两位研究员都对外说“用了 AI 辅助数据清洗”。一位让模型写脚本,随后用固定规则和测试样本验收;另一位把样本交给模型,由模型判断哪些应剔除。第一种主要要证明代码正确实现规则,第二种还要证明模型参与的规则和样本变化不会扭曲研究结论。同一句笼统披露,无法告诉读者 AI 是帮忙写代码,还是影响了哪些样本进入分析。
康奈尔大学《研究与学术中的负责任和伦理 AI 使用》临时政策 1.8于 2026 年 11 月 2 日发布,11 月 19 日对第 3.1 节作非实质澄清。它适用于在康奈尔各校区从事研究的人。对其他机构,更有借鉴价值的是把三个问题分开:数据可不可以进,结果如何核验,对谁披露什么。
数据能不能进:获批的是工具与用途,不是所有材料
第 3.2 节要求有获批的工具时使用获批工具,没有时走 IT 治理流程;学校定义的中高风险数据,不得交给未经适当内部审查的 AI 工具。第 4.3.6 节把判断放到控制权上:即使厂商承诺“不用于训练”,也要核对信息是否会传到项目控制范围之外。
假如研究使用访谈转录,去掉姓名不必然匿名。职位、单位和特定经历的组合仍可能指向个人。团队的决策记录应写的是“这类数据、这一用途、这个环境为何可以用”,而不是“公司买了企业版”。只需处理一段文本时,不必提交整个档案;项目日志记受控文件位置和审批依据,不再复制一份原文。
结果怎么核验:留痕应跟着决策走
第 3.3、4.3.1 和 4.3.3 节把核验与责任分开:使用者应核验输出,项目负责人(PI)对团队规程和足够详细的项目记录最终负责,保存时间与项目数据要求一致。影响实验设计、风险识别或法规遵循的输出,还应与相应合规或安全办公室一同审查。政策没有给所有项目规定一张通用日志表;下面是可以落地的区分:
| AI 在哪一步介入 | 项目里优先保存什么 | 谁或怎样复核 |
|---|---|---|
| 协助写清洗脚本 | 脚本版本、实际采用的代码、输入版本、边界测试 | 由同事审查差异,用固定样本复跑 |
| 给样本分类、决定是否纳入 | 规则或提示版本、原始输出索引、人为改判及理由、前后样本数 | 不看模型判断先抽样复核,对不同人群检查误差;比较改判前后主要结论 |
| 生成实质性文字、图或表 | 被采用的部分、原始来源、人工改写和校核的记录 | 逐项核实引文、数值和归属,由作者承担责任 |
如果在线模型版本无法锁定,只记录系统名称并不能保证复现。可记录调用日期、系统当时显示的版本和配置(如可查),在许可范围内留存输出与人工定稿,再把决定结论的统计步骤做成可独立运行的脚本。不能保证未来生成同一句话,并不妨碍复核当时为什么采纳、结果受了多大影响。
披露不是一句“使用过 AI”
第 3.4 节明确:AI 若生成实质性研究产出或学术写作内容,或者是研究方法的重要组成部分,就要披露。政策也鼓励如实说明更广泛的辅助使用。项目内部记录、对读者的方法披露、对受试者的知情同意是不同的事:如果机构审查委员会(IRB)判定 AI 的使用会影响受试者,就须在知情同意过程中披露;不能用论文末尾的致谢代替。投稿时还需核对资助合同和目标期刊要求,不把康奈尔校规当成通用模板。
一种可供改写的方法段是:“我们用[工具及版本]对[材料]的[步骤]提供建议;[角色]依据预定的[规则]复核;分歧由[角色或流程]处理;对主要结果的影响见[敏感性分析或附录]。”方括号内只填实际完成的事。如果团队现在只能改一项,我会把记录放到AI 第一次改变研究决策的地方:那时输入、输出和复核人还找得到,到投稿才补最容易漏掉的正是这些。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...