1. AI在學術研究中的應用心態與倫理 [7]

thumbnail 本節探討在學術研究中運用生成式AI的心態、技巧與學術倫理，強調人類應作為主導者，並對AI生成的內容進行驗證。

1.1. 運用AI輔助學術寫作的核心觀點 [7]

  1. AI作為輔助工具，人類是主導者 [9]
    1. 演講者強調AI是輔助工具，人類應始終保持主導地位。 [9]
    2. AI在學術研究中可執行多項任務，但本次演講僅聚焦於寫作部分。 [9]
    3. 寫作是AI應用中較低階的層次，卻是人們初次接觸AI時最關注的領域，尤其在計畫書、論文及各類學術寫作方面。 [11]
  2. 演講內容主要涵蓋心態、技巧與學術倫理 [13]
    1. 演講將著重心態，即如何看待AI在學術寫作中的角色。 [13]
    2. 技巧方面會略作說明，但更深入的問題可直接詢問AI。 [14]
    3. 最後將探討與AI相關的學術倫理問題。 [16]
  3. 個人觀點與規範的差異 [17]
    1. 演講內容為講者個人意見，可能與主流觀點不同，且較為開放。 [17]
    2. 投稿計畫或論文時，仍需遵守期刊或國科會的現行規範。 [17]
    3. 講者在準備演講時也使用了AI，並以此作為範例，說明如何在AI協助下保持人類主導。 [18]
  4. AI是重要的研究工具，應積極使用並驗證內容 [28]
    1. AI被視為「the single most important research tool」，研究人員應努力使用。 [28]
    2. 應鼓勵學生使用AI，並引導他們充分發揮AI功能，而非僅用於修改作文。 [29]
    3. 所有AI生成的內容都必須經過驗證，因為其中可能包含許多錯誤。 [30]
    4. 講者認為不應過度關注論文是否由AI撰寫，而應著重內容的可靠性與價值。 [31]
    5. 儘管現行規範可能不合理且未來會改變，但在改變前仍需遵守。 [33]

1.2. AI的特性與破壞性創新 [35]

  1. AI的運作原理與限制 [35]
    1. AI透過大型語言模型（Large Language Model, LLM）訓練而成，基於統計規律預測句子，因此其內容傾向於主流且缺乏創新。 [36]
    2. AI會產生幻覺（Hallucination），即生成看似真實但實際錯誤的內容。 [40]
      1. 例如，AI曾將講者描述為「有名的演員、歌手」，並列出其參與的電影。 [42]
    3. 不同的AI模型（如ChatGPT、Gemini）因訓練資料庫和演算法不同，性能與風格各異。 [43]
    4. 與AI的對話內容可能進入其學習資料庫，導致資訊外洩，這是許多人擔憂的問題。 [46]
      1. 講者舉例說明AI的幻覺，AI列出的參考論文中，所有紅字註解處皆為虛假內容，有些論文甚至從頭到尾都是假的。 [50]
  2. AI作為破壞性創新 [51]
    1. AI是一種破壞性創新，類似於歷史上的Google Search和Google Map。 [51]
    2. 與過去昂貴且僅少數人能用的新科技不同，AI一開始便在網路上免費開放給所有人使用。 [54]
    3. 這使得所有人的能力在瞬間提升，提高了整體基線，且使用門檻極低。 [56]
    4. 講者警告，若不開始使用AI，將會被所有人淘汰。 [59]
    5. AI提供付費版本，功能更優越，每月約20美元，講者認為非常值得，因為「我有三個助理，24小時從不抱怨、沒有情緒問題，而且非常能幹」。 [61]
  3. 人與AI的競爭關係 [66]
    1. 任何阻擋或限制AI的嘗試都將無效，會使用新工具的人將佔優勢。 [66]
    2. 競爭的本質是「人與人的競爭」，而非「人與AI的競爭」，是「人加上AI，就會大於人」。 [67]
    3. Gemini指出AI是新的選擇壓力（selection pressure），不跟上時代的人將被淘汰。 [68]
    4. AI提高了所有人的基線，但創意的天花板仍由人類決定，人類可以推動極限。 [69]
    5. AI是工具和助手，但會出錯，因此需要驗證，且「工具出了問題，人要負責」。 [70]
    6. AI是被動的，人類才是真正的主導者，即使只是提問。 [73]
    7. 應充分發揮AI功能，不應只用於修文法，如同古語「問夫子如撞鐘，叩之以小者則小鳴，叩之以大者則大鳴」。 [74]
    8. 講者將AI視為「資深同事」，見多識廣、跨領域、無私且樂於討論，建議從研究早期構想階段就與AI討論。 [75]
    9. 透過與AI討論，可以及早發現研究想法是否已被他人完成或為死路一條，從而節省時間。 [77]

1.3. AI對人類能力的影響與系統性問題 [79]

  1. AI不會導致核心能力流失，反而促進進階思考 [79]
    1. 講者與AI辯論後，AI引用蘇格拉底反對書寫的例子，蘇格拉底認為書寫會導致記憶力退化和靈魂健忘。 [79]
    2. 然而，書寫和印刷術的普及，使人類將記憶外包給書籍，釋放大腦進行更高階思考。 [82]
    3. 同理，電腦、維基百科和Google等工具，使人類的核心能力得以進階而非流失。 [83]
  2. AI在教育中的應用與挑戰 [84]
    1. 老師不應擔心學生使用AI，而應鼓勵並引導。 [84]
    2. 學生使用相同工具，產出水準會因使用方式而異，如同算盤的使用能力。 [85]
    3. 應設計沒有標準答案的作業，鼓勵學生追求「更好的答案」，例如諾貝爾獎得主評選的題目。 [86]
    4. 老師可利用AI輔助批改作業，但最終判斷仍由老師負責。 [93]
    5. 學生若完全依賴AI偷懶，將會跟不上進度並被淘汰，老師應接受此結果。 [95]
  3. AI的系統性問題與隱憂 [98]
    1. AI製造的錯誤或虛假內容在網路上的擴散將日益嚴重。 [98]
    2. 當AI的準確度超越人類後，人們會因偷懶而不再驗證其內容。 [99]
      1. 例如，AI在胸腔X光判讀肺癌的準確度已超越許多醫生，醫生可能因此敷衍或完全依賴AI。 [100]
      2. 年輕醫生可能因此缺乏實務經驗，完全依賴AI，導致未來許多領域都過度依賴AI。 [104]
    3. AI會放大個人差異，認真使用者變強，偷懶者變弱，可能加劇社會階層落差。 [104]
    4. AI也使教育和學術評價變得困難，需要新的評價方法。 [105]
  4. 面對AI的態度與適應 [106]
    1. 講者認為，AI是否會超越人類或產生自我意識是未來可能發生的問題，但目前應關注不同層次的應對態度。 [106]
    2. 個人層面：必須使用AI以免被淘汰，並遵守規範、負責任。 [107]
    3. 擔憂他人層面：擔心學生或其他研究者偷懶或內容不可靠，需保持警惕。 [109]
    4. 系統性隱憂層面：AI的發展已無法阻擋，只能適應並等待其未來改變。 [110]
    5. 講者強調「我只管到我自己，我一定要好好地使用它」。 [113]

2. AI在文獻閱讀與研究構想中的應用 [114]

thumbnail

本節探討AI如何輔助文獻閱讀、研究構想，並強調其作為資深同事的角色，以及人類在互動中的主導地位。

2.1. AI輔助文獻閱讀的優勢與限制 [114]

  1. AI能快速摘要文獻，但會遺漏精華 [114]
    1. AI可以讀取大量論文並抓取重點、生成摘要。 [114]
    2. 摘要如同故事骨架，能建立全貌和架構，但真正的精華藏在細節中。 [116]
    3. 講者以《羅密歐與茱麗葉》為例，AI摘要能抓到故事架構，但會「完全miss掉這個故事的文學的優美和愛情那些」。 [117]
    4. AI的摘要是收斂資訊，而閱讀原文是發散的，能激發靈感和情感，兩者目的不同。 [121]
  2. 結合AI與傳統模式，提升文獻學習效率 [124]
    1. 由於文獻量龐大，應利用AI輔助閱讀，抓取重點、建立全貌。 [124]
    2. 論文的精華在於研究方法、設計考量、數據分析問題、詮釋與結論的不確定性，這些需人類直接閱讀才能深入思考。 [125]
    3. 建議維持期刊俱樂部或研討會模式，讓AI參與其中。 [127]
    4. 學生和AI共同閱讀並評論文章，老師帶領討論AI的觀點，從中學習，將更有效率。 [128]
  3. AI可篩選文獻，找出細讀重點 [129]
    1. AI能從大量論文中找出值得細讀的少數文章。 [129]

2.2. AI工具的選擇與使用技巧 [130]

  1. 多樣化的AI工具與付費版本優勢 [130]
    1. 講者手機和電腦上有多個AI工具，常用且付費的有ChatGPT、Gemini和Claude。 [130]
    2. 其他如Grok、Perplexity、DeepSpeak等，部分因政治考量或難用而不推薦。 [130]
    3. 講者強烈建議至少付費使用兩個AI，因為「非常值得」。 [132]
    4. 同時詢問多個AI可互相比較答案、篩檢錯誤資訊、看到不同觀點。 [132]
    5. AI模型快速迭代，付費版本功能更優越，建議使用付費版以保持競爭力。 [133]
  2. 保護資訊安全與利用Notebook LM [138]
    1. 為避免資訊外洩，可在AI設定中關閉「improve the model for everyone」選項。 [138]
    2. 許多免費AI版本不提供此選項，因其免費服務即是為了獲取用戶資料。 [140]
    3. AI聲稱付費版資料不會進入學習資料庫是基於「business reputation」，但仍有軟體錯誤、政府要求或駭客攻擊的風險。 [142]
    4. 建議敏感機密資料（如產學合作數據、未發表數據、病人個資）不要上傳。 [142]
    5. 講者個人不擔心研究想法或數據外洩，因其可能被平均化或難以追溯。 [143]
    6. Google Gemini的Notebook LM功能允許上傳約300篇文章，或讓AI自行下載，將討論範圍限定於這些資料，可避免幻覺並提供引用來源。 [144]
  3. Agentic AI的潛力與風險 [146]
    1. Agentic AI允許使用者開放電腦存取權限，讓AI執行實際操作，例如整理檔案、重新命名。 [146]
    2. 潛在風險包括AI超出權限範圍操作或刪除不可復原的檔案。 [149]
    3. 有人透過「養第二隻龍蝦去糾正第一隻龍蝦的問題」來解決此類問題。 [151]
    4. Claude的Agentic功能在每一步都會詢問使用者許可，確保人類主導。 [153]
    5. 此功能目前僅限電腦版，可設定特定目錄讓AI操作。 [155]
  4. 提問技巧與提供上下文的重要性 [158]
    1. 提問AI時無需顧慮丟臉或問錯問題，AI會協助精煉問題。 [160]
    2. 可要求AI扮演特定角色（如批判性審稿人），並要求提供資訊來源和連結。 [162]
    3. AI的答案常不完全滿意，需多輪追問和調整。 [164]
    4. 詢問多個AI可互相批評辯論，並篩除AI的「幻想」，因不同AI或同一個AI在不同次數下產生的幻想會不同。 [165]
    5. 過去認為提問時需說好話或強調重要性，但後來發現效果不彰。 [167]
    6. 最有效的方法是要求AI「think step-by-step」，讓它一步一步思考，答案會更準確。 [168]
    7. 現在AI已內建Chain-of-Thoughts概念，可選擇思考型版本，甚至要求顯示思考過程。 [169]
    8. 目前最重要的是提供上下文（context），例如將所有相關論文、計畫、審稿意見和文獻丟給AI，讓它在這些資料基礎上回答問題。 [172]

2.3. AI輔助研究計畫與論文撰寫 [175]

  1. AI輔助撰寫計畫的倫理界線 [175]
    1. 直接將簡單或複雜指令生成的內容「copy, paste and submit」是不可接受的，因為缺乏人類審查與驗證。 [177]
    2. 正確做法是「給它prompt，然後它給我答案，我再跟它討論、修改，多輪最後達到我滿意，我認為可靠，這個時候再提交出去」。 [181]
    3. 講者類比為老師請資深博士生或博士後撰寫計畫，經來回討論修改後才提交，這是合理的訓練過程。 [181]
  2. AI在計畫評估與改進中的應用 [183]
    1. AI可評估計畫的重要性（significance）和創新性（novelty），並總結主要重點。 [183]
    2. 講者發現AI生成的摘要比自己寫得更好，能完全抓到重點。 [184]
    3. AI能對計畫提出批判性意見，例如Gemini曾嚴厲批評講者的計畫「是trash」，但同時教導如何改進。 [186]
    4. AI可協助檢查計畫架構、弱點、缺失的控制或資料。 [190]
    5. AI雖無法直接推薦投稿期刊，但能根據計畫類型提供建議。 [190]
    6. AI能改寫（rephrase）內容，並建議應包含但未包含的參考文獻。 [191]
    7. 可要求AI扮演「hostile reviewer」提供十大批評，並提出修改建議。 [196]
    8. AI能協助撰寫具體目標、假設、理由、創新點、方法、決策點和預期成果，甚至強而有力的「convergence statement」。 [193]
  3. AI在研究構想與文獻整理中的作用 [200]
    1. AI能彌補研究中的缺失，完善例行性研究的套路，例如找出實驗中遺漏的控制或資料。 [218]
    2. AI能改善表達，並幫助跨領域聯想，例如建議研究題目可結合哪些領域。 [223]
    3. AI提供的內容通常是例行性、穩定的路徑，能讓計畫達到80分的水準。 [225]
    4. 然而，創新性想法仍需人類提供，因為「創新很少出現，它給你的東西就是常出現的東西」。 [226]
    5. 在AI普及後，所有計畫都可能達到80分，要從中脫穎而出達到90分，仍需依靠人類的創新。 [227]

2.4. AI在數據分析與互動模式中的潛力 [230]

  1. AI在圖像分析與數據處理上的能力 [230]
    1. AI不僅能處理文字，也能分析圖像。 [230]
    2. 講者曾將一篇論文中「非常不標準」的圖丟給AI，未提供任何描述，AI得出的結論與論文內容幾乎一致。 [231]
    3. 這顯示AI在資料分析和看圖方面具有強大能力，研究人員應積極探索其應用。 [233]
  2. AI互動模式：雙向、主導與無私的合作夥伴 [235]
    1. AI互動應是互惠互利的雙向過程，從初步概念開始，提供參考，AI給予意見，再經多輪修改定稿。 [235]
    2. 講者認為在使用AI時，人類始終是主導者。 [238]
    3. AI的角色已超越工具或助手，更像「資深同事或合作夥伴」，且是跨領域的。 [239]
    4. AI對提問是被動的，且「沒有私心」，不會要求作為共同作者。 [241]
    5. 由於AI不能成為共同作者，只能在致謝中提及。 [242]
    6. ChatGPT建議的致謝範本應包含模型版本、AI在研究構思階段扮演的角色（如批判性對話對象），並強調「所有最終的科學判斷論點採納及文字訂稿均由作者本人全權負責」。 [243]
    7. 講者認為許多人不敢誠實揭露AI的廣泛協助，只敢說用於修改英文，這可能是「大材小用」或「沒有誠實」。 [247]
    8. 講者鼓勵「放膽大聲的講出來」，並強調最終的科學判斷和責任仍由作者承擔。 [248]

3. AI使用規範與學術倫理挑戰 [250]

thumbnail

本節探討AI在學術研究中的使用規範、學術倫理問題，以及如何應對AI帶來的挑戰，強調人類的責任與原創性。

3.1. AI使用規範與揭露方式 [250]

  1. 揭露AI使用的重要性與責任歸屬 [250]
    1. 最終的科學判斷、論點採納和文字定稿應由作者全權負責。 [250]
    2. 揭露AI使用通常註明在研究方法（視為工具）或致謝欄（視為助理）。 [251]
    3. Elsevier的範本強調「作者審核並編輯內容，並對內容負完全責任」。 [252]
    4. 講者建議保留所有與AI的對談記錄，以證明人類的主導角色，並在需要時提供。 [254]
    5. 講者準備演講時與ChatGPT的對談記錄已達四五百頁，顯示記錄過程可能繁瑣。 [255]
  2. 期刊對AI揭露的要求 [256]
    1. 某些期刊（如Science系列）要求提供所有prompt（提問），作為附錄。 [256]
    2. 另一些期刊（如Journal of Medical Internet Research）要求提供完整的原始prompt和回應記錄。 [258]
    3. 目前大多數期刊尚未有此類要求。 [258]
  3. 生成式AI的規範 [259]
    1. 不可作為作者：AI缺乏人格，無法承擔作品責任。 [259]
    2. 必須註明使用：在方法或致謝中說明。 [260]
    3. 不可使用AI生成的圖像和影片：包括示意圖、摘要圖等，因容易出錯。 [261]
      1. 除非文章專門討論此類內容，且經編輯許可。 [263]
    4. 可使用AI生成的數據分析圖：如曲線或柱狀圖，但需註明並自行驗證。 [264]
    5. 不可用於審查：會違反保密協議。 [265]
    6. 敏感資訊不可上傳。 [265]
    7. 非生成式AI（如固定演算法）則無此限制，因其結果可重現，但需提供實驗條件。 [266]

3.2. AI帶來的信任不對稱與代寫風險 [269]

  1. 現行規範與信任不對稱 [269]
    1. 台灣與國際上已有許多AI使用規範，內容與上述原則基本一致。 [269]
    2. 講者詢問同事和AI，若遵守規範使用AI輔助寫作是否可行，發現他們仍有擔憂。 [271]
    3. AI對自身缺乏信心，列舉的問題人類也會犯，且AI犯錯可能不如人類嚴重。 [272]
    4. 講者認為自己能負責任使用AI，但擔心他人偷懶或不負責任。 [276]
    5. Gemini解釋此現象為信任的不對稱：「我知道我是一個行政主廚，我燒菜非常用心，可是我擔心別人只是micro...」。 [277]
    6. 關鍵在於使用者是否「in control」，為此應保存所有與AI互動的記錄，包括時間。 [278]
    7. 目前保存記錄過程繁瑣，希望未來能簡化。 [280]
  2. AI代寫論文的風險 [282]
    1. 網路上已有商業工具聲稱能用58頁的prompt讓ChatGPT在數小時內生成5章論文。 [282]
    2. 這些工具雖需提供主題、研究方法等資訊，但核心內容可能由AI生成且不可靠。 [285]
    3. AI代寫評論文章（review paper）尤其容易，因其不涉及原始數據。 [287]
    4. AI代寫本質上與過去的買論文、代寫或抄襲無異。 [289]
    5. AI代寫的風險：
      1. 虛假數據或文獻：過去買論文可能導致抄襲，AI則生成不同內容，但若涉及文獻或數據，可能產生假數據，仍有學術倫理問題。 [291]
      2. 勒索風險：過去代寫服務可能銷毀記錄，但也有勒索案例。AI背後仍是人，付費給AI公司，其掌握所有過程，存在被勒索的嚴重風險。 [293]
  3. AI涉及的學術倫理核心問題 [297]
    1. 偷（抄襲）：將他人成果據為己有。 [298]
    2. 騙（造假）：數據或結果虛假或變動。 [300]
    3. 無論誰犯錯，作者都需負責。 [301]
    4. AI較易產生虛假數據、文獻或錯誤示意圖。 [302]
    5. AI作為工具是中性的，可為善亦可為惡，人才是操縱者，故人需負責。 [303]
    6. 過去也有工具可做壞事（如Google Translate改寫抄襲），AI只是讓造假更嚴重。 [304]
    7. AI能將文章完全改寫，文字上難以辨識，但未來可能出現辨識工具，不應冒險。 [307]

3.3. 虛假內容的辨識與處理 [310]

  1. AI生成圖像的辨識與撤稿案例 [310]
    1. AI生成的示意圖（如老鼠睪丸幹細胞圖）遠看可能不錯，但放大後會發現文字混亂、非正常英文字符。 [310]
    2. 目前所有期刊都禁止使用AI生成圖像，此類文章會被撤回。 [312]
  2. 虛假文獻的案例與避免方法 [313]
    1. 香港大學教授和政大博士生論文中曾出現AI編造的虛假文獻，導致職務辭退或論文下架。 [313]
    2. 某些虛假文獻甚至有真實作者，但作者從未撰寫該文，引發新聞事件。 [315]
    3. 避免虛假文獻的方法：
      1. 要求AI提供所有文獻的資訊來源連結和DOI，並點擊驗證。 [318]
      2. 請同一個或另一個AI核實文獻真實性，並驗證內容是否與引用語境相符。 [319]
      3. 講者測試發現AI能抓出虛假文獻，但仍建議每篇自行驗證。 [322]
      4. 可在一開始提供真實文獻庫（如Notebook LM），或要求AI提供包含標題、作者、年份和有效DOI連結的文獻，並「嚴禁自行編造」。 [324]
      5. 避免虛假圖片：仔細檢驗、修改，若工具不可靠則不使用，若使用則投稿時務必註明並確保無問題。 [325]
  3. 虛假內容的處理原則 [327]
    1. 若涉及數據並影響研究結論，視為造假，屬嚴重學術倫理問題。 [327]
    2. 若涉及文獻或示意圖，本質上也是造假，但有輕重之分。 [328]
    3. 若虛假文獻涉及核心論述基礎（如論文基於一篇假的關鍵文獻），則為嚴重學術倫理問題，即使無意。 [329]
    4. 若虛假文獻不涉及核心論述基礎（如引用10篇文獻，其中2篇為假，刪除後論述仍成立），則建議行政處理（修改、退稿或撤稿），而非學術倫理問題。 [331]
    5. 示意圖錯誤導致撤稿，但學校是否以學術倫理處理則未公開。 [332]
    6. 講者類比為「買了一個儀器，還沒有校正，我就拿來做實驗」，數據可能出錯，雖非蓄意造假，但仍有影響。 [333]
  4. AI作品的辨識與責任歸屬 [338]
    1. 每個AI都有其風格，可辨識出是哪個AI撰寫，但無法100%確定。 [338]
    2. 目前沒有可靠工具能辨別AI作品，OpenAI的分類器也已下架，如同「製造矛的人都造不出盾」。 [340]
    3. 講者認為「誰寫的根本不重要」，重要的是內容，作者需負責。 [344]
    4. 曾有已發表文章因包含「as an AI language model」等AI生成內容而被撤回。 [346]

3.4. 揭露AI使用的困境與未來展望 [347]

  1. 未揭露AI使用的後果與過渡期反應 [347]
    1. 若論文無「騙」無「偷」，未揭露AI使用僅違反與期刊或國科會的約定。 [349]
    2. 類似於實驗條件未交代清楚，可能導致修改或退稿，講者認為應行政處分。 [350]
    3. 講者認為要求揭露是「過渡期的反應」，類似於過去對PCR等新技術的詳細描述，最終會演變為默認。 [353]
    4. Gemini稱此為「典型的安撫性的儀式」，旨在向大眾和政府表明「我們在doing something」，但實質上無效。 [357]
    5. 未來當所有人都在使用AI時，揭露問題將不復存在。 [358]
  2. 揭露AI使用的道德困境與審查挑戰 [359]
    1. 使用者擔心揭露AI會被審稿人視為偷懶，導致不利。 [359]
    2. 審稿人面臨兩難：規範禁止使用AI審查，但審稿負擔重，且調查顯示一半以上審稿人已使用AI。 [359]
    3. 國科會可能知道許多申請人或審查人使用AI但未揭露，若追究將引發巨大問題。 [362]
    4. 講者建議「揭露的意義其實不大，而且沒辦法求證，那造成大家的困擾」，應「無需深究」，行政處理即可。 [363]
  3. AI輔助下的原創性與貢獻歸屬 [367]
    1. AI提供建議、協助，最終判斷仍由人類負責，因此成果仍屬人類。 [367]
    2. 研究想法來自他人（文獻、老師、同事討論）是常態，AI亦同。 [368]
    3. 牛頓名言「如果我看得比別人遠，是因為我站在巨人的肩膀上」適用於此。 [370]
    4. Gemini表示「只要你誠實標註了肩膀，剩下那部分你自己跑完的最後一哩路，無論多短，都是你的原創」。 [371]
    5. Claude強調「誠實引用」包括AI，並說明研究中加入了什麼，這是在知識進展上的貢獻。 [372]
    6. 講者認為這對實驗科學尤其適用，因其中有AI無法完成的部分，人類的知識進展仍是關鍵。 [372]

4. AI對學術研究體系的影響與未來發展 [374]

thumbnail

本節探討AI對學術研究體系的深遠影響，包括對研究資助、分工合作、審查制度的改變，以及對學術倫理的挑戰與應對策略。

4.1. AI對研究資助與分工合作的影響 [374]

  1. 研究資助的重點應在結果而非個人 [374]
    1. 政府資助研究旨在獲得真實結果，不應過度關注由誰完成。 [374]
    2. 審查計畫應著重可行性和執行力，而非僅看個人。 [376]
    3. 過去看人是因為其資源和能力影響可行性，但AI現在也能提供協助。 [377]
  2. AI促進高度分工合作 [379]
    1. 現代研究高度分工，創意、執行、修正、撰寫等各部分可能來自不同人。 [379]
    2. AI現在也成為合作夥伴之一，PI（主要研究者）的角色轉變為整合與主導。 [380]
    3. Gemini最終接受學術界必須「放棄對來源的執著，接受創意和內容可能來自多元化的輸入，包括AI」。 [381]

4.2. AI對審查制度的挑戰與應對 [383]

  1. AI導致寫作成本降低，審查負擔加重 [383]
    1. AI降低了寫計畫和論文的成本，導致投稿量增加，審查負擔沉重。 [383]
    2. 可限制每人投稿數量，但美國NIH每年可投6篇仍算多。 [384]
    3. AI使計畫品質趨於中等，條理清晰、架構明確，易於審查。 [385]
    4. 然而，所有計畫都達到一定水準，審稿人更難辨別優劣。 [387]
    5. 審稿人擔心參考文獻不可靠，若每篇都需驗證，負擔將極重。 [388]
  2. AI輔助審查的發展與爭議 [389]
    1. 期刊開始使用內部AI輔助審查，確保資訊不外洩，維持保密協議。 [389]
    2. Frontier's Journals已採用AI review assistant，減輕審查人的行政與查核負擔，檢查抄襲、圖片複製、利益衝突、IRB批准及文獻真實性。 [391]
    3. AI輔助工具不作接受或拒絕決定，但審查人可能仍會依賴AI判斷文章好壞。 [393]
    4. 國際機器學習大會（ICML）曾進行「prompt injection」實驗，在文章中植入特定詞彙，若AI審查報告出現這些詞，即證明審查人使用了AI。 [396]
    5. 結果發現506位審查人（約1%）使用了AI，其論文被直接拒絕。 [398]
    6. 此做法顯示AI審查普遍且難以阻擋，但也引發爭議，因可能連累無辜共同作者，且被批為「Unethical entrapment」（釣魚）。 [400]
    7. 這種做法只能用一次，審查人會學乖。 [403]
    8. 講者總結：AI輔助審查是趨勢，必然發生。 [404]
    9. 總結重點：研究是多元分工合作，AI是其中一員；審查重點在創新、可行性、成功機會，誰寫的不重要；揭露無效且造成困擾；AI審查目前不可行，未來可能放寬。 [404]

4.3. AI在學術研究中的限制與未來展望 [418]

  1. AI的創新能力與應用潛力 [418]
    1. AI的創新能力有限，但可透過連結不同領域來實現創新。 [419]
    2. 諾貝爾獎已頒給AI工具的發明者，顯示其在研究中的重要性。 [420]
    3. AI能做到什麼程度，取決於人類如何運用。 [421]
  2. AI在學術研究中絕對不允許的行為 [422]
    1. 絕對不允許AI「憑空造出數據」。 [422]
    2. 特殊用途（如統計訓練數據）需明確說明並經審查人接受。 [423]
    3. AI生成的錯誤內容需避免，它無法取代實驗室工作或實證資料。 [424]
    4. 人文社會領域的問卷、訪談、實地觀察等實證資料，AI也無法提供。 [424]
    5. 然而，訪談稿等實證資料可輸入AI輔助分析，但需確保分析結果未脫離原始資料。 [425]

4.4. AI對文獻引用與審稿的影響 [426]

  1. AI引用文獻的局限性與偏見 [426]
    1. AI主要引用網頁或Open Access文章，難以取得付費或版權受限的核心文獻。 [427]
    2. 這可能導致AI參考資料受限，答案存在偏見，且可能偏向「品質比較不那麼嚴謹」的文章。 [428]
    3. 這種偏見可能導致學生或老師過度依賴AI後，研究方向趨於單一。 [429]
    4. AI是黑盒子，無法確知其讀取了哪些資料，付費資料庫（如Elsevier）的內容是否納入訓練仍是未知。 [433]
  2. AI對論文原創性與審稿的挑戰 [437]
    1. 學生論文若由AI撰寫，英文流暢但原創性不明，難以判斷是拼湊或胡說。 [437]
    2. 老師從批改爛文章轉變為「偵探」，需驗證AI列出的文獻真偽，尤其在不熟悉的領域。 [439]
    3. 講者要求學生提供所有引用文獻的DOI文章打包，並列出網址清單，只接受DOI論文。 [440]
    4. 期刊投稿量倍增，審稿人難尋且負擔極重，導致許多論文被「desk reject」。 [441]
    5. AI可輔助審稿人判斷文獻，因文獻不涉洩密。 [446]
  3. AI虛構文獻的處理與AI辨識軟體的局限 [448]
    1. 若投稿者有AI虛構文獻，可拒絕或要求修改，若情節嚴重則直接淘汰。 [448]
    2. 期刊投稿量大，若發現虛假文獻，可直接假設內容也虛假而拒絕。 [450]
    3. 過去若文章拼字錯誤，會被視為粗心而拒絕，AI虛假文獻亦同。 [453]
    4. Turnitin或iThenticate等軟體可檢查AI寫作機率，但僅提供數字，不說明具體問題，導致無法修改而被拒絕。 [455]
    5. 學校不能僅憑AI機率數字當掉學生。 [460]
    6. 講者認為不應被數字綁住，這些數字不可靠。 [461]
    7. 有人甚至故意在論文中加入錯字，以證明非AI撰寫。 [463]
    8. 期刊初期對AI態度嚴格，但未來可能放鬆，過渡期仍需遵守規範，但強調創意勝出。 [465]

4.5. AI作品的歸屬與審查標準的演變 [467]

  1. AI作品的歸屬與原創性 [467]
    1. AI生成的動作和場景，若經人類指令和選擇，仍可視為人類作品。 [467]
    2. AI不能主張所有權，因此沒有所謂的「AI作品」。 [468]
    3. 講者認為AI輔助的創作仍可算某種程度的原創作品。 [469]
  2. 審查過程中的AI應用與挑戰 [470]
    1. 審查人發現AI參考文獻常有錯亂或虛假，內容東拼西湊，需嚴格查證。 [471]
    2. 研究生常將內容丟給AI，寫完後未查證真偽。 [471]
    3. 投稿者常漏掉實驗數據或方法細節，實驗記錄簿仍非常重要。 [472]
    4. 原始數據和統計結果也應提供。 [475]
  3. AI輔助撰寫評論文章的倫理與價值 [476]
    1. AI可輔助撰寫評論文章，整理文獻，但若完全不動腦，則價值有限。 [476]
    2. 過去純文獻整理的評論文章有其價值，但AI使其變得容易，這類文章數量增加。 [480]
    3. 若評論文章中包含造假文獻，應視為造假（fabricate），因為文章本身就是數據。 [482]
    4. 若研究是自己做的，僅參考文獻有造假，可行政處理；但評論文章若有造假文獻，則整篇文章的數據就是假的，結果不準確。 [482]
  4. AI生成圖像與數據造假的監督難題 [483]
    1. AI可生成假的圖像，審查老師難以監督。 [483]
    2. 示意圖可放大檢視錯誤，但數據造假更難辨識。 [485]
    3. 過去需檢查實驗記錄本、原始照片等，回歸原始數據。 [486]
    4. 審查過程可能因數據合理而不要求原始資料，導致投機取巧。 [487]
    5. 實驗室文化和師生持續討論檢驗是發現問題的關鍵。 [491]
    6. 評論文章若加入作者創意思維或判斷，仍可發表，但審查人會更嚴格檢視其新觀點或整理的獨特性。 [492]
  5. AI提問技巧與多AI協同驗證 [496]
    1. 要求AI扮演特定角色（如嚴格批判者）會更有效。 [496]
    2. ChatGPT傾向提供正向情緒價值，Gemini和Claude則更專業。 [497]
    3. AI的幻覺（hallucination）不會完全消失，需盡量減少並檢驗。 [498]
    4. 應明確告知AI找不到答案時直接回答「找不到」，而非編造。 [498]
    5. 使用多個AI互相監督非常有用，例如規劃旅行行程時，一個AI規劃，另一個AI找出錯誤。 [499]
    6. 讓助手們互相監督，可有效抓出錯誤。 [500]