道哪一步是你做的、哪一步是 AI 做的，披露就是合规的。
<h2>复核自查要点</h2>
提交之前，建议你逐项对照以下问题：
定位是否准确。 方法部分的 AI 声明是否与论文中实际的使用环节一一对应？有没有出现“方法里写了 AI 没参与编码，致谢里又感谢 AI 帮忙编码”的矛盾表述。
任务描述是否具体。 “辅助分析”四个字不合格。你需要写出 AI 处理了什么任务：是生成代码、建议模型、初步聚类、解释输出，还是生成某一类图表。
结果可追溯性是否完整。 你能不能用原始数据重新复现论文中的每一个表格和数字？AI 如果参与清洗、填补或变换，处理规则是否写清，是否保留了处理前的备份。
提示词与输出有没有留存。 多数高校和期刊并不要求把所有提示词写进正文，但要求你能在抽检时提供记录。保存对话导出文件，至少记录使用时间、工具版本和输入输出摘要。
责任划分是否清晰。 方法部分的最后一句话，应该有一个明确的责任声明，说明研究者对数据的真实性、分析过程的规范性和结论的可信度承担最终责任。这不是套话，而是把研究者而非 AI 放回责任中心。
最后回到你最初的想法：“AI 只是工具，不需要交代。”工具的身份没错，但研究方法的学术诚信不关心工具是不是工具，它关心的是：结论从何而来，判断由谁做出，读者能否复查。AI 参与得越深，这三件事就越需要写清楚。你能说清 AI 在哪里停了下来，你在哪里接手，方法部分的披露就完成了它该完成的任务。
