论文里做过这几个动作，倒查时最难解释

从读者问得最多的几个问题说起，逐个说清边界，附一份自查清单

这轮整治的力度，从通报的频率就能感觉到。科技部发起的撤稿论文整治正在进行，近日包括成都大学、河北大学在内的多所高校相继作出回应，已毕业多年的论文、博士论文均被牵涉其中。其实很多人一开始觉得倒查离自己很远，真正让他们紧张的并不是“会不会查到我”，而是“我当初那么做，现在算什么”。

下面这几点问题是读者提问最多且最容易产生误解的。注：各学校对学术不端的界定及处理流程有所不同，以上是你学校的规定。

而这次倒查，关注的往往不是内容是否抄袭，而是你的论文是如何诞生的，能否说得清。

AI搭过框架，算不算代写

先把这个问题的落点找对：认定AI代写，看的不是“你有没有打开过某个工具”，而是论文的哪一部分由谁产生。用AI查文献、翻译摘要、检查语法与让AI给出研究问题、论证结构甚至整段结论有着本质的区别。如果论文的结构（如何提出问题、从哪些方面展开论证、如何得出结论）是由AI设计出来的，你仅仅是在填充文献和数据，那么即使每一个字都是你自己修改的，其核心思想也不是你自己的。这也是为什么学校在现在查的时候越来越不满足“只看终稿”而是调开题、中期、周记、导师批注、各个版本。

还有一个常常被忽视的小细节：版本。大多数文档都有历史版本，何时修改、修改幅度、逐字修改或段落替换一目了然。一旦有人质疑，首先被对比的不是文字相似率，而是你提交的稿件和你的过程资料是否匹配。所以用过AI并不能说明是代写，更大的风险是说不清楚这篇论文是如何一步步变成现在的。

— 02 —

把AI率改下来，为什么更危险

“AI率太高，我手动改到合格线以下就行了吧？”这是问得最多的第二问题。人为降低AI率之所以被单独列为一条红线，不是因为它“骗过了机器”，而是因为它“伤了论文”。常见的降AI率手段（替换同义词、打乱顺序、加入口语化词汇、将专业术语用不准确的词代替）恰恰触及了论文最不该动的部分：概念准确性和表述可核查性。导师看不明白，评审看不懂，对于一篇学术文章来说，可不是小事情。

并且这种修改太过明显：一份AI含量较高的初稿与短时间内大量重新写作但表述更加不清晰的版本形成对比，更加突出。更重要的是，降AI率只是处理“分数”，并不处理“内容是不是你的”。分数低了，如果那段文字背后的思路和数据依然不是你的，问题就原封不动地留在那里。唯一正确的做法是：用自己的语言重新表述AI处理过的内容，补充数据、推理与判断，将其转化为可面对面清晰表达的内容。

— 03 —

数据不好看，删几行算不算造假

数据处理和数据造假中间其实有一条比较明显的线，就是有据可依、有迹可循、可以复现。正确的做法是依照预定的原则予以剔除，并说明理由及剔除数，原始数据应予以保存；错误的做法是修改数据，捏造未进行的实验或访谈，挑选部分数据拼凑为一组数据，修饰图中曲线，在同一幅图中使用不同的描述作为两组数据。图片处理同样存在规范，如拼接、修改等，一经核实即可发现端倪。

倒查真能查到东西的往往是这些：原始数据文件，仪器记录，问卷收回的原始表，访谈录音，代码和运行日志。另一种风险来自于人——合作者、同门、审稿人、后来的读者，都是可能提出质疑的人。这种质疑出现后，是否能及时出示原始记录，基本上就决定了事情走向。

— 04 —

找机构润色、代投，责任算谁的

原则是：署名者对论文负全责。你找的是只改语言的还是重写内容的、代投稿的、代答复审稿的，那就不一样了。“我不知道他动了内容”不能成为借口。更麻烦的就是代写代投这条链了，稿子重复使用、伪造审稿、版面买卖，一旦其中一环被查出，那么整条链都会被牵连出来，而处在最上层的作者很难洗清自己的嫌疑。

挂名是同样的问题。未参加研究但署名的、挂名未实际参加的，属于不当署名，在通报中不乏其例。倒查时投稿系统的操作记录、投稿邮箱、沟通、付款凭证等可以还原“谁在操作这篇论文”。已毕业的同学也需注意，这些问题不会因为毕业而消失，不会因为时间久而销账。

— 05 —

现在就可以做的核对

无论在校或毕业，唯一能做的就是整理好过程材料。有些东西当时没有保存下来，现在也无法挽回，不要惊慌失措。但是一些可以找回来的东西：原始数据、原始实验记录、原始问卷、访谈录音、原始代码、与导师的邮件往来、各个版本的修改稿等尽量收集在一起，并按时间顺序排列。下面这几点，不妨现在就对照着看一看。

☐ 数据链条是否闭合

如何判定：论文中出现的每一个数据、每一个图表是否都能由实验记录逐步推导出来。如有找不到的来源数值，先标注出来。

☐ 过程材料是否齐全

如何判断：开题、期中、周记、导师批注、各个版本的修改稿能不能形成一条时间轴？时间轴断掉的地方就是需要预先考虑如何解释的地方。

☐ AI参与的部分能不能讲明白

怎么判定：当你被问到的时候，能不能不看稿子说出这段话的思路、依据、推导过程。说不出来的段落是必须着重改写的地方。

☐ 署名和投稿是谁在操作

如何识别：每一个署名的作者是否做出了贡献，投稿的账号是谁，审稿意见由谁来回复，是否对得上人。

☐ 图片和表格的处理是否留痕

如何识别：该图为原始导出图还是处理过的图，处理步骤是否记录，一组数据是否在不同位置重复出现。

整理时发现说不清来处的数字、自己表述不清的段落，最好主动与导师或相关学校部门联系，而不是再次进行修改。在倒查的情况下，“改得更漂亮”通常比“原来那样”更糟——因为前者是新的行动，而后者仅仅是当年的问题。

能不能经得起翻，看的是每一步是不是你自己走过来的