AI 時代的新興學術倫理議題與真實案例

重點

簡報檔連結

電子資源補充包
知識點摘要

1. 學術倫理與AI工具的關係
將生成式AI視為一種更強大的新型研究工具，而非全新的科技。
因修法週期跟不上AI的迭代速度，目前教育部、國科會等機構暫不為其特別修訂學術倫理規範，而是利用現行規範來檢視AI使用中的倫理界線。

2. AI在學術研究中的三大限制
原創性 (Originality): 生成式AI基於現有知識進行模仿，難以獨立生成具高度創新性的學術觀點。
課責性 (Accountability): AI無法為其生成的內容負責。若研究成果出錯，最終承擔責任的仍是人類研究者。因此，AI不能被列為論文作者，這已是全球學術出版界的共識。
透明度 (Transparency): AI的生成過程如同「黑盒子」，不符合學術研究要求來源與方法需可追溯的原則。

3. 使用AI的倫理光譜
綠燈區 (安全區): 在確保內容準確的前提下，研究者可放心使用AI輔助研究的初始或輔助階段。例如，在研究初期進行主題構思、撰寫計畫書、文獻回顧；或在寫作中進行語言潤飾、翻譯；或在研究發表後進行知識傳播，為不同社群平台撰寫宣傳文案。這些行為能有效提升研究效率。
黃燈區 (警示區): 這是多數研究者最需留意的灰色地帶。當AI未提供資料來源時直接採用，可能構成「抄襲」；過度依賴AI取代批判性思考，或未經驗證就使用AI生成的偏頗、錯誤內容，都會嚴重影響研究的嚴謹性。這些行為雖不直接等同於學術不端，但已瀕臨紅線。
紅燈區 (禁止區): 明確違反學術倫理的「造假」（Fabrication）與「變造」（Falsification）。造假是「無中生有」，即創造完全不存在的數據或影像。例如，使用AI生成一張生理結構不符常規的老鼠圖片並放入論文。變造是「真假參半」，指對真實存在的研究數據或影像進行不當修改。例如，在一張真實的實驗照片上，用AI後製添加一把過於完美的比例尺。AI工具讓這類行為更難被肉眼或傳統軟體識破，期刊一旦發現，通常會迅速撤稿。

4. 資訊驗證的絕對重要性: 這是安全使用AI最關鍵的原則。
資訊驗證是區分AI使用行為屬於哪個燈區的關鍵，也是安全使用AI的核心原則。由於AI時常會「一本正經地胡說八道」，可能基於不可靠的網路資料或自身限制，生成錯誤、過時或完全虛構的內容（如「虛假文獻」或稱為「摘要幻覺」）。
使用者必須承擔最終的驗證責任，對AI生成的每一筆資訊、每一篇參考文獻，都需親自核對其正確性、時效性與真實性，並確保AI的詮釋未曲解原文。建議優先選擇會提供資料來源的AI工具，以便進行核對。花時間做資訊驗證，是避免違反學術倫理、保障學術生涯最有效益的做法。

5. 不當使用AI的真實案例
怪異用詞: 作者讓AI改寫他人論文，AI將通用的"breast cancer"替換成罕見的病理學術語"breast malignancy"，不自然的寫作風格引發懷疑。
保留AI提示語: 作者直接複製貼上AI生成的內容，未刪除如"Certainly, here is..."等AI提示性語句。
數據矛盾: 一篇攝護腺癌研究的受試者資料中，竟包含了27名女性，這在生物學上是不可能的，顯示數據是AI胡亂生成且未經審查。
虛構文獻: 國內外已出現多起因引用AI生成的「虛構文獻」而導致論文被要求修正，甚至學位論文被要求重寫的事件。
[圖書館補充]: 使用AI查找資料時，很可能會找到這類AI產生的撤稿文獻(出版社資料庫會註記撤稿資訊，然而作者可能已上傳文檔在網路上、可被AI找到)，這也是大家使用AI找資料時要特別留意的，要更能自己留意資料品質並知道如何去驗證(像是回到出版社資料庫查詢篇名來確認是否已被撤稿)。

6. AI使用規範與揭露原則
作者資格: AI因無法負責，絕不可被列為作者。
揭露原則與期刊規範: 投稿前，作者有責任查閱目標期刊最新的AI使用規範。若僅用於語言潤飾等低強度輔助，通常不需揭露；若用於產生實質內容或數據分析等高強度用途，則必須在論文的適當章節（如方法或謝辭）中明確揭露。部分期刊已啟用AI寫作檢測工具並設定內容比例上限，若AI生成比例過高可能直接被拒稿，非英語母語作者需特別注意此趨勢。
同儕審查: 國際學術界共識是「絕對禁止」使用AI輔助同儕審查，因為將未發表的稿件上傳至AI系統，嚴重違反了保密原則。許多期刊審查系統會要求審查者明確確認未使用AI。
在研究方法中使用AI（如錄音、逐字稿分析），是否需告知受試者，取決於研究設計、領域慣例及倫理審查委員會的要求。行政院等政府機關也已頒布指導原則，禁止將任何涉及保密、敏感或個人資料的內容上傳至AI平台。

7. 圖書館補充：AI內容偵測工具的限制
目前的AI內容偵測工具存在誤判風險，尤其對非英語母語使用者可能不公，且其原理不透明，也難以跟上AI模型的發展速度，已有多間國外名校停用。研究顯示，熟悉領域的專家在判斷AI生成內容方面，準確率可能高於自動化工具。專家對於資料掌握度更高，會更想也更容易查證。現在更推薦的做法是重新設計作業與評量形式，並保留作業流程紀錄，了解學生如何善用AI而非過度依賴AI。