以下為Plaud做的影片重點摘要，並有人工編修，未涵蓋所有影片內容，可搭配使用。

一、辨識與理解AI生成內容的特徵

1.1 何謂「AI味」？

「AI味」最初是指生成式AI在產出文本時所展現出的特定語言風格與結構模式。如果您經常與ChatGPT等大型語言模型（LLM）互動，便會對這種風格感到熟悉。其典型特徵包括：

• 固定的開頭與結尾套語：例如，「總而言之」、「值得注意的是」、「不是而是」等，這些格式化的語句有助於組織內容，但也顯得刻板。
• 偏好使用特定詞彙：AI傾向於使用某些較為正式或看似「高級」的詞彙，如 delve into（深入探討）、leverage（利用）、crucial（至關重要的）、significant（顯著的）。在過去，善用這些詞彙可能是寫作能力的體現，但如今卻可能成為判斷文章是否由AI生成的線索。
• 過於中立與平衡的語氣：AI為了避免偏頗，其論述往往顯得四平八穩，缺乏個人觀點與情感色彩。

這些特徵並非全然脫離人類的寫作習慣。AI是透過學習大量人類文本來模仿寫作的，其使用的許多模板和詞彙，在過去可能被視為優秀的寫作範例。當這些模式被高頻率且機械化地重複使用時，便形成了可被辨識的「AI味」。

除了文字風格，內容與邏輯上也會展現AI痕跡。AI生成內容時，常根據訓練數據與機率模式產出一個看似合理的大方向。表面上，文章可能結構完整、語氣流暢、條列清楚；但深入檢查時，便可能出現破綻。例如：論點沒有證據支撐、證據其實不支持該論點、資料被扭曲成另一種意思，或是文章列出「三個最重要的事情」，看似有三點，實際上三點都在講類似內容。這些涉及思考品質、論證結構與判斷能力，難以單純依靠AI自動消除，最終仍需人類自己判斷與處理。

1.2 學術寫作中的AI風格分析

一份由《經濟學人》進行的實驗，要求頂尖AI模型模仿其獨特的文風撰寫文章。結果顯示，儘管AI努力模仿，其生成文本中具有「AI味」的詞彙出現頻率依然顯著高於《經濟學人》記者親筆撰寫的文章。另一項針對語言學與腦科學領域期刊摘要的研究，比較了人類學者與AI生成的摘要，發現：

1. 領域差異：AI模仿不同學科（如語言學與腦科學）的寫作風格時，其生成的文本特徵也會不同。
2. 複雜度與深度的矛盾：AI雖然使用了學術詞彙，卻傾向於反覆使用相同的詞語，導致內容同質性高。相比之下，人類研究者為了精確表達其研究的細微之處，會選用更多元、更精準的詞彙。

在評估大學申請論文的研究中，研究者發現AI生成的文本多樣性低於人類。即使透過調整模型參數或使用「思維鏈」（Chain of Thought）指令，也仍有多樣性的差異。

更深層次的影響在於研究多樣性。一項發表於《Nature》的研究指出，雖然AI加速了研究過程，但它可能將研究焦點引導至更狹窄的科學主題。AI傾向於推薦其訓練數據中佔多數或當前熱門的領域。這種現象的好處是可能加速核心問題的解決，但其代價是犧牲了科學探索的廣度與多元性。

二、AI生成內容的查證與學術誠信

相較於「AI味」的風格問題，AI產生的錯誤資訊是更嚴重的挑戰。於是當讀者察覺一段文字可能由AI生成時，便會懷疑：「這個內容會不會有錯？」理解AI幻覺及其查核方式，是使用AI進行學術研究時不可避免的基礎能力。

2.1 AI幻覺與真實性查證的三個層次

AI一定會有幻覺，因為其生成機制本身便可能產生看似合理但實際錯誤的內容。在學術論文或課業寫作中，至少需要思考三個層次的真實性問題：

1. 第一層：資料存在性。AI給你的資料真的存在嗎？這是最基礎的查證。例如AI提供的期刊文章、書籍、報告、DOI或作者資訊，是否真的能在可靠資料庫或正式網站中找到。如果資料根本不存在，後面的論證就沒有基礎。
2. 第二層：內容支持度。即使資料存在，它真的能支持現在要講的內容嗎？有些AI提供的文獻可能確實存在，但它的研究主題、方法、結果或結論並不支持使用者想寫的論點。若作者只因為AI提供了某篇文獻就直接引用，便可能出現「文獻存在，但引用不當」的問題。
3. 第三層：論證強度。你必須清楚自己論點的強度，並判斷文獻是否支援到相應程度。也就是說，作者要知道自己正在提出的是強論斷還是弱論斷，是描述趨勢、提出可能性，還是宣稱因果關係。不同強度的論點需要不同強度的證據支撐。

這三個層次其實分別對應到不同的學術基本功。第一層涉及基本的資料查詢能力；第二與第三個層次則涉及文獻引用與論證判斷。使用AI並不能取代這些能力，相反地，越是使用AI，越需要具備這些能力來檢查AI的輸出。

2.2 虛假文獻的查證方法與AI輔助

針對AI可能捏造的虛假文獻，可以依照一定流程進行查證。第一步是確認AI給出的論文是否具有有效的DOI（Digital Object Identifier）。DOI可以理解為文章的身份識別碼，如果DOI不存在或對應到錯誤的文章，就是重要警訊。不過，並非所有文獻都有DOI碼，無法單純靠此方式驗證。接下來，可以根據資料類型到相應的正式來源查詢，例如學位論文應至論文系統，期刊文章應至期刊網站或Google Scholar，機構報告則應至該機構官網，將AI提供的題名、作者明等資訊輸入對應系統查詢確認。

這些查證方法可以由AI協助提出甚至執行。例如將一批文獻書目提供給AI，請它初步檢查哪些文獻看起來存在、哪些可能不存在。不過，這只能作為第一步。由於AI本身會幻覺，它在查證過程中仍可能出錯。此外，AI能取得的學術資源全文有限，有時會因只能看到摘要而誤判引用不當。因此，AI可以做第一輪的篩選，但後續仍必須由人類回到原始文獻與正式資料庫自行確認。

2.3 AI內容檢測

早期AI檢測工具主要基於一個核心觀察：語言模型在生成文本時，傾向於選擇統計機率最高的下一個詞。因此，早期檢測器透過分析文本的詞彙多樣性來判斷其來源。然而，這種方法很容易將結構化、公式化的人類寫作，甚至是AI訓練數據中大量存在的文本（如《聖經》）誤判為AI生成。

Pangram的檢測技術採用別種方法，不同AI模型生成的文本會在語言風格上形成獨特的「聚落」，因此可以比較一段文本的整體語言特徵，判斷其在多維空間中的位置更接近人類或是AI模型的聚落。

AI檢測最令人擔憂的風險是將人類創作誤判為AI生成，這種「偽陽性」（False Positive）結果對創作者是極大的傷害。2026年5月，美國作家協會（Authors Guild）在測試後向出版商發出提醒，強調不能僅憑檢測結果就做出懲罰性決定，必須保障作者的辯護權。Turnitin等主流工具也存在語言、文體限制，且對非母語寫作的誤判風險更高，已有多間國外大學採用後又停用。

與其在事後費力檢測，不如在生成時就主動留下標記。這正是AI開發公司正在探索的方向，即數位浮水印（Digital Watermarking）。Anthropic公司自2026年8月2日起，其AI模型Claude生成的所有內容都將嵌入一種用戶看不見的數位浮水印。這意味著，無論是完全由Claude生成或潤飾的文本，都會留下這個無法消除的痕跡。這種技術的存在僅能證明AI參與了創作過程，並不能完全否定人類的貢獻，但它傳達了一個重要信息：今天的行為可能在未來被更先進的技術重新審視。

三、AI使用的倫理規範與揭露原則

透明化的揭露不僅是學術誠信的體現，更是保護研究者自身的重要機制。

3.1 揭露原則：為何與如何揭露

無論AI生成的內容是否能被輕易辨識，核心問題在於學術誠信。審查者與讀者關心的是作者是否對其研究成果負起全部責任。因此，與其隱瞞使用，不如採取主動、透明的揭露策略。

不論是向期刊投稿或提交課堂作業，如果使用了AI工具（例如，用於潤飾語言、整理文獻、生成程式碼或草擬段落），應明確說明使用了哪個工具、用於哪個環節，以及你如何監督、驗證並最終為內容負責。一個良好的揭露聲明能向審稿人與編輯傳達正面訊息，表明作者是誠實且負責任的。

雖然揭露是通用原則，但不同學科的性質各異，其具體規定也有所側重。在各學術領域中，醫療領域因其高風險特性，倫理規範的發展最為成熟，為其他學科提供了極具價值的參考框架。根據JAMA最新指引，將AI在學術寫作中的應用大致區分四個層級：

Springer Nature的指引則提醒研究者，當利用AI進行文獻比較、模式識別或建立分析框架時，需格外謹慎。因為AI提供的分析視角可能會在潛移默化中影響甚至限制研究者的思維方向，削弱人類作者的批判性與原創性。

劍橋大學出版社也要求作者在提交書籍提案（Book Proposal）時，就必須清楚說明AI使用計畫，以保護作為學術核心的「人類原創性」（human originality）。

研究者在投稿時皆可以注意期刊的AI使用規定，就能看到不同領域對揭露的詳細說明，甚至是揭露模板。

3.2 資訊把關單位的AI應對之道

學術出版界：除了前述的AI政策，出版社（如Springer Nature）正在整合AI偵測工具到審稿流程前端，以篩查重複提交、文獻異常、文本內容及影像篡改等問題。許多出版社聯合組成的STM Integrity Hub，也共享技術與資源，共同攔截有問題的稿件。然而，學術不端行為的追蹤平台（如Retraction Watch）顯示，一篇有問題的論文從發表到撤稿可能超過一年，可能污染知識體系。

內容創作平台：諸如Medium這類的平台，為維護社群生態，已開始導入AI內容偵測與標示機制，並可能對AI生成內容降低演算法推薦或限制其盈利資格。維基百科社群向來強調可驗證性，不鼓勵使用AI撰寫條目，以防AI幻覺破壞內容的可靠性。

新聞媒體與司法領域：權威媒體機構正開發AI工具以辨別新聞事件中影像的真實性，並強調記者必須從開發初始階段就深度參與。在司法領域，AI偽造證據的風險使得證據審查難度劇增，法院也開始為司法人員提供AI素養課程以應對挑戰。

3.3 調整教學與評量模式以適應 AI 時代

由於禁止學生使用AI既不現實也未必有效，教學現場轉向調整既有的教學設計與評量方式，例如：

1.      改變題目設計：設計更需要高層次思辨、整合個人經驗或需要進行複雜情境判斷的題目。這類題目無法單靠AI回答。

2.      強調學習歷程：要求學生提交他們完成作業的歷程紀錄，例如與AI互動 的篩選與修改過程。這份「歷程紀錄」不僅能佐證學生確實投入了思考，也能促成師生討論如何更有效地使用AI。

3.      增加即時性評量：提高課堂報告、口頭詰問或現場寫作等無法使用 AI 輔助的評量比例。這種即時性的互動能更真實地反映學生的理解程度與表達能力。然而，也可能對口語表達能力較弱或性格內向的學生造成不公平。

澳洲Monash大學建立完整的AI使用指引框架，為教師與學生提供了清晰的行為準則。在教師端，設定課程時必須明確定義該課程對 AI 的使用政策，分為三種層級：禁止使用、引導使用或不限制使用。在學生端，若課程允許使用 AI，學生則必須履行「使用宣告」的義務，清楚說明在哪些環節、以何種程度使用了 AI，並附上與 AI 的互動歷程紀錄。此作法類似於學術論文中對共同作者貢獻的聲明，提前培養了學生未來進入學術界所需的學術倫理與規範。

四、AI代理的新角色與挑戰

隨著AI從「協作者」（Co-pilot）模式逐步邁向更為自主的「代理人」（AI Agent）模式，其在學術研究中的角色也發生了根本性轉變。

2025年資工領域已有研究測試讓AI扮演不同角色協作完成論文，並測試其產出能否通過人類同行的評鑑。三篇由AI完成的論文中，確實有一篇「通過」，被認為高於同期投稿的平均水準。不過也有研究指出，AI生成論文中的「文獻虛構」問題極為嚴重，在創造性與問題意識上表現不如人類，且由AI審查會忽略許多文稿錯誤。

由AI代理進行研究在不同領域可能會有不同顧慮，像是AI代理是否真的具有所有史料可自行做出正確史學解讀？由相似模型與訓練資料的AI代理扮演不同社會角色是否能真正反應真實人類社會？法律判斷更是缺乏單一最佳解，且也刻意避免快速而不透明的決策方式。

由AI主導或深度參與的研究流程也可能面臨以下風險：訓練資料中固有偏見在 AI系統中被複製甚至放大、AI刻意或無意的欺瞞導致系統性錯誤累積、AI處理隱私資料可能無法妥善保護敏感資料、AI研究的責任歸屬模糊且後果可能超出人類可處理範疇。

五、以AI養成能力

5.1 使用AI製作網頁的經驗分享

首先，以「優質資料」作為基底至關重要。與其讓 AI 從零開始，不如先提供一個或多個高品質的範例，讓 AI 理解任務的品質標準與結構要求。在此基礎上，再要求其產出「更完整、更多元」的版本。

其次，在多輪溝通中，需持續重申關鍵約束，驗證也是不可或缺的環節。當懷疑 AI 提供的資料品質不佳時，可以要求它「檢查並列出自己的檢索式與檢索過程」。此外，可利用不同的 AI 模型相互檢核，最後再由人工進行終審。最終的產出責任永遠在於使用者。

5.2 培養不可替代的專業能力

有足夠專業基礎的人，才能在使用 AI 的過程中學到更多可遷移的知識與技能。過度依賴 AI 可能導致核心能力的退化，必須刻意保留不依賴AI的能力區塊。使用者應經常自問：「如果現在沒有 AI，我還能把這件事做好嗎？」若答案是否定，該能力就應成為刻意培養的目標。同時，在與 AI 互動時，即使只是在否定或修改其產出，也應意識到我們的思路已受到其影響。

最後，要警惕「未知的未知」帶來的風險。在我們熟悉的領域，我們能給出清晰指令並判斷結果的對錯；但在我們不了解的領域，AI 若產生幻覺或錯誤，我們將無從辨別。在探索未知領域時，可以讓 AI 扮演老師的角色，但更需要加強多源比對與交叉驗證。

5.3學術AI工具與學術資料MCP設定 (詳細工具介紹請見影片內容)

學術研究對資訊的準確性與來源的可靠性有著極高要求。為此，市面上出現了專為學術研究設計的 AI 工具。這些工具與通用型 AI 的核心差異在於其內建的嚴謹性機制，像是會幫有偏見的指令轉換成雙方立場的關鍵字、提供真實的學術資料來源、設計學術寫作模板的產出。

然而，使用學術AI工具時應特別留意AI回覆內容乃依據學術文章全文或是摘要？是否涵蓋所有自己需要的資料來源？是否篩選出真正相關的資料？是否有錯誤引用？

學術AI與通用AI都會根據可取得的有限資料提出錯誤的研究缺口，其Deep Research功能產生的報告涵蓋資料內容越多，則須查驗的項目也越多。無論使用何種工具，最重要的原則是：點擊註釋，返回原文進行核實。人類學者撰寫的優質文獻綜述（Literature Review），其可信度與深度遠非當前 AI 生成的報告能比擬 (然而僅是大量資料綜整分析、較不需要人類思考介入的文獻回顧是可能被AI取代的)。

最後，透過MCP/連結器（Connector），可以將通用型AI的檢索範圍限定在學術資料如Wiley、EBSCOhost，或是Scispace、Undermind等學術搜尋AI工具(資料主要來自Semantic scholar的OA文章，現已能找到部分中日文資料，然而較少全文)，這樣一來，下達指令時，AI便會從這些可信學術來源中查找資訊。

5.4 自行建立查核AI技能(Skill)

我們先請AI搜尋他人建立的文獻查核Skill，找出設計良好的Skill並請AI歸納要點。接著就可以將一系列查核指令與規則打包成一個Skill，其內容可以包含：定義來源品質的分級標準、區分「僅有摘要」與「可存取全文」的內容、設定不同出版類型（如期刊、預印本）的檢查規則、規定搜尋工具的啟用順序與驗證邏輯。

建立完成後，每次需要查核文稿時，上傳文件並啟用該 Skill，AI 便會按照預設的標準流程執行檢查，並生成一份包含問題清單，協助作者自我把關。然而一定要注意，AI查核結果仍需自行判斷是否要採用。

5.5 自行建立自動化的文獻維基

傳統的文獻管理需要研究者手動分類與整合新舊資料，過程耗時且繁瑣。文獻維基的概念，便是利用AI代理人自動化此流程，建立一個動態的、能自我組織的知識庫。

講習只介紹整理雲端資料夾，不讓AI存取本機檔案。首先在雲端硬碟中建立初步的文獻分類資料夾，並向 AI 明確定義其操作權限：設定部分核心資料夾為「唯讀區域」，指定一個「待讀」資料夾作為新文獻入口，並設立一個「輸出」資料夾供 AI 創建與修改文件。

設定完成後，AI 的工作流程如下：

1.      從「待讀」資料夾讀取新文獻。

2.      參考「唯讀區域」的既有知識架構。

3.      在「輸出」資料夾中生成或更新一份以概念為核心的組織性文件（即文獻維基）。

這份維基文件會超越原有的檔案夾分類，將不同文章圍繞共同主題進行重組。AI也可協助辨識文獻庫中存在的知識缺口與建議資料查詢方向。(自行篩選資料品質，只根據與自己主題相關且優質的資料來建立Wiki，效果會更好)

4.6專案管理與資訊自動追蹤

許多 AI 平台提供「專案」功能，允許使用者為特定研究任務建立一個獨立的工作環境。在此專案內，可以設定專屬的指令與隔離的記憶，確保 AI 的互動不受其他無關查詢的「污染」，並能設定研究專案的專屬指令。

此外，利用 AI 的「排程」功能，可以將一次性指令轉換為週期性的自動化任務。讓AI定期蒐集特定主題新聞或研究，根據使用者的研究背景及任務推薦優先閱讀資料。