倒查查的不是文字，是论文怎么来的

判定的落点，正在从结果移向过程

10月初，河北大学通报称，接到反映一毕业生论文存在学术不端行为的举报，已展开调查；紧接着又爆出该校康某某博士论文涉嫌不端的消息。拉长一点时间来看，这并非个例，科技部主导的撤稿论文整治行动正在实施中，今年各高校的通报似乎愈发频繁。对于已毕业的同学来说，会想：查重是我本人查的，重复率也通过了，为何还能被挖出来呢？答案是，查的人不一样了。

查重回答的是“这篇文章和别人的像不像”，而倒查回答的则是“这篇文章到底是怎么产生的”。前者是结果，后者是过程。文字能够更改，过程无法更改。

两套证据，不同的能力边界

查重的原理很简单，就是把论文切分成小段，与比对库中的文本进行相似度匹配，超出阈值的予以标记。它的长处是“像”，可以拿出证据来，这两段文字有重合。这种证据是可以成批生产的，因此它是廉价的、迅速的，多年来一直作为标准程序使用。但它有个天然的地界——它只看结果。你换掉一句话中的10个字、改变一下语序、把中文翻译成英文再翻译回中文，相似度降低了——这段话是谁写的并不在乎。

倒查问的则是另一组问题：实验谁做的，数据谁采的，文字谁写的，投稿时是谁点的确认。这些问题的答案无一在论文正文中，它们散布于正文之外：原始数据文件中，实验记录本上，投稿系统的操作中，与导师的邮件往来中，署名及基金信息中，作者贡献说明中。这些东西的共同点在于，它们不是论文写出来后才有的，而是论文一点点长出来的。所以它们只能被“当年真的发生过”撑着，无法事后补。

结果证据

看的是：文本重合度、图片相似度、数据一致性

能被什么消解：改写措辞、调整语序、重新作图，处理完就"干净"了

过程证据

看的是：原始记录、时间线、沟通过程、投稿轨迹

能被什么消解：很难。除非当年确实留下了，否则补不出来

— 02 —

AI代写的破绽，不在字面上

我相信很多人最关心的第一个问题是：AI写的文字学校如何能看出来？AIGC检测的思路是对文本的“意外程度”和“起伏程度”进行统计。语言模型每次生成一个词都是从概率分布中选择一个高概率的词，这使得生成的文本的词汇分布平坦、句长均匀、转折词的分布有规律；而人类在写作时会出现一个突发的短句、个人的搭配以及一段写得不好的句子。检测器检测到的是这种差别。但必须弄清楚，给出的是概率提示，而不是判决。一篇完全手写的论文可能测出非常高的“AI率”，而AI生成的文本经过反复修改也可能检测不出来。

检测报告是用来启动复核的，而非直接定性。真正重要的不是结论是什么，而是你如何阐述这个结论是如何得出的。

所以学校判定AI代写的时候，越来越靠后。报告只是一个引子，更重要的是，这一章你是何时撰写，有草稿及笔记吗？与导师讨论了什么？开题至完成的时间线是否吻合？很多人认为问题出在了“检测超标”，但真正致命的其实是那句你回答不上的话：这段为什么这样写？用了什么数据？依据哪篇文献？工具能代写文字，却代写不了你的判断。此外，不同学校对生成式AI的限制各不相同，有的禁止直接产生正文，有些则要求声明使用范围，了解本校限制在哪里，远比讨论检测是否准确更有帮助。

— 03 —

人为降AI率，把"用工具"变成了"掩盖"

降低AI率的原理是通过改变文本中常见的词汇和句式结构，使其更加多样化和不规则，从而降低被识别为AI生成的可能性。它优化的从来不是论文，而是那个分数！问题也在于此。改写工具并不知道你的专业术语是啥，它只认得哪个词在你的语料中更为少见，概念就被抹平了，术语就被替换成了近义词。导师读完说“读不懂”，不一定是你水平问题，很可能是词被换错了。

更麻烦的是定性上。用AI来润色、来翻译、来检索在很多学校还是属于模棱两可的范畴，最多是使用不当，但是“我知道这段是AI做的，我努力让它看起来不像AI”性质就不同了。这个动作本身就说明你知道它是有问题的，而且你选择去掩盖它。有的学校将“人为干扰AI检测”直接列入学术不端，不是因为它修改的丑，而是动机写在动作上。一旦被定性为伪造写作过程，其处理程度往往要远远高于工具的使用。最危险的不是工具本身，而是“先用了，再想办法藏”这个决定。

— 04 —

代投、挂名和数据，留下的是另一种指纹

代写代投的痕迹，比文字要硬得多。投稿系统的日志属于期刊：一个账号短时间投出多篇署名不同单位论文、不同领域稿子同一网络出口、回复审稿意见高度雷同，平时无人问津，但一旦有论文被撤销，整条线都会被翻出来。挂名也一样，作者声明、项目编号和单位考核表彼此呼应，在同一个项目下产出过多、在作者名单中频繁出现的无关人员，都是可以解读的形态。而科技部今年掀起的撤稿论文整治就是算的“论文已经被撤后”这笔账。

数据造假留下的则是另一种指纹。数据有自身的统计规律，如末位数的分布、组间标准差离散程度、重复度过高的实验结果的曲线形状、重复度极高的图片像素等，都可以进行批量的检查。真正致命的是在要求提供原始数据时——造出来的数据却没有原始文件，或原始文件的产生时间晚于投稿日期，记录本时间对不上。造假就是制造一个不曾发生的过去，而过去却是唯一无法事后制造的东西。

— 05 —

按原理倒推，现在就能做的自查

将这些原理反过来，形成一份可以自我检查的清单。它要查的并不是“我有没有违规”，而是“如果今天有个人问我这篇论文是哪里来的，我能拿出什么来”。只要半小时能翻出来的，就算过关。翻不出的，搞清楚是缺少材料还是缺少事实。

☐ 图表能不能对上原始数据

如何识别：论文中所有图表均有原始文件，且生成时间早于投稿时间。

☐ 过程记录是不是连续

如何判定：实验记录、日志、时间戳可以沿着时间线阅读，不存在大段空白后集中记录的现象。

☐ AI用在哪、用到什么程度

怎么判断：能说清哪些环节用了辅助（检索、翻译、润色），并保留改动前的版本。

☐ 有没有专门为降指标而改的版本

如何判定：对于同一内容的不同表述，仅做了换词、调整语序，并无其他实质性改动，此为被动证据。

☐ 关键节点找不找得到人证

怎么判断：开题、中期、定稿这几个节点，和导师或合作者的往来记录能还原出来。

☐ 每个署名的人说不说得清自己做了什么

怎么判断：把作者名单挨个问一遍，答案能不能和贡献声明、基金信息对得上。

说到底，这一轮倒查看重的不是你的文字像谁，而是这篇论文是否有一个真实发生的过程。检测会越来精准，规定会越来细致，但是判断的根本始终是同一件事情——那些痕迹是否真实。改文字易，补过去难。

论文真正的护身符，是它当年确实被一个字一个字想过。