于霄 | 从作弊查处到能力证成：人工智能时代学位论文过程性评价的法治推进 | 上海师范大学学报（哲学社会科学版）202604

【作者】于霄（上海外国语大学法学院副教授）

【来源】北大法宝法学期刊库《上海师范大学学报（哲学社会科学版）》2026年第4期（文末附本期期刊法学要目）。因篇幅较长，已略去原文注释。

内容提要：人工智能生成内容在学位论文中广泛使用，但其本质是基于概率的统计语言模型，不同于学术研究和训练，助长了学术不端，严重损害了学术诚信。在现行规范框架内将人工智能生成内容认定为学术不端仍存现实困难，而现有的法治方案实施也存在难以回避的障碍，人工智能检测可以通过技术手段规避，人工智能数字水印尚难法律强制，要求主动引注不合规范逻辑。目前我国高校主要使用增加评价节点的方式应对人工智能冲击，基于过程性评价的制度逻辑，更应加强阶段评价之间的联系，整合多主体评价，侧重评价研究行为。加强对学位论文的过程性评价法治化的具体措施包括：将阶段性答辩与评审结果纳入学位论文最终评价；利用写作环境监测全面收集学位论文过程性数据；审查基础性文献与原始数据，构建学位论文过程性文本体系。

关键词：人工智能生成内容；学术诚信；学位论文评价；过程性评价；学术不端；学位法

目次 一、问题的提出 二、人工智能对学位论文学术诚信的结构性冲击 三、现有法治措施和方案在人工智能语境下面临系统性失灵 四、过程性评价应对人工智能学术不端的制度逻辑 五、面向人工智能的学位论文过程性评价法治化改进 结语

一

“问题的提出

2024年《中华人民共和国学位法》（简称《学位法》）第37条规定：“学位申请人、学位获得者在攻读该学位过程中有学位论文或者实践成果被认定为存在代写、剽窃、伪造等学术不端行为的，经学位评定委员会决议，学位授予单位不授予学位或者撤销学位。”此条修改了2004年《学位条例》第17条“如发现有舞弊作伪等严重违反本条例规定的情况”中关于撤销学位的条件“舞弊作伪”表述。2012年《学位论文作假行为处理办法》第3条还有关于“学位论文作假行为”情形的列举，其范围与学术不端行为外延相近。教育部办公厅《关于进一步规范和加强研究生培养管理的通知》第5条将学术不端与学位论文作假行为并列。这一修改不仅列明了部分学术不端行为，更重要的是将“学术不端”作为规范概念与《中华人民共和国高等教育法》（简称《高等教育法》）等规范文件统一起来，明确了学术不端与舞弊作伪、论文作假等行为的规范表述。

学术不端的认定关系学位授予与撤销，对当事人的利益具有重大影响，但其要件在规范文件中并不明确。2016年《高等学校预防与处理学术不端行为办法》第2条将学术不端定义为“高等学校及其教学科研人员、管理人员和学生，在科学研究及相关活动中发生的违反公认的学术准则、违背学术诚信的行为”。其本质不是阐明学术不端行为的认定要件，而是对学术道德的援引。虽然《学位法》等规范也对学术不端行为进行了列举，但在实践中对学术不端进行认定尚存现实困难。

生成式人工智能技术近年的快速发展，对维护学位论文学术诚信提出了严峻挑战。自2022年底ChatGPT发布以来，国内外大语言模型及服务快速涌现。在不到3年的时间里，技术快速迭代并基本可以满足文字生成的一般性要求。这不仅加剧了学术不端认定的原本困难，更对作为学位论文甚至整个高等教育基础的学术诚信造成威胁。传统的法治方案难以对人工智能生成内容学术不端进行有效预防与控制，未来学位论文的学术诚信将难以维系。

为此，世界范围内的高校纷纷做出反应，或禁止学生使用生成式人工智能，或要求在论文中添加智能生成内容的注释。但是一味禁止并不能解决问题，新技术在学位论文研究中的使用不可避免。为解决学位论文中人工智能生成内容有损学术诚信的问题，部分学者提出了法律治理的方案：人工智能服务提供者承担学术不端治理主体责任；通过提高透明度、敏捷迭代、迅捷治理、协同治理等通用法治范式解决人工智能生成内容学术诚信的具体问题；要求学生主动引注或说明人工智能生成内容；严格评议，避免学术不端；添加人工智能数字标识；进行人工智能检测；等等。然而，这些方案在人工智能语境下面临系统性失灵。

论文的过程性评价注重学位论文中学术研究活动本身，具有时间性、复杂性和多维性，从根本上改变了过去的平面式评价模式，是应对人工智能对学位论文学术诚信挑战的最佳工具。所以，在《学位法》颁布实施的条件下，进一步完善学位论文过程性评价并规范落实，才能从根本上解决人工智能时代学位论文评价的问题。

二

二、人工智能对学位论文学术诚信的结构性冲击

生成式人工智能的本质是一种统计语言模型，它体现的是训练数据中的语词关系，而非意思的表达。生成式人工智能可以辅助学术研究，但它并不是学术研究和训练本身。人工智能在学位论文中不合理的使用会成为学生投机的工具，严重破坏学术诚信。这从根本上损害了高等教育的社会功能，使高等教育丧失其社会系统中的核心价值。

1.使用人工智能助长学术不端

人工智能利用数字系统执行通常与人类智能相关的任务。生成式人工智能技术的目标是通过技术方式快速生成类似人完成的内容，包括文本、图像、音频和视频等。人工智能是一种能够以类似人脑的方式学习和解决问题的计算技术。但是其使用的方法与人脑有很大区别。以文字为例，人在进行写作时，首先会形成表达意义，其中包含了信息、目标和情感等，然后通过一定语法结构形成句子。而生成式人工智能利用的是统计语言模型，即利用统计的方法计算一个词出现的概率与之前出现的词（可能是一个或多个，甚至是之前所有出现的词）的关系，从而决定生成的内容。

但是智能生成内容并非指向内容所表达的意义。通过概率的计算，选择最优的下一词可能生成连贯的、人可以理解的内容，但这与基于意义而进行的表达具有本质不同。可以认为，智能生成内容只是符号间关系的反映，而不是有意义的表达。即使人可以理解无意义表达中的意义，也只是因为技术可以通过对无数有意义表达方式进行统计而找到了一种可能存在意义的表达方式。到目前为止，生成式人工智能仍不能摆脱技术幻觉（hallucination）的问题，即通常所说的“一本正经地胡说八道”。这本质上说明人工智能并非在理解了人的问题之后进行表达，而只是会对问题所使用的词语寻找最合乎统计规律的词语组合。

人工智能生成内容的技术路径决定了其多数应用不满足学位论文的学术研究要求。其一，生成内容不具有创新性。在当前商业应用人工智能的技术条件，也即学生可以获得的技术条件下，生成式人工智能的统计语言模型的本质决定了其不可能具有创新性。生成内容是基于对过往数据的统计，甚至生成的“创新”策略也是基于已有创新策略进行的归纳。其二，生成内容不具有针对性。学术研究必须具有专业性，即针对特定领域。而生成内容基于大量数据训练而形成，其专业性远不如其综合性。即使后续可以对大语言模型进行微调，但因其需要大量的算力和技术成本，不可能在学位论文中得到广泛运用。其三，生成内容不具有实践性。学术研究必须具有一定的现实意义和关照，然而具有学术研究价值的现实问题反而很难或很少反映在已有的文字数据中。这就导致生成内容无法反映这部分现实，使生成内容不具有问题意识，多数流于泛泛而谈。

人工智能既可以是助力学术研究的新型工具，也可以是滋生学术不端的技术，但在学术论文的实践中，后者占有更大比例。学生撰写学位论文的直接目标是通过答辩，获得学位，而不是提高学位论文要求的某专业领域的能力。人工智能助长学术不端有很多原因。其一，学生与生俱来的惰性。惰性是一种通俗表述，它作为主观方面，和学位论文撰写的难度、选题的非自主性、缺乏外在直接动力等与之相关的原因构成了学生出现学术不端行为的主要原因之一。其二，学生之间的相互影响。这包括同学之间的影响。有研究表明，在学生发现别人有学术不端行为时更容易模仿。也包括学生受到之前学位论文写作方法的影响。尽管之前上网的学位论文通过了答辩，但其中存在大量通过人工智能生成、改写、“降重”而形成的实质一致、形式不同的抄袭内容。其三，教学环境的问题。学生的学术习惯与所在高等教育机构的环境存在密切联系。比如导师没有进行应有的指导、学校没有提供合理的研究环境等。

人工智能学术不端行为还会因长期的内部博弈而逐步加剧。学术不端的正向反馈会使诚信学生在心理上难以接受，同时，诚信学生花费在时间和机会上的成本会更高。这意味着学术不端学生可以将更多的时间和精力用于找实习、工作，或者用于只是简单的休息或游戏。这反映出学位论文学术不端在获得合格评价之外的另一个主要目的——节省时间成本。甚至有学生认为：“节约时间成本是学位论文学术不端的最主要目的，甚至是唯一目的，应该很少有人找代写或用人工智能生成是为了最终拿高分。”在学术不端成为一种普遍现象时，即使是有能力通过学位论文答辩的学生，也会尽可能地节约时间成本，以便实现与他人在找工作等事项上的竞争。

技术的快速进步与治理制度供给的不足相互作用，进一步加剧了人工智能生成内容在学位论文中的不当使用。技术的发展对学位论文学术诚信的挑战由来已久。20世纪90年代末以来，随着学位论文研究逐步电子化，复制粘贴功能极大地助长了学术不端现象的扩散。随后的十几年间，伴随着学术资源呈现爆发式增长并广泛实现数字化，学生能够获取的研究材料前所未有地丰富，普通教师几乎再也无法全面识别学位论文中的学术不端。尽管文字查重系统等工具的应用减少了直接抄袭的情况，但学术不端的形式却变得更加多样化和隐蔽化。人工智能生成技术进一步降低了学位论文学术不端的行为风险，相应的识别和预防制度又严重滞后，导致学术不端行为的收益有时远远大于成本，更助长了学术不端。

2.学术诚信范式从作弊识别到训练认定

学术不端在传统上就是一个广受关注的问题，其中学术不端的检测与防治是学术研究的热点。在应然层面，教育是对真理、科学和人性这些“社会之善”的追求，是对学习的热爱。而随着社会系统的功能分化，教育系统经过与其他社会系统的复杂博弈，形成了当前以考试教育为内容、以学历输出为形式的分工形态。在系统内部，学生的目标也发生了异化，现代教育越来越成为一些学生获得学位证书以支持未来就业的一种手段。甚至现在学生对学位证书过于重视，以致学习与获得学位成为一种交易——学生完成学校任务，学校就应当授予学位。

学术不端认定与学术诚信维护具有一致性，但也有差异。“学术诚信”在中文语境中并不完全是诚信原则（good faith）在学术中的反映，而是源自英文“academic integrity”。《剑桥词典》将integrity定义为“诚实的品质和拒绝改变的坚定道德原则”。相对于good faith的诚实守信（多指信守合约），学术诚信更注重“遵守道德和专业原则、标准、惯例和一致的价值体系，并以此作为决策和行动的指导”。学位论文学术诚信与学术不端的制度逻辑在于法律规范制度上对学术诚信的维护主要是通过对学术不端的处罚来实现的。学位论文学术诚信的三个关键制度安排可以归纳为认定、处罚与防治。目前大多数研究也都围绕认定和处罚两个方面展开。在法律规范层面，对学术不端的认定和处罚也是制度的核心。但学术诚信是相关法律规范的目标，处罚学术不端不是目的，法治实践的最优结果是通过以学术论文评价为中心的各种机制实现最大限度的学术诚信。

维护学位论文的学术诚信具有重要的制度价值。从教育理念看，学术不端本质上是一种欺诈行为；从社会功能看，学位论文不仅旨在提升学生专业能力，更承担着评价功能。高等教育机构依据学生对学科知识与技能的掌握程度授予学位，学位证书既是能力认证，也是一种社会信任凭证。用人单位依赖这一机制高效甄别人才，从而降低选拔成本。若学术诚信失守（如纵容论文抄袭），将扭曲评价结果，误导用人决策，损害高校声誉，并削弱学位制度的社会公信力。更有研究表明，学术不端经历与个体日后在婚姻、职业及履约中的失信行为显著相关，凸显学术诚信对培育社会整体诚信体系的基础性作用。

所以，学位论文诚信考查的本质不只是认定“作弊”，更在于考查学生是否完成了学术训练。学术不端认定的逻辑是消极的，即它的目标是发现在学位论文撰写中的作弊行为，并加以处罚，而对具有更核心价值的“学生是否具备了学术能力”却并不过问。学位论文评价的真正价值，在于证明学生经历了完整的学术训练，比如文献阅读、问题提炼、论证构建、数据处理、问题应对与修改。这一过程是高等教育的核心目标，也是学位证书作为能力凭证的正当性基础。而人工智能加剧了两个逻辑的差异，因为一篇难以被认定为作弊的论文可以在没有任何学术训练的情况下被生成。这也使学术不端的法治进路遭遇极大困难。

三

现有法治措施和方案在人工智能语境下面临系统性失灵

现有的认定学术不端的法治措施和基于目前学术研究的方案建议，在人工智能技术发展的冲击下，都面临系统性失灵。

1.在现行规范框架内人工智能生成内容认定难

目前，学术不端的关键性概念比如“学术不端”“抄袭”“剽窃”等缺少明晰、统一、合理的认定标准，这既不利于实践中明确学术不端的行为边界，更引发了对学术不端处理结果的诸多争议。我国在学术不端治理法治化上已经做出很多努力，颁布实施了大量规范性文件。在认定上，我国主要采用列举主要学术不端行为和援引学术道德两种方式。但对人工智能生成内容认定学术不端仍面临现实困境。

（1）认定为列举性学术不端行为存在现实困境

《学位法》列举了代写、剽窃、伪造三种学术不端行为。教育部《关于严肃处理高等学校学术不端行为的通知》《学位论文作假行为处理办法》《普通高等学校学生管理规定》《本科毕业论文（设计）抽检办法（试行）》《普通高等学校研究生国家奖学金评审办法》等法律法规中都列举了学术不端行为。限于学位论文学术不端，列举行为可以主要归纳为以下几种：

第一，抄袭。欧洲学术诚信网络（European Network for Academic Integrity）的术语表将剽窃定义为“未经适当引注而表达从其他来源获取的作品或观点”。根据对学术不端认定的实践，抄袭可以分为文字保留型抄袭（如复制粘贴）；语法保留型抄袭（涉及使用相同的信息，但进行同义词替换或技术伪装）；语义保留型抄袭（包括翻译和重述）；思想保留型抄袭（使用概念和思想）。抄袭的构成要件包括：其一，使用了他人的文字、结构或思想；其二，这些内容的创作属于另一个可识别的人或来源；其三，未合理引用；其四，原创作者有合理期望；其五，目的是获得某种利益、荣誉或收益，而这种利益、荣誉或收益不一定是金钱。抄袭一般是使用他人已经发表作品中的材料或观点而没有适当引注。抄袭的对象既可以是人，也可以是某一来源。抄袭既可以是使用他人的文字，也可以是使用他人的观点。无论使用文字多少都可以构成抄袭，没有一定标准，但标准的核心是使用的文字是否表达了一个完整的观点或内容，比如一个他人独立研究而形成的术语可能仅包含两个字也需要适当引注。

但是人工智能生成内容在现实中认定为抄袭存在困难。从理论上说，人工智能生成内容不管是文字还是思想都应当适当注明。这并非新要求，而是传统学术规范的应有之义。与著作权不同的是，即使没有权利人受损，人工智能生成学位论文仍然损害了学术诚信这一教育的根本价值。所以，在学位论文中直接使用人工智能生成内容应认定为抄袭。但抄袭的来源不是人就没有合理期望，也没有人主动主张，更为重要的是生成内容每次不同，是否智能生成难以认定，人工智能生成内容认定为抄袭存在现实困难。

第二，代写或代改论文。代写描述的是学生将他人原创论文作为自己学位论文提交的行为，尽管这些作品是为他们而写，但不是由他们自己完成。代写多数是因为经济利益，但经济利益并不是代写行为构成的必要条件。代写因为是由他人完成，只要代写人不是抄袭或伪造，则很难单纯从文本上发现学术不端。在学位论文中直接使用人工智能生成内容应当认定为抄袭而非代写，但因为专业化的论文工厂在人工智能技术的催动下，成本更低，规模更大，对学术诚信的损害不可估量。当前，许多国家已将为学生提供有偿论文写作服务的机构认定为非法，并将其部分行为认定为犯罪，这些国家包括澳大利亚、新西兰、爱尔兰、美国（一些州）以及英国。英国2021年10月宣布为经济利益提供、安排或宣传作弊服务构成刑事犯罪。虽然代写论文行为本身并不构成犯罪，但代写论文以获利的行为仍为非法。然而，因为学位论文学术不端认定难的根源并未清除，不管是国内国外，代写代改等行为难以禁绝。

第三，伪造。包括伪造数据、文献和注释等。伪造是比较严重的学术不端行为，它不仅破坏了学术道德，更对科学研究造成严重影响，为了纠正一个伪造数据，可能需要后续更多甚至数倍的投入。所以，对伪造行为各国都有比较严厉的法律治理手段，特别是利用伪造欺诈和盗取政府资金的行为在很多国家都被认为是犯罪，比如美国佛蒙特大学艾里克·波赫尔曼案和美国爱荷华州立大学韩东杓案等。相对于抄袭，伪造认定的困难不在标准而在成本。人工智能生成虚假和错误的内容和注释的成本极低，多数情况下对错交杂，一一查证的成本极高。

学术不端行为多种多样，随技术和时代的发展而变化，难以在法律中明确规定。在学位论文中，除法律明文列举的三种比较典型的学术不端行为之外，还有洗稿、串通作弊和学术腐败等。洗稿是指对原创论文通过语序调整、结构重组、改变表达等方式，在没有改变原意的条件下改编成新的论文。现在比较普遍的学位论文“降重”和降AI率，都可以视为洗稿的一种。其发现更为困难，危害极大。

（2）援引学术道德认定易引争议

《高等学校预防与处理学术不端行为办法》对学术不端的定义援引了“公认的学术准则和学术诚信”作为学术不端行为的认定标准，而法律并没有也无法对两者的构成要件进行具体规定。《学位法》等规范性文件虽然列举了数种典型学术不端行为，但也都设置了兜底性条款。所以，要确定一个行为是不是学术不端行为，除了明确它是否属于列举行为之外，还要考查其是不是违反了“公认的学术准则和学术诚信”的抽象标准，这一抽象标准回归了学术不端的道德标准。即使在分析一个行为是否属于列举行为时，因为列举行为没有法律的明确界定，有时也需要借助学术道德标准加以认定。

学术道德是学术共同体或具体学术群体的共同认知和行为准则，并不适用于所有人。并且，这种准则还因为具体情况不同而存在很大差异。在当前情况下，学术不端行为的认定因地域文化、学科、学术压力、学术环境不同而存在差异。法律规范与道德规范最大的区别在于：法律规范具有广泛性、普遍性和稳定性；道德规范则是“道德社区”的规范，只适用于特定人群，反映的是特定人群内的共同认知和行为准则。学术道德规范本质上是学术群体自治的一种形式，由于自治的成本低并且影响范围较小，甚至可能是学术不端治理的首要选择。

然而，关于人工智能生成内容应当如何在学位论文中使用，学术群体尚没有形成共同认知和行为准则。比如，有研究表明，46.4%的学生和45.4%的教师认为学生在学术研究中使用智能工具都是学术不端行为，而不认为是学术不端的分别占36.3%和32.1%。也就是说，截至目前，在学术研究中使用智能工具是否构成学术不端仍有很大争议。如果涉及人工智能生成内容学术不端的具体标准，争议可能会更大。

2.现有法治方案实施存在难以回避的障碍

人工智能在学位论文中的使用不可避免，为解决学位论文中人工智能生成内容损害学术诚信的问题，部分学者提出了法律治理的建议。其中关注较多也期望较高的三种法治建议是：人工智能检测，添加人工智能数字标识，主动引注或说明人工智能生成内容。但这些建议方案的实施都面临着不可回避的障碍。

（1）人工智能检测可以通过技术手段规避

尽管我国目前尚没有法律明文要求，但依据高校校规或院规，比如《复旦大学博士、硕士学位论文相似度检测工作的实施办法》，绝大多数学位论文都要经过学术不端检测。国外发达国家学位论文的电子检测也已经普及，比如98%的英国大学都在使用Turnitin作为抄袭检测工具。国内知网的学术不端文献检测系统、万方的论文相似性检测服务和维普的论文检测系统等，国外Turnitin、PlagScan、CrossCheck和Urkund等工具，在进行重复率检测方面（即文字保留型抄袭）已经可以解决绝大多数问题。

与此同时，学生已经意识到简单的复制粘贴无法通过论文审核。但他们只需要简单地改动一两个单词、增加空格、插入变体字符或调换表达方式，就能避开这些系统检测。这一过程通常被称为“降重”。而经过修改的文字，人工复审也很难发现剽窃痕迹。当前这种规避行为已经广泛存在，且目前尚没有有效的技术手段可以规制。在人工智能发展的今天，这些低创新的“降重”工作可以非常容易地由智能工具完成，并且效率是人工的数十倍、上百倍，数万字论文的“降重”几分钟就可以完成。

在人工智能普及之前，我国的学术不端检测已经存在很大争议。其一，文字复制比高低不能作为判断学术不端的唯一依据。文字复制比低的论文学术贡献不一定高，而文字复制比高的论文也不一定就是抄袭，比如综述类的论文或论文部分。其二，学术不端检测可能催生新的学术不端。2022年，知网宣布向个人用户提供学术不端检测服务；与此同时，知网也提供所谓“降重”服务。如果学生按照学术规律进行毕业论文的撰写，则根本不需要自行购买学术不端检测。正因为学术不端检测成为学位论文通过的必经程序，使学术不端检测成为学生必须购买的服务。即使在知网直接提供学术不端检测服务之前，中介已经以各种形式提供类似服务。“降重”的本质是通过非实质性地改写和重组使文本规避学术不端检测系统的识别，其本身就是一种学术不端。代为修改论文也是一种学术不端行为。然而，根据paperpass网站介绍，论文“降重”按字数收费通常是每千字50—80元不等；按页码收费一般是每页10—20元不等；如需专家进行修改、建议或者对文章内容进行优化，每千字500元以上不等。以此计算，一篇4万字的硕士毕业论文，相关费用需要2000—3200元。商业上的利益助长了学术不端行为，使之更难以被发现。关于学术不端检测催生新的学术不端，我国媒体早有广泛报道，比如“论文测谎仪使用引震动，帮助过关‘生意’蔓延”“高校毕业生网检论文‘雷同率’，网上‘论文反抄袭’检测可信吗？”等。

自ChatGPT向公众提供服务之初，就出现了大量对利用新技术进行学术不端行为的担忧。为解决这一问题，很多公司（包括那些开发语言模型的公司）也同时开始开发人工智能生成内容的针对性检测系统，其中用户比较多的有Turnitin、GPTzero、Copyleaks、Grammarly等。这些检测系统既利用传统技术也利用机器学习等人工智能的方法来分辨生成内容，利用的指标中比较重要的有衡量文本复杂性的指标（plexity）和衡量句子长度统一性的指标（burstiness）。我国目前已有很多大学在本科毕业论文中要求进行AI率检测，比如河北大学、西南大学、上海海事大学、浙江科技大学等。但是，AIGC检测系统远非完善，它既有可能将智能生成内容识别成人工内容，也有可能将人工内容识别成智能生成内容。

尽管存在针对性检测系统，但规避检测的技术手段也越来越先进。

首先，生成式人工智能技术与检测技术都在发展，相互竞争，但显然前者的发展更具技术优势。ChatGPT的开发公司OpenAI曾公开表示，人工智能生成的文本很容易规避检测系统的检测。ChatGPT自2022年11月首次发布基于3.5版本的服务之后，又陆续开发并上线了版本4、4o和5。从技术指标来看，这一系列迭代更新的模型比之前的模型要智能得多。随着生成式人工智能服务的大众化，人们在使用过程中所采用的策略也变得越来越复杂多样。举例来说，在小红书等流行的社交网络上粗略搜索，就会发现许多主题都在讨论如何规避现有的检测方法。同样，在视频平台上也很容易找到类似规避检测的教程。

其次，在检测系统发展的同时，反检测的洗稿系统也被开发出来，比如hix（bypass.hix.ai）、Humanize AI、Phrasly等，并成为广受欢迎的反检测工具。利用这些工具，学生可以将智能生成内容直接转化成检测系统无法检测的伪人工内容，这一过程被称为“人工语言化”（humanizer）或“降AI率”。这种方法类似于现在的洗稿，只不过原始稿件从已发表的论文或书籍变成了智能生成内容。智能生成加洗稿的学术不端比传统洗稿的危害可能更大，因为它甚至连作为抄袭对象的基础文献都不需搜集。

正因为现有的针对性检测系统无法有效识别基于智能生成的学术不端，甚至随着技术的进步这一情况还会变得更糟，人工智能生成内容检测系统的结果最多只能作为怀疑学术不端行为的线索，而不能当作学术不端行为的证据。同时，也不能完全依赖针对性检测系统来识别和预防学术不端。

（2）人工智能数字水印尚难法律强制

为解决人工智能检测易于规避的问题，有人建议通过添加人工智能生成内容标识的方式防止学位论文学术不端。但人工智能生成内容标识是一个广泛概念，与为防止著作侵权、防复制及方便检测而使用的数字水印不是同一概念。数字水印是指将特定的数字信息嵌入数字载体中，以保护数字载体的著作权，防复制和可识别。数字载体包括文本、视频、音频等，数字水印既可以是隐式的，也可以是显式的，但嵌入数字载体中应不影响原载体的使用价值。2025年《人工智能生成合成内容标识办法》（以下简称《办法》）规定的人工智能标识主要包括显式标识和隐式标识，其主要功能是使公众较为容易地区分人工智能生成内容。比如《办法》要求深度合成内容可能导致公众混淆或者误认的，添加提示标识。而数字水印技术要求较高，《办法》只是鼓励服务提供者在生成合成内容中添加数字水印等形式的隐式标识，未做强制性要求。

目前，人工智能数字水印技术主要应用于图像、视频和音频领域，文本的使用尚有困难。人工智能水印技术正处于从实验到快速普及的阶段，是科技界应对人工智能生成内容滥用的核心解决方案。统一的行业标准目前已经形成并正在被头部平台接受。然而，不同类型内容的数字水印技术的成熟度和应用现状差异巨大。其一，图像、视频领域应用最快，已形成行业标准。绝大多数科技巨头（包括抖音、华为、Adobe、微软、谷歌、Meta、OpenAI等）都已加入“内容出处和真实性联盟”（C2PA）。其二，音频领域正在跟进。谷歌的SynthID是目前最全面的水印技术之一，它不仅支持图像，还支持音频和视频。它可以给人工智能生成的音乐嵌入人耳听不到的数字水印。其三，文本领域挑战最大，尚未普及。文本水印技术尚未被广泛应用的主要原因是文本极易被修改（如转述、删减、翻译），这使得水印的检测置信度差。另一个原因是文本水印可能对事实性的回答产生负面影响。OpenAI曾开发出高精度的文本水印技术，但最终还是选择不公开发布。

添加人工智能数字水印避免学术不端主要面临以下问题：其一，添加人工智能数字水印并非法律的强制要求。在强制规定方面，《办法》只要求深度合成内容可能导致公众混淆或者误认的，添加提示标识，以及对合成内容添加隐式日志标识。而对于数字水印，《办法》使用的用语是“鼓励”，并不强制要求。另外，我国即使单一地强制要求平台承担添加数字水印的义务，也无法解决国外平台没有的问题。其二，数字水印的鲁棒性不高。文本信息具有低冗余性，这是最根本原因。图像、音频中有大量感知冗余，人对部分冗余信息（比如一串像素点）轻微修改并不敏感，甚至完全无法察觉。这为隐藏数字水印提供了空间。而文本信息对修改具有高度敏感性，通过文字本身嵌入的数字水印很容易破坏文本的语义和可读性。相对应，文本数字水印去除极为容易，扫描加文字识别几乎可以去除所有格式水印。其三，开源模型生成内容无法保证添加数字水印。进入2026年，我国DeepSeek、Qwen等开源模型性能已经非常接近国际最先进人工智能模型。并且，这些开源模型的部署硬件要求已经大规模下降到消费级电脑级别。开源模型生成学位论文因为技术和成本门槛较高，目前并不多见。但随着论文工厂的兴起和开源模型使用成本的进一步下降，开源模型必将在学位论文中大规模运用。而对于论文工厂的开源模型，基本不可能要求其为生成内容添加数字水印。

（3）要求主动引注不符合学术规范逻辑

学界目前对于人工智能在学位论文中的使用已经形成了一定共识，即不应一概禁止。人工智能生成不能完成学位论文的主要部分，包括框架、主要观点等，但可以作为辅助工具使用。有建议认为，对于人工智能生成内容，在学位论文中应当引注，使用人工智能需要说明。目前有部分高校已经开始要求对智能生成内容添加引注。但这种方法不符合引注的传统功能和作用。引注在学术研究中的目的是使后续研究者更容易查证论文基础文献和原始数据，为后续研究提供索引。而智能生成内容无法重复，也不是合格的基础文献，所以添加引注不能解决智能生成内容的引用问题。

在人工智能生成内容识别方式尚不成熟的条件下，要求引注不能解决问题。引注机制在学术规范中发挥作用主要依赖三个预设：其一，引注的来源可被识别，即引注的是一个既有的学术观点或事实等。其二，引注的来源可验证，即读者或后续研究者可根据引注查证来源的真实性。其三，未引注可追责，即应引注而未引注可构成学术不端。但引注机制不符合人工智能生成内容的技术特征。首先，人工智能生成内容来源没有明确指向。大语言模型基于统计概率输出，不是对特定文献的复制或改写。模仿人工智能生成内容标识义务，要求学生在学位论文中注明“由人工智能生成”，本质不是学术引注，只是一种方法说明。其次，没有基于引注的可验证来源。引注人工智能模型，无法直接指向可供核查的原始文献、数据或观点。而学生如果依据人工智能提供的线索对文献来源进行了查证，引注人工智能也失去了独立意义。最后，未引注无法识别。人工智能生成内容在技术上规避了重复率检测，生成内容不是特定原文的复制，违反义务难以发现。

因此，在目前，引注要求仅具有象征意义。在现有的道德环境下，直接使用人工智能生成内容仍受到负面评价。要求引注本质上是一种基于诚信的自我申报，而学术不端的核心特征恰恰是学术不诚信。要求不诚信的学生依内心诚信主动声明，在逻辑上自相矛盾。这种要求难以对违规者产生约束，反而会对诚信者构成额外负担。

四

过程性评价应对人工智能学术不端的制度逻辑

学位论文中人工智能学术不端的实质，不在于使用了人工智能生成内容，而在于学生未接受合格的学术训练。这正符合过程性评价重过程而轻结果的基本评价机制。但就目前仅仅增加评价节点的方式来看，各阶段、各主体评价相互孤立，审查仍以文本为中心，本质上是多次终结性评价的叠加。因此，要从过程性评价的基本机制出发，对人工智能在学位论文中的应用进行针对性回应。

1.以增加节点为主的过程性评价应对不足

保罗·布莱克（Paul Black）和迪伦·威廉（Dylan Wiliam）在综述在先研究的基础上，确立了过程性评价的核心理论框架，认为传统评价收集分数比分析学生作业更为重要，教师不关注学生在先的评估记录，而过程性评价显示具有显著的学习收益。乔尔·迈耶斯（Joel Meyers）认为，认知的发展是一个与环境互动的过程，评价的对象应是学生的学习方式，包括学习策略、动机、意志力和决策过程等。高凌飚认为，过程性评价是对学习动机、学习过程和学习效果的综合评价，强调评价主客体融合，学生既是评价客体也是主体。丽贝卡·莫里斯（Rebecca Morris）等在文献分析的基础上认为，过程性评价对学习影响的高质量因果证据，在高等教育领域极为匮乏，远不如义务教育阶段。索利斯·特鲁希略（Solis Trujillo）等认为，尽管过程性评价在教育领域受到广泛关注，但针对研究生群体的高质量实证研究极为匮乏。

目前，各高校已经认识到了过程性评价的作用，主要采用的是增加人工评审和答辩的方式应对。学位论文的人工审查包括开题、导师同意送审、校内盲审、校外盲审、预答辩和答辩等程序。理论上，对学位论文进行审查的专家都具有对应的专业能力，有能力发现绝大多数的人工智能生成内容。因为在现有的技术条件下，生成内容不管进行怎样的修饰，即使可以通过系统检测，在形式上一般也具有明显瑕疵，比如引用材料虚假或陈旧甚至缺失、表达空洞、结构安排僵化等，而实质上生成内容普遍有创新性、针对性和实践性严重不足的问题。有证据证明，增设评价节点对学生研究有正向影响，但这一效应完全来自“工作量分摊与持续投入”，而非评价本身。

但是，学位论文学术不端人工审查成本极高，并且随着智能技术的发展，情况日益加剧。在论文人工审查中，相对容易发现的问题常集中于选题、结构和文献，问题一般存在于标题、目录和导论等明显位置，而文字的一致性、是否具有针对性和创新性等内容则难以发现。因为后者的发现需要审查者对论文的全文认真阅读。有研究认为，导师和其他教师通过经常性地与学生接触，可以掌握其知识和表达的水平、特点，在此基础上可以有效地发现学术不端行为。但是，这种方式虽然有效，成本却过高，目前教师已经认为自己的工作负荷过高，不愿再承担额外的工作或责任。

当前，对学位论文中智能生成内容所涉学术不端行为进行人工审查的成本过高，其成因不仅包括时间约束与学生规模庞大等显性因素，更深层次还体现为以下两个结构性问题：其一，我国现行学位论文质量保障体系偏重于事后惩处，而对事前预防与事中监管重视不足，导致教师在识别与认定学术不端行为方面缺乏主动性。这一机制缺陷使很多存在学术不端问题的学位论文仍可顺利通过答辩程序。为强化过程控制，近年来各高校普遍增设了多重人工审查环节，将原本单一的终期答辩扩展为开题、预答辩、正式答辩三阶段答辩机制，并辅以校内评审和校外盲审双重书面审核及导师责任制。然而，此类制度设计虽意在提升论文质量管控，却显著增加了审查者的时间与认知负担。在有限的评审周期内，单篇论文所能分配的审查时长被进一步压缩，甚至难以保证通读论文全文，更削弱了单次审查的有效性。其二，鉴于学位论文涉及学位授予、学术声誉乃至职业发展等学生的重大利益，高校对其学术不端行为的认定通常设定较严格的程序性与实质性标准。正因如此，许多高校倾向于采取非正式或柔性处理方式（如要求学生修改后重新提交），以规避正式调查与处分程序所带来的高昂时间与行政成本。更有甚者，部分高校在学术不端治理制度中引入导师及院系的连带责任机制（例如，若毕业生论文被查出学术不端，则扣减相关导师或学院的绩效奖金）。此类问责安排虽旨在强化监督责任，却可能产生逆向激励效应——使最具备论文针对性判断能力的一线教师因惧怕承担连带后果而更缺乏主动识别与上报学术不端行为的意愿，反而进一步弱化了学术不端预防的内生动力。

2.过程性评价对人工智能学术不端的针对性回应

现有过程性评价无法应对人工智能生成问题的核心在于，其并没有发挥过程性评价的主要优势，即过程性评价不以单一时间节点的文本结果为唯一依据，而将学位论文形成过程中的复杂信息全面纳入评价体系。这主要包括三个方面：其一，时间上，评价贯穿研究全程，不限于终结性答辩；其二，复杂度上，评价整合多主体评审意见；其三，侧重上，评价主要考查研究行为，即建构研究价值的过程，而非单纯文本。现有的过程性评价虽然增加了评价的环节，具备过程性评价的初步形式，但各阶段结果相互隔离，本质上仍是对文本的单一性、单主体、扁平化审查。

人工智能生成具有即时生成、研究行为毫无痕迹的特征，过程性评价为有效针对问题，在既有措施的基础上，从理论上说应当做出以下改进：

其一，加强各阶段评价之间的联系。虽然开题、外审、预答辩、答辩等阶段评价分布于研究周期各个关键点，但每个阶段的评价仍是对提交文本的单一审查。各阶段评价相互孤立，人工智能生成仍可以通过一次生成单独应对审查。孤立的单一评价叠加并不能直接构成有效的过程性评价以应对学术不端。过程性评价在时间维度上的改进不在于增加节点数量，而在于加强节点之间的联系。具体而言，应当建立对研究行为在时间轴上连续分布的记录与考查机制，使评价基础突破单一时点的平面化成果，扩展为可以展现研究行为的完整轨迹。人工智能内容在极短时间内被生成，没有研究过程累积。经历真实长时间研究的学位申请人，其研究行为在时间上必然呈现出渐进式、迭代式和阶段式的分布特征，而人工智能生成的行为痕迹必然呈集中或断层式分布。

其二，整合多主体评价。现行制度已经涉及包括导师、开题、预答辩专家、校内外盲审专家、最终答辩委员会等多评价主体。但这些主体各自独立评价，很多情况下互不参照。每位评审者仅对自己所见的文本负责，既不知道前序评审者发现了什么问题，也无从比对不同阶段之间文本的变化。主体的增加非但没有整合评价，达成真正意义的复杂评价，更增加了审查的工作量，弱化了每一次单一评价的投入和质量。所以，应建立跨阶段评价信息的沟通与比对，清晰展示研究的进展、基础材料和前序评价信息，使所有主体的评价形成一个整体。

其三，评价侧重研究行为。现有评价的重心是文本质量是否达标，而非文本背后的研究行为是否真实发生。AI率检测是对文本的鉴定，数字水印是对文本的标记，主动引注是文本声明，这些措施的预设是：学位论文是一个可以被检验的最终产品，只要设定某种质量指标就可以对其进行评价。而人工智能使高质量的文本不再稀缺，质量指标只要明确就会激励规避方法，研究投入和相应的研究能力不再是高质量文本产生的前提。研究投入是学生在学位论文撰写中投入的“身体与心理能量的总和”，对文本的评价不再可以对学生投入做出有效的评价。所以，评价侧重应转向研究行为，文本质量退居间接指标。具体而言，评价应当基于学生研究过程中的认知参与证据，包括选题的问题意识形成过程、对核心文献的掌握与理解、数据收集与分析、研究过程管理、判断与观点的形成与基础、面对问题与质疑的研究改进等。有研究表明，过程性评价可以显著正向影响研究投入。

以上三者相结合，大大增加了评价的复杂度、整体性和针对性，更提高了在人工智能条件下学位论文评价的真实性和有效性。对学生来说，在过程性评价环境下维持学术不端的成本大大高于制造一个可以通过检测的文本。更关键的是，留存过程性数据使所有学术不端都保留了长期可追溯性，这从根本上改变了学术不端的风险结构。

实现真正的过程性评价，更有利于降低学位论文评审的整体认知成本。学位论文的现有评价机制，过程节点多，单一评审者背景信息不足甚至缺失，导致整体认知成本高。评审者很难在有限的认知负担下，判断论文的文献、数据的真实性、文本是否为人工智能生成等。评审者只能依赖直觉、经验和有限的抽查，评价质量难以保证。建立真正的过程性评价体系，为评审者提供完整的论文撰写和在先评价信息，使评价有迹可寻，认知成本反而远低于传统方式。首先，在先评价结论有效传递，可以使在后评审专注于新增问题。其次，撰写完整信息可以使评审从专注文本转为行为判断。评审者无须判断是否人工智能生成，只需判断研究过程是否展现应有能力。再次，扩展评审信息的范围，使评价结论有理有据。评审者不愿认定人工智能生成，主要是没有切实证据。提供充分的过程性信息，更有利于评审者发现并查实人工智能生成学术不端行为的存在。

五

面向人工智能的学位论文过程性评价的法治化改进

人工智能在学位论文中的应用不能完全禁止，也无法完全禁止。人工智能应用在部分领域可以有效地为学术研究提供辅助，比如人工智能可以为研究者提供选题扩展思路、文章的典型结构参考、索引部分经典文献、提供部分外文文献翻译、为初稿提供校对等。只要在利用人工智能之后做好后期验证工作，智能工具可以大大提升学术研究效率。而这些利用不应当被认定为学术不端，反而应当予以鼓励。

相应地，生成式人工智能发展带来的学术不端问题不是一个全新问题，而是很多传统问题的深化。比如思想创新缺乏、变相剽窃事实上在现有学位论文中已经广泛存在，但无法被识别和认定为学术不端。同样，放任人工智能学术不端在学位论文中大量出现，会有损学术诚信，破坏高等教育的基础，而严格的治理对减少学术不端行为具有明显作用。所以，为应对人工智能应用普及的情况，应在法治层面推进学位论文过程性评价，包括：将阶段性答辩与评审结果纳入学位论文最终评价；利用写作环境监测全面收集学位论文过程性数据；审查基础性文献与原始数据，构建学位论文过程性文本体系。

1.将阶段性答辩与评审结果纳入学位论文最终评价

人工智能识别技术在准确率与可信度方面仍严重不足。随着大语言模型的持续优化，其输出文本在语义连贯性、逻辑结构及学术风格上日益接近人类写作，技术手段更难以甄别潜在的学术不端行为。在此情境下，人工审查依然是识别与防范学位论文中人工智能生成内容引发学术不端问题的主要方法。

然而，单纯依赖增设审查环节虽在形式上强化了过程管理，实质上却未必能提升识别效果。重要的是，在目前的审查结构中，继续增加环节已经几近不可能。事实上，若缺乏对审查者责任感与专业投入的有效激励，多重审查反而可能流于形式。甚至因时间与精力资源被稀释，反而降低单次审查的质量。因此，学位论文人工智能生成内容的审查重点不应仅停留在程序数量的机械叠加上，更应着力于构建能够激发审查者内在动力、责任归属明确并保障评价连续性的系统性评价机制。

为此，学位论文的最终评价结果应有效基于各阶段性答辩结果及评审意见，即将开题报告质量、预答辩表现、校内外评审意见、导师指导记录等过程性指标纳入最终成绩的综合评定体系之中。在现有评价操作中，绝大多数最终答辩专家不审查过程性评价材料，仅对学位论文终稿本身负责，这为人工智能生成内容学术不端埋下了隐患。

不应是针对学位论文中人工智能生成内容学术不端设计过于具体的人工过程性评价规范，而应是通过良好的学位论文过程性评价规范本身，去解决人工智能生成内容学术不端预防问题，同时，也解决过去查重等不能解决的洗稿等传统问题。

将阶段性答辩与评审结果纳入学位论文最终评价的法律建构可采取以下三个主要路径：

其一，对《学位法》第24条、第25条中关于“审查义务”进行过程性延伸解释。《学位法》第24条关于学士学位和第25条关于硕士和博士学位虽分别规定了学位评定委员会和答辩委员会、评审专家的审查义务，但均以“论文或者实践成果”为审查对象，未明确审查范围包含过程性材料。建议教育部通过部门规章对《学位法》相关条款进行解释或通过实施细则，明确学位审查的范围包括开题报告、导师指导记录、预答辩稿及意见和盲审意见等过程性材料，从而为将过程性评价纳入最终审查提供正式规范依据。

其二，明确过程性评价权重的最低标准。在教育部的指导性细则中，可以要求开题、预答辩等阶段性评审在学位论文最终成绩中的权重不得低于某一比例，比如20%—40%。具体比例可由各高校依据《高等教育法》及《学位法》赋予的办学自主权，根据自身情况制定。

其三，建立过程性评价材料存档机制，填补现行《学位法》第37条撤销学位的证据规定的缺失。《学位法》规定，对以学术不端等方式获得学位的可不授予学位或者撤销学位，但现实中撤销决定面临举证困难。如果过程性评价材料作为法定存档内容，则撤销程序可调用更丰富的证据。建议在配套规章中明确，阶段性评价材料构成学位论文档案的法定组成部分，保存期限不得少于学位授予后10年。

2.利用写作环境监测全面收集学位论文过程性数据

尽管具有一定专业能力的人可以发现学位论文中的智能生成内容，但人工智能学术不端在学位论文中的规范治理不能单纯依靠人工审查。虽然具备相应学术能力的人花费一定时间和精力可以发现并识别学术不端，但随着技术的进步，这个成本越来越难以承受。同时，学位论文学术不端的识别与认定存在很大差别，认定应具有一定的客观性、明确性和可验证性，单纯的主观认定不但不利于使受处分的学生和社会舆论信服，更不利于相关制度的建构与稳定。

人工智能生成内容学术不端在学位论文中的识别与认定仍需进行技术检测，但正如人工审查一样，一次性审查对学术不端的认定难以满足客观性、明确性和可验证性的要求，技术检测也应从一次性检测向过程性数据保存转变。

学术不端识别与认定技术的应用主要分为两个方面：一是完善学位论文检测系统；二是建立学位论文写作环境监测系统。这两个方面本质上都是保存或发现学位论文写作的过程性数据，从而为学术不端识别与认定提供更丰富的信息，提升检测的准确度与可信度。

（1）完善学位论文检测系统

学位论文检测系统的本质是一种数字取证技术。数字取证技术是已经在司法中应用的成熟技术。数字取证始于20世纪80年代中期，在整个80年代末和90年代初日臻成熟。1984年美国成立了第一个计算机分析和响应小组，一年后伦敦大都会警察局成立了计算机犯罪小组。近年来，随着网络犯罪的大规模增长，我国的数字取证技术和工具也在飞速发展。保护网络空间信息安全，数字取证是不可或缺的技术。美国国家标准与技术研究院术语表（National Institute of Standards and Technology Glossary）将数字取证描述为“关于数字证据的计算机科学和调查程序的应用，包括获得适当的授权、证据保管链、数学验证、验证工具的使用、可重复性、报告以及可能的专家证词”。学位论文检测系统的结果为学术不端的识别与认定（相当于司法程序）提供了证据。这极大地提升了学术不端认定的客观性、明确性和可验证性。

我国现有的学位论文检测系统以查重为主要功能。为应对智能生成内容学术不端，还应增加三项基本功能：其一，人工智能生成内容识别功能。尽管这一功能易被规避，但它作为基础的检测应当加入学位论文检测系统，作为辅助判断依据。其二，引注查证功能。智能生成内容在目前技术条件下存在一个比较明显的缺陷，就是虚假引注。尽管利用智能系统对正文内容与引注进行核对在技术上尚难以实现，但对引注本身是否正确（比如作者、论文名称和所载期刊的对应）的检测当前已经比较容易实现。其三，标记信息识别功能。在学位论文中，如果使用了特定格式的基础语言，可能可以识别其修改和编辑信息等。比如微软的fle格式使用XML作为基础语言。XML指的是可扩展标记语言，它有助于共享文件、跟踪更改和保存文件版本历史记录，以便用户在需要时恢复到以前的文件版本。基于文档使用的XML语言所包含的数据可以提供多种服务，包括确定文档的原始来源和检测剽窃行为。比如从代写的论文中提取XML，然后通过修订标识符检查文档的创建和编辑信息。单次编辑的内容会共享相同的修订标识符值，所以编辑标签极少的文档编辑次数极少，这表明文档内容可能是在文档外部形成的。而如果修订的内容仅为学生姓名等内容，则有可能文档是由他人代写。

（2）建立论文写作环境监测系统

完善学位论文检测系统的本质是完善基于学生提交学位论文的取证技术，而建立论文写作环境监测系统则是为了扩大潜在证据保存的范围。论文写作环境监测技术本质上是保存学位论文写作的历史文件和临时文件。目前已经有很多国家（比如德国）非常注重规范科研一手数据的保存和使用（比如数据等实证材料要求保存10年）。我国学位论文学术不端识别与认定的困难很大程度上源自信息不足。单就一篇论文文本进行分析，在人工智能普及和不断发展的当下，发现学术不端会越来越困难，成本也会越来越高，直到被大多数审查者所放弃。

所以，应当探索论文写作环境监测系统（如Cadmus）的技术功能和框架，建立详细的评估学术不端指标，如复制粘贴、删除单词、编辑模式、在评估环境中花费的时间等。写作环境监测系统的工作流程分为学生层与教师层。在教师层，系统是一个创建、管理、评分和分析学术评估的工具。首先，教师可以创建和设计写作任务，包括设置截止日期、明确评估要求、预设系统评分标准以及向学生提供模板和文献等。教师可以通过系统管理学生名单和图表化地评估各个学生的进度。其次，教师可以要求学生分阶段提交草稿，提供写作意见。最后，教师可以通过系统进行在线评分、添加注释和反馈。教师还可以通过系统集成的各类检测工具，自动检查学生提交论文的原创性。系统在此过程中会完整记录论文写作的过程数据，并提供学生过程性动作的分析数据，如学生何时进行写作、写作花费了多少时间、写作内容的来源是输入还是复制等。在学生层，系统是完成和提交论文的环境。学生可以通过系统访问教师创建的写作任务，获得教师提供的文献资料。系统为学生提供在线的写作和编辑环境，学生可以在其中直接撰写、编辑和提交他们的论文。学生也可以在系统中明确了解教师的写作任务要求，包括时间要求和评估要求等，有利于其快速形成正确的学术研究目标。系统会自动保存并记录在线论文的进度和操作日志，学生可以管理他们的草稿。学生可以随时提交论文的草稿，并请求教师给予指导与反馈。系统会记录这些提交与反馈的信息。最终，学生可以在系统中提交论文的最终版本，并获得教师的评价与评定结果。

论文写作环境监测系统的核心功能并非仅仅直接用于识别和认定学术不端，更在于对学位论文撰写全过程进行客观、连续且不可篡改的数字记录。包含文本输入、编辑轨迹、引用操作、文献访问日志等的多维行为数据对学位论文的评价具有变革性意义。因为系统全面记录了写作的过程性信息，包括人工智能生成在内的学术不端变得几乎不再可能。在此机制下，即便代写等隐蔽性学术不端行为在技术上仍具可能性，其实施成本与暴露风险亦显著提升。一方面，异常的写作行为（如写作习惯突变、非惯常时段高强度产出、跨地域IP频繁切换等）可被算法模型有效识别，为后续人工核查提供直观线索；另一方面，全过程数据的不可篡改存储使学术不端即便未被即时发现，亦长期处于可追溯、可验证的潜在问责状态。由此，系统并非仅依赖事后的惩罚进行威慑，更通过重塑行为预期与博弈结构，使学术诚信在制度设计层面获得持续性优势。换言之，写作环境监测不仅提升了学术不端的发现概率与举证效率，更从根本上重构了学位论文写作的诚信激励机制，促使绝大多数学生理性选择主动规避学术不端，推动学术生态向诚信主导的方向演化。

在网络普及和写作完全数字化的今天，全面监测论文写作在技术上已经完全可行。并且，随着未来学术不端识别与认定成本的提高，建立监测系统在经济上也渐具优势。对论文写作环境监测，学生有两点顾虑：一是部分学生不习惯在线写作；二是学术不端的学生可以通过手打规避监测。对第一点，可以通过日常使用文字处理软件的插件来收集写作环境数据，并不一定需要依赖网络进行写作；对第二点，只要数据收集是充分的，手打抄袭很容易与一般论文写作相区别。

论文写作环境监测系统在学位论文中的运用亟须法治推进与保障。其一，教育部可通过部门规章增加写作环境监测系统应用的促进性规范，明确该技术手段在保障学术诚信、提升人才培养质量方面的正当性基础，并配套财政支持机制与跨部门协同机制，为其推广提供制度激励与资源保障。其二，应通过教育部制定部门规章，确立学位论文过程性数据采集的强制性义务，明确高校、学生及相关主体在数据生成、提交与存证中的法律责任，确保监测数据的完整性与权威性。其三，依据《学位法》第40条的规定，为学生异议与复核程序提供实施细则。写作环境监测数据一旦被用于认定学术不端，应赋予学生对监测数据本身提出异议的权利，学生可以申请对数据的完整性和真实性进行审查，并由独立第三方进行技术核验。此外，实施细则应明确，监测数据不得作为学术不端认定的唯一证据，须与其他评价材料共同形成证据链。

在促进论文写作环境监测系统建设的规范中，要注意与《中华人民共和国个人信息保护法》（简称《个人信息保护法》）的衔接。以《个人信息保护法》第13条第3款“法定职责”作为数据采集的授权依据，并明确最小必要原则的边界。“为履行法定职责或者法定义务所必需”的个人信息处理可以不经个人的单独同意。如果教育部规章将学位论文撰写过程性信息采集作为履行法定职责的必要措施，则可以不经学生同意进行采集。但同时，根据《个人信息保护法》第6条，也应在规章中明确“最小必要性”的原则及边界。比如采集内容限于写作行为数据，包括输入记录、编辑轨迹、提交时间等，不得扩展至学生通讯、屏幕录制或摄像头、麦克风设备数据。

3.审查基础文献与原始数据，构建学位论文过程性文本体系

理论上，学位论文的审查者都承担对论文文献查证的义务，尤其是指导老师。文献查证包含在专家的审查义务之中。《学位法》第24条规定，在学士学位授予中，学位评定委员会具有审查义务；第25条规定，在硕士、博士学位授予中，学位授予单位有送专家评阅和组织答辩义务。在人工智能时代，这种审查义务变得尤为重要，它主要包括两个部分：对传统文献的审查义务，以及对人工智能来源内容和文献的审查义务。《研究生导师指导行为准则》有“研究生导师是研究生培养的第一责任人”的明确要求。具体而言，导师应“把关学位论文质量。加强培养过程管理，按照培养方案和时间节点要求，指导研究生做好论文选题、开题、研究及撰写等工作；严格执行学位授予要求，对研究生学位论文质量严格把关。不得将不符合学术规范和质量要求的学位论文提交评审和答辩”。但其他专家的审查义务没有明文的法律规定与操作要求。

人工智能在学位论文中的普及使用，使专家的审查义务繁重而不可或缺。生成式人工智能技术目前尚无法克服“幻觉”问题，即在缺乏事实依据或逻辑支撑的情况下生成看似合理但内容失实的文本。直接或间接使用人工智能形成学位论文，都有可能导致数据失真、事实伪造、引证错误乃至逻辑谬误等学术风险。理论上，学位申请人在提交学位论文之前，应当确保论文论述、文献、数据等内容的真实性、完整性和可靠性，使用人工智能所产生的风险由学位申请人自身承担。但专家审查的缺失会使这种责任规定流于形式。

所以，应当从以下方面构建学位论文过程性文本体系，以应对人工智能对专家审查的冲击：

其一，通过法律规定提高学生的人工智能素养，筑牢文本鉴别意识。有研究表明，高校学生和教师对智能生成内容已经有所认知，比如，人工智能生成内容可能与事实不符；可能脱离上下文的语境；过于依赖互联网数据，在某些情况下实用性不足。尽管人工智能素养问题在学位论文的撰写中十分突出，但大多数高等教育机构未能对此进行规范回应。据联合国教科文组织的调查，只有不到10%的学校和机构制定了关于生成式人工智能应用的正式指南。另有调查显示，60%的学生表示，他们的学校或导师尚未就如何以合乎道德或负责任的方式使用生成式人工智能工具提供明确指导。所以，目前学生的人工智能素养仍停留在表面认识上，远未达到支撑学位论文撰写的程度。

其二，以《学位法》实施细则规定人工智能研究方法的说明义务，明确学位论文文本整合方式。人工智能引注不是正当的解决智能生成内容引用的方法。使用智能生成内容的本质是利用人工智能的方法辅助研究，学术研究并不鼓励直接使用智能生成内容，所以对研究方法进行适当说明更符合智能辅助研究的实质。方法说明也不同于学术贡献说明，并不包括人工智能生成文献、“降重”等方法说明。因为这些使用的方法并不符合学术道德的要求。所以，人工智能是学术研究的辅助工具，不是支撑材料，并不是适格的引证文献。而人工智能研究方法的说明构成了人工智能生成内容进入学位论文的新型整合方式。这种整合方式既有利于人工智能技术在学位论文研究中的使用，也有利于学术界在现阶段探索新研究方法。

其三，以《学位法》实施细则要求学位申请者提供学位论文基础性文献与原始数据，作为学位论文审查的前置程序，并明确伪造引注的认定标准。在人工智能时代，重构学位论文的审查标准与过程性规范的一项关键举措是，明确要求学位申请者在提交论文的同时，一并提供支撑其研究结论的基础性文献与原始数据。这一做法早已成为国际高水平学术期刊的通行准则，例如《自然》《科学》等期刊普遍要求作者提交数据可用性声明及参考文献原始出处，并将数据存入GenBank、PDB等数据库，以确保研究可验证、可复现。然而，该要求尚未系统纳入我国学位论文审查要求之中。鉴于生成式人工智能多出现虚构参考文献、编造引文内容或生成虚假数据等问题，将“基础性文献与原始数据提交要求”制度化，已成为构建学位论文过程性文本体系、实现学术不端源头防控的必要规范方式。可参考《中华人民共和国科学技术进步法》第102条中关于科研数据库的规定，建立学位论文文献与数据库，不仅为之后的学生提交文献和数据提供方便，更增进学位论文研究对科学研究的整体贡献。尽管这种要求客观上增加了学位申请者的研究负担，但从维护学术道德与提高学位论文质量角度看，有助于夯实论证基础、强化论证链条，并推动学生形成严谨的学术习惯。

此外，为增强制度可操作性，还应在此基础上科学界定“引注错误”与“伪造引注”的规范边界。引注错误通常源于笔误、格式疏漏、誊录偏差或信息遗漏，属于非故意的技术性瑕疵；伪造引注则表现为虚构不存在的文献、篡改作者或出处信息、利用人工智能生成看似真实但实际不存在的引文，具有明显的主观学术不端意图。二者在性质、后果与责任认定上存在本质差异。可在实施《学位法》学术不端认定规定的细则中设定量化识别标准。例如，在标准引注六要素（作者、文章名、期刊/书名、年份、卷期、页码）中，若出现三个及以上实质性要素错误（排除单纯错别字或标点误差），且无法合理解释来源，则可初步推定构成伪造引注，需进一步审查。在规范区分中既要留存学术实践中的容错空间，又需为审查者提供明确的识别依据，维持保障学术自由与维护诚信底线之间的平衡。

结 语

学位论文评价的根本目标在于维护学术诚信，而非清除学术不端。在人工智能生成内容认定困难、现有法律标准模糊的条件下，单纯依赖认定处罚机制难以实现学术诚信的制度目标。因此，应从制度设计层面使学位论文评价体系本身成为维护学术诚信的结构性工具。现有法治建议均属终结性、被动式的防堵逻辑，在本质上无法应对人工智能持续迭代的技术优势；过程性评价则通过重组评价机制的时间结构与信息结构，从根本上改变学术不端的博弈条件，这也是过程性评价法治化的根本意义所在。

-向上滑动，查看完整目录-

《上海师范大学学报（哲学社会科学版）》2026年第4期法学要目

【人工智能与人类社会：数智时代教育教学的转型与治理】

1.从作弊查处到能力证成:人工智能时代学位论文过程性评价的法治推进

作者：于霄（上海外国语大学法学院）

内容提要：人工智能生成内容在学位论文中广泛使用，但其本质是基于概率的统计语言模型，不同于学术研究和训练，助长了学术不端，严重损害了学术诚信。在现行规范框架内将人工智能生成内容认定为学术不端仍存现实困难，而现有的法治方案实施也存在难以回避的障碍，人工智能检测可以通过技术手段规避，人工智能数字水印尚难法律强制，要求主动引注不合规范逻辑。目前我国高校主要使用增加评价节点的方式应对人工智能冲击，基于过程性评价的制度逻辑，更应加强阶段评价之间的联系，整合多主体评价，侧重评价研究行为。加强对学位论文的过程性评价法治化的具体措施包括：将阶段性答辩与评审结果纳入学位论文最终评价；利用写作环境监测全面收集学位论文过程性数据；审查基础性文献与原始数据，构建学位论文过程性文本体系。

关键词：人工智能生成内容；学术诚信；学位论文评价；过程性评价；学术不端；学位法

2.数智技术下法学研究与法学教育的挑战与范式转换

——人机分工协同一体化平台的构建

作者：杨晓雷（北京大学法学院，北京大学法律人工智能实验室）

内容提要：大模型等新一代人工智能技术的迅猛发展与广泛渗透，正深刻重构着法学研究、法学教育的传统格局与实践样态。技术赋能在显著提升法律运行效率的同时，亦对既有法律知识生产方式与法律职业实践逻辑构成根本性挑战。面对此变革，厘清人类主体与人工智能在法律活动中的功能边界成为应对挑战的关键所在。人具有价值主体性和工具价值的双重属性。涉及价值判断、规范解释与制度创新的“价值性”法律事务，因其内在的伦理维度与创造性要求，相关活动使人具有不可替代性；重复性、程式化的“工具性”任务则因其可标准化和流程化特征，将被人工智能系统替代。因此，法学研究亟须转向以价值建构与理论创新为重心，法学教育应实现从知识灌输向批判性思维、伦理判断、价值创设与综合实践能力培养的范式转型。推动法学研究、法学教育与法律实践的深度融合，构建人机分工协同演化的社会化法律知识工程的一体化平台，将成为实现智能时代法学研究与法学教育转型升级的核心理念和有效路径。

关键词：法律智能；法学研究；法学教育；法律实践；人机协作

由上海师范大学主办的《上海师范大学学报（哲学社会科学版）》，是中国具有重要影响的人文社会科学综合性大学学报之一。近年来，《上海师范大学学报（哲学社会科学版）》的学术影响日益扩大，还创设了“特约栏目主持人”制度，重视向专家、名家和有学术创新精神的中青年学者约有原创价值和学术争鸣的好稿。《上海师范大学学报（哲学社会科学版）》被诸多重要学术评价体系选入，是“全国中文核心期刊”、“中文社会科学引文索引（CSSCI）来源期刊”、“中国人文社会科学核心期刊”、“中国人文社科学报核心期刊”、被连续评为中国人文社科学报学会第一届、第二届、第三届“全国百强社科学报”，并于2010年入选首届“全国高校三十佳社科期刊”。

点击进入下方小程序

获取专属解决方案~

责任编辑 | 白雪

审核人员 | 张文硕 毛琛昕

本文声明 | 本文章仅限学习交流使用，如遇侵权，我们会及时删除。本文章不代表北大法律信息网（北大法宝）和北京北大英华科技有限公司的法律意见或对相关法规/案件/事件等的解读。