[以下與 OpenAI Work 協作產生]
一篇稿件可以寫得更快、更流暢，但這是否也代表研究者真的學會了科學思考？
生成式 AI 已廣泛進入學術寫作流程，從文法修正、翻譯、摘要與段落重組，到直接產生 Introduction、Discussion 或研究結果的解釋。對成熟研究者而言，現行出版規範所強調的 disclosure/揭露、內容查證與人類作者責任，具有必要性；但對博士生、碩士生、住院醫師及早期研究者而言，真正的訓練問題不只是「是否合規」，而是「哪些科學思考仍由受訓者親自完成」。
文獻出處：Jacinto, T. (2026). Writing as formation: supervising AI use in early-career medical authorship. Frontiers in Artificial Intelligence, 9, 1874377. https://doi.org/10.3389/frai.2026.1874377
研究類型：Conceptual Analysis。本文提出一套由指導者主導的規範架構，焦點限於研究寫作與結果解釋，並非涵蓋博士研究的所有 AI 應用。
一、問題不只在 AI 是否被揭露
ICMJE、COPE 與多數期刊政策主要要求：AI 不能列為作者、使用情形應適當揭露，且人類作者必須查證內容並承擔最終責任。這些規範主要服務於稿件、讀者與出版誠信，卻未必能回答研究訓練最重要的問題：受訓者究竟自行完成了哪些認知工作，又將哪些工作交給了 AI。
例如，一位博士生即使誠實揭露曾由 AI 產生 Discussion，仍不表示他已學會從資料建立主張、校準結論強度、辨識限制與處理不確定性。因此，作者主張應將治理焦點由「稿件是否合規」進一步移向「研究者如何養成」。
圖1. AI 治理不能只問「是否揭露」，還要問受訓者實際完成了多少科學思考。
二、寫作本身是科學推理的形成場域
本文的核心前提是：對尚在養成階段的研究者而言，撰寫第一稿不只是把既有想法轉成文字，而是組織證據、形成主張、檢驗論證是否成立的過程。特別是在 Introduction、Discussion、文獻論述及結果解釋中，研究者必須反覆判斷「證據支持到什麼程度」以及「哪些結論不能超越資料」。
作者的主張並不是把所有臨床推理都歸因於寫作。Bedside clinical judgment 主要形成於病人接觸與臨床證據判讀；本文關注的是較狹義的 scientific argumentative reasoning：研究者如何由資料建立並捍衛一項主張。若 AI 在論證尚未形成前就代寫第一稿，受訓者可能只剩下編修一段「看似合理」的文字，卻未真正經歷建立論證所需的認知歷程。
三、此架構的重點不只是四個 Tier
作者以四層級任務分類作為鷹架，但真正具有區辨性的核心，是以下三個彼此連結的操作機制：
1. Career-stage axis：同一任務，依研究者發展階段而有不同規範
同一種 AI 操作，對成熟研究者可能是合理的效率工具，對初學者卻可能取代尚未建立的能力。例如，成熟研究者利用 AI 重整已熟悉的論證，與一年級博士生直接讓 AI 產生自己尚不會撰寫的 Discussion，具有不同的教育風險。因此，AI 使用規範不能脫離受訓者的能力與訓練目標。
2. Sequencing rule：先自行完成第一稿，再使用 AI
在研究訓練階段，作者提出一項時間順序限制：Draft without AI → Revise with AI → Disclose。受訓者先以自己的推理與文字完成一份可辨識論證結構的初稿，之後才能使用 AI 改善語言、找出弱點、測試反論點或探索替代架構；最後再適當揭露 AI 的參與。這項原則的目的，是讓 AI 改善已經形成的思考，而不是取代第一次思考。
圖2. 先由人完成論證，再讓 AI 協助修訂，並對使用方式進行揭露。
3. Revision trace：以修訂歷程判斷 AI 的實際角色
單看 prompt 並不足以判定任務層級。「請改善這個段落」可能只是 Tier 1 的文法修正，也可能是 Tier 2 的結構重整，甚至改變主張而成為 Tier 3。真正需要檢視的是：學生原先提供了什麼、AI 改變了什麼，以及學生如何查證、接受、修改或拒絕建議。因此，作者主張 AI 使用的評估應採 trace-based evaluation，而不是只看 prompt 的表面文字。
四、AI 使用的四層級任務分類
- Tier 1：Mechanical and stylistic edits。包括文法、拼字、格式、同義詞及 reference formatting。訓練期間可自由使用；若使用程度實質影響稿件，仍應揭露。
- Tier 2：Restructuring of existing text。包括翻譯完整初稿、將摘要壓縮至字數限制，以及重排已完成段落。受訓者須先完成完整第一稿，並揭露 AI 使用。
- Tier 3：Generation of substantive argumentative content。包括 Introduction、Discussion、文獻回顧、研究理據與結果解釋。訓練期間不可讓 AI 產生第一稿；自行完成初稿後，才可使用 AI 找出弱點、測試反論點或協助修訂，並進行查證與揭露。
- Tier 4：Integrity violations。包括捏造或未閱讀的文獻、未經 primary sources 獨立查證的量化或臨床主張，以及把 AI 代寫內容呈現為自己的作品。任何生涯階段皆不允許。
這項分類不是「能不能用 AI」的二分規則，而是在判斷 AI 被用於何種認知工作。任務越接近核心科學推理，AI 取代研究訓練的風險就越高；但實際分類仍需結合 career stage、使用順序與 revision trace 判斷。
圖3. 四個 Tier 是任務分類鷹架；career stage、sequencing 與 revision trace 才能支持具情境性的判斷。
五、Revision trace：讓研究者的判斷歷程可被檢視
Revision trace 是提供指導者檢視的內部紀錄，不等同於投稿時的簡短 disclosure。對每一次具有實質影響的 AI 互動，至少應記錄：
- 使用日期、模型或工具，以及所屬 Tier；
- prompt 與 AI 輸出的摘要；
- 哪些建議被保留、修改或拒絕；
- 做出該決定的理由與查證方式。
這份紀錄同時具有督導與學習功能。指導者可由此判斷 AI 是支持還是取代核心思考；受訓者則必須說明自己的選擇，因而練習後設認知監控、evidence verification 與 epistemic judgment。
圖4. Revision trace 的目的不只是留下紀錄，而是讓受訓者如何思考、查證與判斷變得可見。
Disclosure 與 revision trace 是兩種不同層次的紀錄
作者實際提出兩項互補產物。第一是投稿時的 disclosure paragraph，說明使用的模型與版本、日期範圍、執行任務、未使用 AI 的部分、查證程序及最終責任者；第二是供訓練與督導使用的詳細 revision trace。前者讓讀者知道 AI 如何參與，後者讓指導者看見受訓者實際完成的認知工作。只有 disclosure，通常不足以支持教育評量。
六、對研究指導與教學的啟示
本文最值得實務採用之處，是把 AI 規範轉化為可觀察的督導流程。指導者可在研究或論文起始階段先與學生約定不同任務的使用界線，並在重要章節中先閱讀學生未經 AI 修訂的初稿，再一併檢視修改後版本與 revision trace。如此一來，回饋的對象仍是學生自己的論證，而不是經 AI 潤飾後、來源難以辨識的文字。
這也表示 AI literacy 不只是學生的責任。指導者必須能區分 Tier 2 與 Tier 3、判斷 AI 是否改變論證內容，並清楚說明「先自行起草」是形成性要求，而不是單純的監控措施。規範若能與學習目標、研究者發展階段及可檢視的歷程證據相連結，較有可能被學生理解與接受。
七、閱讀此架構時必須保留的限制
這篇文章是 Conceptual Analysis，而不是實證研究。作者也明確承認，目前尚缺乏直接證據證明：研究寫作是醫學博士生形成 scientific judgment 的主要機制，或將寫作的認知工作交由 AI 會實質損害長期研究能力。相關論點雖得到 writing-to-learn、desirable difficulties 與 cognitive offloading 文獻的間接支持，但尚未在醫學博士訓練情境中直接驗證。
此外，四層級分類的 validity、不同指導者分類的一致性、跨專科與跨文化情境的適用性，以及對學習成果的長期影響，都仍有待研究。因此，這套架構較適合作為「可調整的督導起點」，不宜宣稱為已被證實有效的標準答案；而且隨著 AI 能力與寫作常規改變，Tier 邊界也需要定期重新檢視。
結語：真正需要治理的是認知工作的分配
本文並不反對生成式 AI，而是重新界定它在研究訓練中的位置。評估一項 AI 使用是否合宜，至少要同時詢問四個問題：它執行的是哪一種認知任務？使用者處於哪一個發展階段？AI 是在初稿形成之前或之後介入？是否留下足以檢視查證與判斷的 revision trace？
醫學博士與早期研究訓練的目標，不只是產出一篇看似成熟的稿件，而是培養一位能由證據形成主張、辨識不確定性、查證資訊，並對最終文字負責的研究者。從這個角度看，最重要的原則不是全面禁止 AI，而是確保：先由學習者完成應促成能力形成的核心思考，再讓 AI 協助改善表達與挑戰論證。
參考文獻
Jacinto, T. (2026). Writing as formation: Supervising AI use in early-career medical authorship. Frontiers in Artificial Intelligence, 9, 1874377. https://doi.org/10.3389/frai.2026.1874377
沒有留言:
張貼留言