第一章：基礎概念

1.1 課程範疇與學習目標

本次講習聚焦於生成式AI在研究與學術寫作中的實際應用與操作策略。近期發生的「博士生AI虛假論文引用」事件，突顯了在研究流程中使用 AI 的潛在風險與建立規範的重要性。本課程將以此類事件為鑑，深入探討如何在研究的各個階段「正確且穩健」地使用 AI，以避免產生不當或失真的結果。

本課程並非從生成式 AI 的基礎原理講起，預設參與者對研究流程有基本理解。若覺得進度偏快，建議先行參考「AI 輔助論文的初探索」等基礎課程影片。未具備論文撰寫經驗的同學，亦可從作業與課堂需求的角度，吸收相應的概念與方法。

全課內容分為四大主軸：

1. 核心工具與操作：介紹常用 AI 平台的基本設定與進階模式。

2. 圖書館資源與指引：導覽圖書館提供的 AI 相關資源與使用指南。

3. 研究流程整合與風險防範：探討在研究各階段整合 AI 的策略、倫理規範與風險控制。

4. 發展趨勢與未來展望：分析 AI 的新功能、未來潛力，以及其在研究領域中扮演的角色。

1.2 AI 的工作原理與固有風險

生成式 AI，特別是大型語言模型（LLM），其本質是基於機率機制來預測序列中的「下一個字（token）」，並以此建構出完整的回答。這種運作模式決定了其輸出品質高度依賴訓練資料的來源與分佈。若訓練語料本身帶有偏見、特定立場或錯誤資訊，模型的回答也極可能重現這些傾向。因此，在學術應用中，我們必須時刻警惕以下風險：

• 資料來源的可追溯性弱：通用型 AI 在未經特定限制時，多以龐雜的網路公開資料為基礎，其學術可信度難以保證。這些資料品質參差不齊，可能包含大量行銷導向或未經查證的內容。

• 「幻覺」現象的不可預測性：AI 的「幻覺」（Hallucination）是指模型以極高的自信度輸出完全虛構或錯誤的資訊。更為棘手的是，AI 本身不具備「知道自己錯誤」的後設認知能力，這使得使用者在查證時面臨更大挑戰。

儘管業界正持續投入資源以改善這些問題，但在現階段的學術應用中，建立嚴謹的資訊來源驗證與核查流程，仍是不可或缺的關鍵步驟。

深入說明：幻覺的機制與抑制策略

AI 的「幻覺」現象，常源於其語言模型內在的「流暢性偏好」（fluency bias）。模型傾向於產生語法通順、語義連貫的文本，即便這些內容在事實層面缺乏支撐。有效的抑制策略包括：

1. 限定資料來源（RAG）：提供權威的上下文資料（如上傳特定論文或報告），要求 AI 僅基於這些內容回答。

2. 要求明確引證：指令中強制要求 AI 為其每項主張標示具體的來源、段落甚至頁碼。

3. 授權「不知道」的回應：明確告知 AI，若找不到答案或不確定時，可以直接回答「不知道」，以降低模型臆測的可能性。

4. 任務分解與逐步驗證：將複雜問題拆解為一系列小步驟，對每一步的結果進行驗證，確保前一步正確後再繼續推進。

1.3 隱私、資料安全與著作權

在與 AI 互動的過程中，使用者不僅需留意系統層面的設定，更需建立自身的行為規範，以保障資料安全與合規性。

• 輸入內容的公開風險：切勿直接貼上包含個人隱私、機構機密或研究敏感性的資訊。涉及受訪者資料、校名、未公開的完整研究構想等內容時，務必先進行去識別化處理，或分段、摘要後再提供給 AI。去識別化是指移除所有能直接或間接辨識特定個體或機構的資訊。

• 模型訓練的資料管控：在各大 AI 平台（如 ChatGPT、Gemini 等）的設定中，通常提供關閉「使用個人資料進行模型訓練」的選項。為降低隱私與資料外洩風險，應在使用前查閱官方教學並關閉此類資料管控中的模型訓練開關。

• 付費學術資料的著作權問題：圖書館付費訂購的資料庫內容，其使用範圍受到資料庫授權條款的嚴格限制。使用者不得批量下載這些受版權保護的文獻，再上傳至外部 AI 平台。各大出版社與 AI 公司之間的著作權與分潤機制仍在發展階段，短期內應嚴格遵守現有授權規範。

第二章：AI 工具、平台與操作環境

本章將介紹一系列主流 AI 工具與平台，涵蓋其功能模式、操作設定與在學術研究中的適用情境。示範內容主要基於付費版本的 ChatGPT、Gemini 及相關 OpenAI 服務，免費版介面可能略有不同，但核心功能通常仍可使用。

2.1 核心平台與模式選擇：以 ChatGPT 為例

在進行學術研究輔助任務時，適當的模式選擇與設定能顯著提升 AI 的表現。

• 模型與模式選擇：在主介面中，使用者可根據任務需求與個人熟悉度，選擇最新的預設模型或切換至較舊的模型。對於複雜的研究問題，建議切換至「Thinking 模式」。此模式會投入較多的推理資源，從而提升對複雜邏輯的處理能力。相對地，「Auto」模式會讓系統自行判斷資源投入程度，為確保研究任務的推理品質，建議以「Thinking」作為預設。

• 提問層級與推理延展：建議切換至「Extending Thinking」（延展推理）。此模式的特點是在回答中展開詳細的推理流程，並以更系統化的方式整合資訊。這對於研究任務（如方法比較、證據對讀、資料籌組）特別有助益，因為它能促使模型顯示中間步驟，便於使用者檢視、介入與修正。

• 連網、上傳與深度研究：透過介面上的功能，使用者可啟用「網路搜尋」或上傳本地檔案，讓 AI 在特定資料上進行提問。當啟用網路搜尋或直接選擇相應功能時，系統可進入「Deep Research」（深入研究）模式。它會投入更長時間進行多來源檢索與推理，最終生成一份較為完整的報告，適合需要廣泛探索的學術任務。

2.2 特殊功能與個人化設定

除了基礎模式外，許多平台亦提供更具針對性的功能與客製化選項。

• 學習與研究模式：此模式可將系統轉化為引導式的學習助手，以師生互動的風格進行教學，適合基礎概念建構或逐步演練（如方法學入門、資料分析流程拆解）。

• 自訂 GPT（指令與知識庫）：使用者可建立自訂的 GPT，將常用任務的指令與特定知識庫封裝起來，形成可重複使用的小型系統。例如，建立一個「學術輔導 GPT」，預先存入期刊格式、審稿常見問題、倫理清單等資料。此設計有助於任務標準化與知識累積，特別適合長期研究專案。

• 專案管理：部分平台提供「專案」功能，可將特定主題的多輪對話集中管理，如「資料庫講習」或某個論文計畫，便於持續追蹤與版本化提問。

• 個人化與記憶管理：

  • 個人化設定：可調校 AI 的語氣與風格，例如要求其回應偏向學術、避免過度迎合、在不確定時明確表達「不知道」，並強化查證與嚴謹度。

  • 記憶管理：系統會累積使用者的偏好與互動記錄，這可能導致同樣的指令在不同使用者處得到相異的答案。若感覺系統長期受先前偏好影響而「繞不出既定思路」，建議進入「個人化記憶管理」功能，檢視並刪除不必要的記憶項目，避免被鎖定於資訊同溫層。

2.3 廣度型研究(Wide Research)與多代理系統

除了單一模型，市面上也出現了強調「廣度」與「代理」能力的系統。此類系統傾向於代理人式的操作，具備規劃並執行多步驟任務的能力。例如，Manus 平台（搭配其 Browser Operator 外掛）在獲得授權後，甚至可以登入指定網站代為執行檢索或篩選等任務。然而，對於多數論文輔助需求，前述的「Deep Research」與「Extending Thinking」已足以高效完成。多代理可作為進階探索的選項，但使用者需注意其涉及帳號授權的資安風險與下載行為的合規性。

2.4 專注學術的AI工具

除了通用型 AI，亦有專為學術研究設計的工具，其共同特徵是以學術性資源為主要資料來源，這使得它們即使產生「幻覺」，其引用的來源仍多為學術文章，從而提升了可查核性。

• 代表性工具：Undermind、SciSpace、Research Rabbit 等。這些工具接受簡單問題後，自主進行思考、查資料並整理報告。多數提供免費試用額度。

• 背後資料來源：這些工具主要連接大型學術出版商與索引資料庫，並整合如 OpenAlex 等開放取用資源。

• 學科適配性： 由於這些資料以理工科為大宗， 對於需要大量中文文獻的人文社會學科研究者而言，上述工具可能僅能扮演輔助角色，不宜完全依賴。使用者必須搭配在地的中文資料庫（如華藝線上圖書館 Airiti Library、臺灣博碩士論文加值系統、CNKI 等）與人工查核，以彌補資料缺口。

2.5 AI 與傳統資料庫的比較

不同的檢索管道在可解釋性、資料量與品質控制上各有利弊。 研究者可根據任務階段混合使用：前期以 AI 輔助索，中後期則以資料庫進行確證、系統性檢索與品質控管。

第三章：學術倫理、規範與內容查核

在學術領域中應用 AI，除了掌握技術操作，更重要的是遵循倫理規範並具備內容查核的能力。

3.1 學術倫理共識與揭露義務

在學術環境中使用 AI，首要原則是與指導教師或課堂教師達成明確共識。不同學科領域對 AI 的接受度存在顯著差異，因此學生不能假設某一門課的立場代表所有課程。若事先未確認而逕自使用，可能引發學術倫理爭議。

目前，許多學術期刊、學會及大學已訂定明確的 AI 使用規範。投稿時，作者常被要求提交「AI 使用宣告」，詳細說明在研究的哪個環節、使用了何種 AI 工具。通行的「三步揭露原則」規定，凡是涉及產生文字、組織論點、分析方法、文獻回顧等核心學術環節的 AI 使用，均須揭露。相對地，僅用於簡單的文法修正或用詞建議，則通常不在必要揭露之列。

具體的揭露內容應包含：

• AI 工具名稱與版本。

• AI 執行的具體工作。

• 研究者本人負責的部分。

• 對隱私敏感資料及著作權的處理方式。

由於揭露義務的存在，研究者在使用 AI 的當下就同步記錄對話串。若事後才試圖補記，往往難以提供投稿或審查時所需的佐證。這也提醒我們，如同閱讀文獻時應即時做筆記，使用 AI 也應有意識地保存與整理互動記錄。APA、MLA 等主要引用格式亦已提供 AI 生成內容的引用指引，可供參考。

3.2 虛假文獻的風險與查核

AI 生成虛構文獻是當前學術應用中最嚴重的問題之一。真正的風險高發情境，並非單純的格式整理，而是：

1. 基於模糊記憶要求 AI 生成文獻：當研究者僅憑印象要求 AI 補齊不完整的書目資訊時。

2. 要求 AI 生成支持特定觀點的文獻：在開放式指令下，AI 若找不到真實文獻，便可能「創造」出看似合理的資料。

虛假文獻的識別與六項查核方法：

• 外觀辨識：若參考文獻清單中，多篇文章的標題反覆出現結構極為相似的關鍵詞組合，即可合理懷疑為 AI 生成。

• 六項查核方法：

  1. 查核期刊是否存在：確認該期刊確實存在，且引用的年份晚於其創刊年。

  2. 查核 DOI 碼：直接點擊 DOI 連結，確認是否能導向真實的文獻頁面。AI 有時會偽造 DOI。

  3. 查核作者發表記錄：在期刊資料庫或 Google Scholar 中以作者姓名搜尋，確認其發表記錄。

  4. 查核論文系統：若引用的是學位論文，應至「臺灣博碩士論文加值系統」等國家級論文庫查驗。

  5. 善用 AI 輔助查核：將整份引用清單貼給 AI，詢問「這些引用是否像是 AI 生成的？」，AI 能辨識典型特徵並協助核查。

  6. 定期主動查核：學者可定期至論文系統的參考文獻欄位搜尋自己的姓名，檢視是否有未曾撰寫的文章以自己名義出現。

3.3 來源存在但引述內容錯誤

另一種更為隱蔽的風險是，即使 AI 提供的文獻來源真實存在，其引述的內容卻可能是錯誤或誇大的。AI 可能從其他來源找到資訊卻誤標出處，或將原文中一句平凡的話過度詮釋。

快速查核的方法是直接詢問 AI：「你引用的這段話，具體出現在來源的哪個位置？」若 AI 無法回答，或含糊其辭，通常代表該內容為虛構。此外，若來源為電子檔，可直接以關鍵詞搜尋原文，迅速定位並核對。

3.4 AI 生成內容的檢測與語言特徵

市面上有 Turnitin 等多種 AI 內容檢測工具，但目前普遍存在誤判問題，且經過人工改寫後便難以識別，因此實際效用有限。

然而，AI 生成的文字確有其可辨識的語言特徵：由於訓練資料的影響，AI 傾向使用語氣強烈、詞藻華麗的用語，且立場常過於中立，缺乏帶有個人色彩的批判性觀點。其高頻詞彙與結構模式也與真人作者不同。若要以 AI 輔助寫作，最佳實務是將其產出視為草稿，經消化、重組後，以自己的口吻與風格重新表達，而非直接複製貼上。

第四章：AI 在研究流程中的整合與實踐

4.1 圖書館 AI 資源與研究流程整合

許多大學圖書館已建置生成式 AI 使用指引網站，將 AI 的應用內嵌至研究工作流程中。其中，「研究流程整合」是核心。例如，在「方法設計」階段，研究者可採用「AI—資料庫—人工」的三段式校正流程：

1. AI 生成藍圖：使用 AI 生成初步的研究設計藍圖（研究問題、假設、變項、分析方法等）。

2. 資料庫交叉查證：以館藏資料庫查證設計的可行性，補齊在地文獻與資料可得性。

3. 人工審校定稿：用 AI 進行風險掃描（偏誤、倫理、可重現性），最後由研究者以專業判斷進行人工審校並定稿。

4.2 研究各階段的 AI 使用策略與風險防範

講座以AI虛假論文事件為鑑，探討了各研究步驟的 AI 應用策略。

1. 問題釐清與選題

   • 應用：使用 AI 進行概念圖譜繪製、關鍵詞擴展、領域地圖資源初探，快速掌握研究範圍。

   • 風險：AI 可能混淆專有名詞或過度延伸。需以標準資料庫（如學科索引、權威百科）交叉確認。

2. 文獻檢索與篩選

   • 應用：用 Deep Research 或學術型工具產生候選文獻列表，並強制要求輸出完整書目與 DOI。

   • 風險：生成虛構文獻。策略是進行「存在性驗證」，並以在地中文資料庫補齊缺口。

3. 研究設計與方法選擇

   • 應用：使用延展推理生成初步設計方案。

   • 風險：設計邏輯不一致或不可行。需以研究方法學教材與領域標準校正。

4. 寫作輔助與合規

   • 應用：AI 可協助結構化段落、語言潤飾、圖表標註初稿。

   • 風險與合規：需明確揭露 AI 的使用範圍，遵守期刊政策，並建立「AI 使用審核清單」於投稿前逐項檢查。

4.3 實作示範：從論文構想到批判性評估

講座透過具體案例，展示了兩種與 AI 互動的模式及其成效差異。

• 策略一（直接生成內容）：當直接要求 AI 扮演博士生並撰寫論文摘要時，雖然 AI 能拆解任務並生成看似完整的文本，但結果暴露出引用格式不規範、資料來源含糊、過度依賴英文資料與摘要式推論等問題。AI 擅長將有限的資訊擴寫成流暢文本，營造出其已「讀過」全文的假象，研究者需對此保持高度警惕。

• 策略二（引導批判性評估）：一種更為有效的方法，是將 AI 的角色從「寫手」轉變為「學術同儕」。研究者先提出一個初步構想，然後要求 AI 評估該主題的可行性並建議修改方向。在這種模式下，AI 為了評估主題深度，會更努力地尋找相關資料，並側重於發掘研究的原創性、理論斷層或潛在矛盾。這種互動產出的成果，對啟發思考、細化問題意識更具參考價值。

4.4 Notebook LM

Notebook LM為研究資料的組織與分析提供了新範式。其核心價值在於「結構化研究材料」與「支援反思性檢核」。

• 操作建議：不應建立一個過於龐大的 Notebook，而應先「分主題、分章節」整理資料。其目的不在於讓 AI 代替閱讀，而在於後續的章節規劃、材料分類與論證檢核。

• 論證檢核：可向系統提問：「針對目前的研究問題，現有資料是否足夠？缺乏哪些證據？」藉此辨識資料缺口。

• Add Note 功能：使用者可將「自己的筆記」作為一個來源加入，與外部文獻共同對話。如此能比對自身觀點與文獻的呼應關係，並建立個人論文的「觀點—證據」對映。

• 心智圖與段落級連結：系統提供的心智圖有助於在細讀前建立主題輪廓，其節點可直接點擊，定位至原文的具體段落，大幅提升跨文獻的索引效率。

第五章：AI 的前沿發展與未來展望

本章將探討 AI 技術的最新發展，特別是「代理」（Agent）工作流程的興起，以及這對研究者角色與工作模式所帶來的轉變。

5.1 AI 是否會取代研究者？

短期內，AI 在「檢索、組織、語言處理」等任務上表現卓越，但在「研究判斷、倫理責任、創新問題構思」等方面仍需人類主導。因此，AI 更像是一個強大的增能工具，而非研究者的替代品。研究的核心價值在於發展個人觀點與批判性思維，這正是目前 AI 難以取代的人類特質。

從「Agent for Science 2025」研討會的觀察可見，AI 生成的論文仍普遍存在幻覺、誇大結果等問題。然而，當人類在「假設生成與實驗設計」等研究前期階段投入較多時，作品品質通常顯著提升。這表明，AI 在「資料分析與論文寫作」等後段環節更適合發揮輔助作用，而前端的創新與設計仍是人類的核心價值所在。

5.2 從 NLP 到 Skills/MCP

近年 AI 發展的一大趨勢是從單純的自然語言處理（NLP）邁向具備「代理」（Agent）能力的工作流程。這意味著 AI 不再只是被動回答問題，而是能主動規劃、拆解並執行複雜任務。

• Skills (技能/流程模組)：是一種「預先定義的最佳實務知識庫」或「工作流程（workflow）」。它指示模型按照既定的標準程序完成特定任務，如生成可編輯的 PPT 簡報、撰寫結構化的文獻回顧報告等。相較於早期的指令模板，Skills 能以程式化方式驅動更複雜、品質更穩定的操作。

• MCP (開放標準協定)：這是一套讓 AI 模型能安全地連線並操作外部工作、資料庫與服務的協定。它解決了「AI 如何讀寫外部系統」的問題，擴展了模型的能力邊界。

Skills 與MCP 的協同作用：Skills 定義「如何做事」（流程與方法），而MCP 提供「做事所需的能力」（資源與工具）。二者結合，形成了一套可監督、可審核、可拓展的「可組合式研究環境」。使用者的角色也從單純的「提問者」轉變為「流程主管」，需要負責定義目標、拆解步驟、監督成效，並逐步迭代優化 Skills。

5.3 跨學科的應用與展望

AI Agent 在不同學科的適用性存在差異。綜合評估顯示：

• 最具助益：醫療與公共衛生。

• 較有助益：理工工程、商管資管。

• 應用較難：法律、歷史、人文學科。

對於身處 AI 較難介入領域的研究者，應強化自身「不可被 AI 替代」的核心能力（如田野調查、檔案解讀、深度詮釋），同時審慎地將 AI 用於輔助特定環節。例如，在人文研究中，AI 已在古文字 OCR 辨識、破損碑文重建等方面展現價值。研究者可將任務拆分為「人工作業」、「電腦可計算」與「AI 可完成」三類，進行合理分工。