前言：當學術誠信（AI）遇上人工智慧（AI）

在學術研究的領域中，學術誠信（Academic Integrity），其英文縮寫恰好也是「AI」，是所有研究活動的基石。隨著生成式人工智慧（Artificial Intelligence）—另一種「AI」—的迅速崛起與普及，這兩個「AI」的交會，為學術界帶來了前所未有的機遇與挑戰。我們不禁要問：這兩者之間是合作還是競爭？我們能否讓它們和平共存，在不產生衝突的前提下，提升研究的效率與品質？

本講座旨在深入探討生成式AI在學術研究脈絡中的定位、風險與實務應用。我們將以三色燈號（綠燈、黃燈、紅燈）作為行為分級框架，指導研究者自我評估與約束，辨識需要高度注意的風險與邊界，確保在享受AI帶來便利的同時，堅守學術倫理的底線。

講座內容創作於2026年5月8日，反映了當時的技術現狀與學術界的普遍共識。

一、治理視角下的AI定位與學術倫理框架

自2022年底生成式AI（如ChatGPT）普及以來，學術社群對其在研究中的應用既感興奮又存疑慮。然而，臺灣的權責單位，如國科會與教育部，現階段並未針對AI專門修訂學術倫理規範。這並非怠慢，而是一種審慎的治理策略。

其主要考量在於：

1. AI的工具本質：在研究脈絡中，生成式AI本質上是一種「更厲害的研究工具」，其功能雖遠超過去的論文檢索、書目管理或翻譯軟體，但其「工具」屬性並未改變。因此，現行的學術倫理規範在原則上依然適用。

2. 立法與技術的時間差：制定或新增違規樣態的立法與行政程序極為耗時，可能「一年起跳」。然而，AI技術的迭代速度極快。若當下啟動修法，一年後的新規範是否仍適用，存在高度不確定性。

因此，現階段的治理策略是以「現行學術倫理規範」為主體，檢視生成式AI作為研究工具時可能引發的灰色地帶與紅線風險，並在既有框架下落實學術誠信教育與實踐。本講座的核心內容，即圍繞此一框架展開。

二、AI應用的三色燈號分級：綠燈、黃燈與紅燈區

為了在實務中提供清晰的行為指引，我們將研究中使用AI的行為風險劃分為「綠燈」、「黃燈」與「紅燈」三個區域。此分級旨在幫助研究者自我評估，避免行為從可容許的輔助，滑向不當依賴乃至明確違規。

• 綠燈區：在學術倫理框架下屬於可接受的常規使用。

• 黃燈區：具有潛在風險，若使用頻率、範圍或強度升高，可能逐步跨越學術倫理紅線。

• 紅燈區：涉及明確的學術不端行為（如造假、變造、抄襲）。

2.1 綠燈區：安全且受鼓勵的AI應用場景

在學術研究的脈絡下，「綠燈區」指的是那些經普遍認可、符合學術倫理規範的AI應用行為。在這些場景中，AI扮演輔助角色，協助研究者提升效率，而非取代其核心思考。

2.1.1 研究初期與寫作輔助

在研究流程中，生成式AI可在多個環節作為有效的輔助工具，常見用途包括：

• 初步構思：探索研究方向、問題意識與分析途徑。

• 計畫書撰寫：草擬學位論文計畫書或國科會計畫的前言與初步架構。

• 文獻探討：協助整理既有研究、進行摘要化與跨文獻的初步連結。

• 語言與文字工作：進行語言潤飾、文法修正、風格優化及中英互譯。這類應用與尋求真人編輯（human editor）或專業翻譯服務的作法本質相同，只是工具不同。

• 引用文獻格式管理：輔助整理引用格式。

然而，要讓以上應用維持在「綠燈」狀態，必須滿足一個絕對前提：研究者需對所有AI生成的內容進行徹底的資訊驗證（fact-checking）。這包括確實查核內容的精確性、確實查核並正確引用資料來源、以及確實查核生成內容的可驗證性。缺乏查核，看似合宜的使用便會立刻滑入黃燈乃至紅燈區。

2.1.2 研究成果的知識傳播與推廣

學術研究的影響力，已不再僅限於期刊發表。在社群媒體時代，有效地行銷與推廣研究成果至關重要。AI在此能扮演強大的輔助角色，為不同平台（如Facebook、X、LinkedIn）量身打造風格各異的宣傳文案，促進知識的有效傳播。這類應用旨在擴大學術影響力，亦屬安全的綠燈區範疇。

2.2 黃燈區：需謹慎對待的潛在風險行為

「黃燈區」指的是那些界線模糊、遊走於灰色地帶的AI應用行為。這些行為本身不一定構成學術不端，但若操作不當或缺乏警覺，極易滑向紅燈區。

黃燈區的核心問題在於研究者放棄了資訊驗證的責任，並對AI產生過度依賴。具體行為包括：

• 未經查證即引用：將未註明來源或未經驗證的AI生成文字直接納入正式文稿，可能構成無意圖的抄襲（unintentional plagiarism）。

• 取代人類思考：將研究的核心分析、論證建構等任務完全交給AI，自己僅做簡單的拼湊，導致研究者的貢獻與責任不清。

• 忽略偏見與錯誤：AI的訓練資料包含大量網路資訊，可能重現其中的偏見、過時或錯誤內容。若研究者未加辨識便採用，會將這些謬誤引入自己的研究中，構成研究過程中的**「瑕疵」（flaw）**。

• 資料詮釋不當：AI有時會「一本正經地胡說八道」，創造出看似專業但實則不存在的術語，或對專業概念做出錯誤解釋。

黃燈的本質在於「逐步偏移」，即從合理輔助走向不當依賴。研究者需時刻保持批判性評估的角色，自覺監控自己的使用軌跡，避免跨越紅線。

2.3 紅燈區：明確的學術不端行為

「紅燈區」指的是明確違反學術倫理的行為，主要包括抄襲（Plagiarism）、造假（Fabrication）與變造（Falsification）。雖然這些行為在學術社群中屬少數，但生成式AI的出現，可能使其樣態與偵測難度發生改變。

• 抄襲：講者推測，由於AI在語言潤飾與重寫（paraphrasing）方面的強大能力，過去因非母語寫作困難而導致的「拼貼式抄襲」動機可能下降，因此抄襲案例或可減少。然而，這僅為觀察性推測。

• 造假與變造：這兩類行為在AI時代面臨更嚴峻的挑戰。AI不僅能生成高度逼真的偽造數據與影像，還能輕易地在多張影像間製造高度相似卻非完全相同的變體。這使得傳統基於肉眼或簡單比對的偵測方法愈發困難，其**「隱蔽性與偵測難度」**因AI而顯著提升。

因此，即使紅燈行為的發生率不高，其對學術誠信的潛在破壞力卻因AI而加劇，對學術社群的審查與查核機制提出了新的挑戰。

三、學術倫理的三大支柱與AI的限制

要深入理解AI在學術研究中的倫理邊界，我們必須回歸學術倫理的三個核心支柱：原創性（Originality）、可責性（Accountability）與透明度（Transparency）。目前的AI工具在這三項上均存在本質限制，這也解釋了為何研究者的角色依然不可替代。

3.1 原創性：AI無法取代人類的學術創新

生成式AI的運作基礎是對既有資料的學習與重組，其生成內容雖在形式上「新」，但要達到真正的學術創新，仍需仰賴人類研究者的專業判斷、方法學設計與理論整合。AI可以輔助表達或組合既有概念，但無法自行提出具高度原創性的理論突破或方法創設。因此，研究創新的核心驅動力，仍依賴人類智慧。

3.2 可責性：為何AI不能成為作者

全球多數學術出版商與倫理規範已達成共識：AI工具不能作為論文作者。其根本原因在於AI無法滿足作者資格的兩大要件：

1. 實質貢獻：作者必須對研究有實質性的智力貢獻。

2. 可責性：作者必須能對其作品負起完全責任，包括接受榮譽、在發現錯誤時執行修正或撤稿，並能對研究全程進行說明與答辯。

AI作為一種工具，不具備法律或倫理上的主體責任，無法在研究出錯時被追究或代為承擔後果。最終的責任必然由使用它的真人作者承擔。這也是AI作者資格被一致否定的根本理由。

3.3 透明度：揭露是負責任使用的關鍵

學術研究要求對資料來源、研究方法與分析過程保持高透明度。AI的運作機制常被形容為「黑盒子」，其生成內容的過程與依據往往難以追溯。若研究者直接使用AI產出而不加以校核、揭露，便會形成「黑箱式」的研究，違背學術倫理的基本要求。

因此，當研究者使用AI進行資料分析或內容生成時，必須主動補足其透明度的缺失。具體的做法包括：

• 揭露（Disclose）：在論文的適當章節（如方法或致謝），明確說明使用了何種AI工具、版本，以及其在研究中扮演的角色。

• 查核與引用：回到原始文獻，校核AI生成內容的正確性，並確保所有引用皆有真實、可追溯的來源。

• 保留互動紀錄：完整保留與AI的互動歷程（prompts and outputs），這不僅有助於追溯資訊，更能在成果遭受質疑時，成為證明研究者已盡查證義務的重要證據。

講者主張，在期刊或機構沒有明確規範的情況下，採取**「凡有使用，皆需揭露」**的原則是最為穩妥的做法。秉持高度透明度，不僅能避免倫理爭議，更能展現作者對研究過程負責的態度。

四、AI時代的學術不端案例分析與警示

理論的探討需要真實案例的印證。以下透過近期發生的數個典型案例，具體說明不當使用AI所引發的嚴重後果，以及辨識這些問題的實務方法。

4.1 虛構文獻：AI最常見的「幻覺」陷阱

虛構文獻（fabricated references）是目前AI輔助研究中最顯著的風險之一。AI可能基於其訓練模式，憑空捏造格式完整但並不存在的學術引文。

• 案例與後果：近年國內外已出現多起已發表的期刊論文或學位論文，被發現引用了多筆虛構文獻。期刊在調查後，會根據錯誤引文對研究的實質影響來決定處置。若僅影響前言的文獻堆砌，通常要求更正（correction）；若錯誤已滲透到研究方法與結論，動搖研究根基，則可能導致撤稿（retraction）。對於學位論文，此類錯誤將嚴重影響個人學術聲譽，甚至可能需重寫論文。

• 防範策略：唯一的防範之道，就是對AI提供的每一筆引文逐一檢查其真實性。研究者應將AI提供的書目視為「線索」，並利用圖書館資料庫、Google Scholar或直接檢索DOI，回到原文進行確認。花費少量時間進行系統性檢核，可以大幅降低陷入學術倫理困境的風險。

4.2 圖像的造假與變造：更隱蔽、更難偵測

AI技術讓圖像的偽造變得前所未有的容易且逼真，這對生醫等高度依賴視覺證據的領域構成巨大威脅。

• 案例一：造假（Fabrication）：2024年初，一篇論文因附上一張風格極其卡通化、色彩繽紛的小鼠圖片而引發譁然。該圖像明顯由AI生成，與真實實驗影像相去甚遠，屬於無中生有的「造假」。由於圖像的荒謬性，該論文在發表後數日內便被迅速撤稿。

• 案例二：變造（Falsification）：2026年4月，另一篇論文的附圖看似真實，但圖中的比例尺（scale bar）卻顯得異常乾淨、線條完美，不合常理。學界普遍認為該比例尺由AI後製添加。此行為屬於對真實圖像的「變造」，因為一個憑空生成的比例尺，其準確性無法保證，會直接嚴重影響研究結果的可靠性與可再現性。該論文最終也遭撤稿。

4.3 其他不當使用的典型錯誤

• 案例三：不當改寫導致不合體例：某團隊為規避查重，將一篇現成的乳癌研究交由AI「全面改寫」。AI將通用的核心術語「breast cancer」改寫為非典型的「malignancy」，導致全文在語言使用上嚴重背離醫學領域的寫作慣例。審查者察覺異樣後啟動調查，最終作者承認抄襲與不當使用AI，論文遭撤稿。

• 案例四：未清理AI提示語：有作者將AI生成內容連同其前後的提示性語句（如「以下是為您生成的摘要...」）原封不動地貼入論文，暴露了其過度依賴且未經基本編修的草率行為，最終亦導致撤稿。

• 案例五：基本事實錯誤：一篇宣稱研究攝護腺癌（prostate cancer）的論文，其受試者統計竟包含女性。這個自相矛盾的低級錯誤，揭示了從作者、同儕審查到期刊編輯的全面失守。

這些案例共同指向一個核心：無論工具如何演進，研究者作為最終把關者的責任絲毫未減。

五、教學與制度層面的應對策略

面對AI帶來的挑戰，學術機構與教育者不能僅靠圍堵，而應採取更積極的引導與規範策略。

5.1 對學生的教育與指引

教師應在課程中明確教導學生如何負責任地使用AI。資源中心已為此製作了多元教材，包括：

• 「生成式AI工具應用在學術與研究的六個關鍵」海報：建議張貼於學生工作區，作為時時提醒的行為準則。

• 「AI寫作」電子書與寫作指南：可作為自學或課堂教材，詳細說明AI輔助寫作的倫理注意事項。

• 抄襲與自我抄襲問答集：雖成書較早，但其中關於合規改寫、研討會與學位論文內容重疊等議題的討論，在AI時代依然具有參考價值。

核心的教學策略應圍繞在：要求學生進行引文查證、明確揭露AI使用、避免將敏感或未公開資料上傳至第三方AI工具，並在評量中納入對這些倫理實踐的考核。

5.2 對非母語作者的挑戰與AI偵測器的侷限

目前，市面上出現了多種AI內容偵測器（如Turnitin的AI偵測功能），部分期刊甚至以此作為拒稿依據。然而，這些偵測器的準確性與公平性備受爭議。

其主要侷限性包括：

1. 對非母語寫作者的偏見：非英語母語者的寫作風格可能因用詞或句式較為固定，而被演算法**誤判（False Positives）**為AI生成，對本已處於學術弱勢的群體極為不利。

2. 技術原理不透明且滯後：偵測器的演算法多不公開，且其開發速度往往跟不上AI模型的迭代，難以有效識別最新模型的產出。

3. 對人機協作文本無力：當文本經過人類修改潤飾後，偵測器的準確率會顯著下降。

鑑於以上限制，許多學術機構建議不應過度依賴自動化工具的判斷。更有效的方法是結合人類專家的評估，並回歸到要求研究者保留與AI的互動紀錄，以供查驗其使用方式是否合規。

5.3 制度規範與法律框架

在政府層面，行政院已明確規定，涉及保密研究資料、公務文書、個人資料等內容，不應上傳至第三方AI工具，以防範資料外洩風險。而新頒布的人工智慧基本法，其原則雖適用於學術情境，但性質上更偏向「重申」與「提醒」，強調在既有的學術倫理規範、個資法、人體研究法等框架下，落實合規、透明與責任。

研究者在投稿前，務必查閱目標期刊或出版社的最新AI相關出版倫理規範，確認其允許範圍、揭露形式與欄位，並在投稿系統中如實填答，這是確保合規的最後一道防線。

結語：以人類智慧駕馭AI，回歸學術誠信的本質

總結而言，生成式AI作為一種功能強大的研究工具，能夠顯著提升研究的效率與品質，但它不應也無法改變「學術誠信」的基本規範。在技術快速演進的當下，我們應以現行學術倫理規範為基礎，審慎面對AI帶來的灰色地帶與紅線。

AI本身是中性的，其價值與風險最終取決於使用者的意圖與方法。應對AI挑戰的根本之道，在於研究者自身學術倫理素養的建立。最終，學術研究的品質與誠信，取決於研究者自身的嚴謹態度、批判性思維與倫理操守。AI只是工具，使用者必須善用其長處，並以人類智慧補足其在原創性、可責性與透明度上的先天不足，為自己的研究成果負起全部責任。