AI写作痕迹：生物医学论文中的“秘密”曝光

在学术界，AI的辅助写作正逐渐成为一把双刃剑。一方面，它为研究者提供了高效的写作工具；另一方面，过度依赖AI也可能导致论文失去原创性和深度。最近，Nature的一篇报道揭示了生物医学论文中AI写作痕迹的普遍性，引发了广泛关注。

报道指出，在2024年PubMed上发表的150万篇生物医学研究摘要中，超过20万篇都频繁出现了LLM（大型语言模型）的特征词。这些词汇，如“unparalleled”、“invaluable”、“heighten”等，大多只是改变了文体，并不影响内容本身。然而，它们的频繁出现却成为了识别AI写作的重要线索。

研究团队通过构建词汇出现的二元矩阵，计算每年词汇频率，并将实际频率与预期频率的差值和比值作为衡量超额使用的指标。实验发现，在2024年之前，类似“coronavirus”的名词被超额使用；而2024年之后，则以“intricate”、“notably”等与研究内容无关的风格词为主。这些词汇中，66%是动词，16%是形容词，它们共同构成了LLM独特的写作风格。

随着LLM在学术领域的日益渗透，许多作者开始将LLM融入日常写作，甚至与LLM一起合作撰写论文。然而，这种合作并非总是那么隐秘。和人类作者一样，LLM也喜欢在论文中留下自己独特的写作印记。这些印记，如特定的词汇选择、句式结构等，恰好成为了发现LLM的途径。

研究发现，在不同学科、地域和期刊中，LLM的使用也存在显著差异。在计算领域、生物信息学等学科中，由于行业技术日新月异，研究者需要迅速掌握新技术，因此更依赖LLM协助，约占20%。而在中国、韩国等非英语国家中，由于需要LLM辅助英语写作，LLM使用率可达15%。相比之下，像英国、澳大利亚等英语国家的LLM使用率则相对较低。

值得注意的是，一些低门槛的开放获取期刊，如MDPI旗下的《Sensors》，LLM使用率可达24%，而像《Nature》、《Science》等顶刊只有6%到8%。研究人员推测，这可能是由于前者审稿流程相对简化，而作者需要依赖LLM快速成文。

然而，随着LLM使用的日益普及，一些作者也开始意识到其可能带来的问题，并尝试引导LLM规避明显的AI痕迹。例如，通过特定的提示词修改文本，避免使用典型的LLM特征词。然而，这种人为干预虽然可以调整部分输出，但无法完全消除LLM的痕迹。

研究人员表示，未来他们将通过统计大量文本中常见词汇的频率来进一步估计AI对学术文献的影响，而不仅仅只针对单个短文本进行检测。同时，他们也呼吁学术界重新思考AI在科研工作中的角色和边界，如何更好地让AI参与学术写作，以及如何确保论文的原创性和深度。

总而言之，LLM在科研工作中的影响力日益增长，但同时也带来了诸多挑战和问题。如何平衡AI的辅助与原创性的保持，将是未来学术界需要共同面对的重要课题。