AI輔助寫作正在讓參考文獻(xiàn)管理從“查找—閱讀—引用”的線性過程，變成一種高度依賴生成式工具的新流程。這帶來的效率提升是真實的：AI可以快速整理想法、建議檢索方向、生成符合格式規(guī)范的文獻(xiàn)條目。但當(dāng)大型語言模型被要求提供具體參考文獻(xiàn)時，它有時會生成看似結(jié)構(gòu)完整、作者與期刊名稱合理、DOI編號齊全，卻在實際數(shù)據(jù)庫中并不存在的條目。這類現(xiàn)象通常被稱為引文幻覺或幻覺引用。問題的嚴(yán)重性并不僅停留在學(xué)生作業(yè)層面。根據(jù)The Lancet發(fā)表的一項綜述研究，在其核查的9710萬條已發(fā)表生物醫(yī)學(xué)論文的參考文獻(xiàn)中，約4046條被判定為疑似偽造，且偽造發(fā)生率在2023年至2025年間呈現(xiàn)出12倍的上升趨勢。這項數(shù)據(jù)提示，虛假引文已經(jīng)不只是個別AI使用不當(dāng)?shù)暮蠊钦谙蛞寻l(fā)表文獻(xiàn)滲透的系統(tǒng)性風(fēng)險。

對于正在撰寫論文的高校學(xué)生和研究生而言，這意味著一個直接的行動要求：不能默認(rèn)AI給出的文獻(xiàn)是真實存在的，也不能因為條目格式完整就放棄核驗。本文從AI產(chǎn)生幻覺引文的典型場景出發(fā)，梳理識別信號、核驗步驟與工具選擇，并給出過程留痕的建議，幫助讀者在借用AI效率的同時守住學(xué)術(shù)誠信的底線。

AI幻覺引文的典型場景與生成機(jī)制

大型語言模型在文獻(xiàn)生成上的錯誤并非簡單的搜索失敗，而是源于其底層工作機(jī)制。模型的核心任務(wù)是生成與上下文在統(tǒng)計上最吻合的文本序列，而不是從權(quán)威數(shù)據(jù)庫中檢索并確認(rèn)某一文獻(xiàn)是否真實存在。當(dāng)模型被要求“列出相關(guān)參考文獻(xiàn)”時，它會根據(jù)訓(xùn)練語料中常見的標(biāo)題結(jié)構(gòu)、作者姓名組合、期刊命名習(xí)慣和出版年份模式，合成出高度逼真的條目。正因如此，幻覺引文通常具有一個共同特征：單獨(dú)看條目本身幾乎挑不出格式錯誤，但一旦放入數(shù)據(jù)庫檢索，便無法命中。

有研究團(tuán)隊在頂級機(jī)器學(xué)習(xí)會議如NeurIPS和ICLR的已接收論文中同樣發(fā)現(xiàn)了AI幻覺引文的存在。這說明即使是學(xué)術(shù)訓(xùn)練較充分的作者，也可能在快速寫作或后期補(bǔ)文獻(xiàn)階段，未能識別出AI生成的虛假條目。這類引文往往混入真實文獻(xiàn)之間，依靠人工瀏覽參考文獻(xiàn)列表很難被一眼識別。真正有效的判斷，只能來自系統(tǒng)性的核驗流程，而非對條目表面的格式檢查。

識別虛假參考文獻(xiàn)的常見信號

在進(jìn)入數(shù)據(jù)庫核驗之前，先對AI生成的文獻(xiàn)列表做一輪人工排查，可以過濾掉最明顯的異常條目。以下信號值得特別注意：

作者與期刊信息不匹配。 幻覺引文經(jīng)常把某位真實學(xué)者的名字與錯誤的機(jī)構(gòu)或期刊組合在一起。例如一篇聲稱發(fā)表于某知名期刊的文章，其作者實際研究領(lǐng)域與該期刊的發(fā)表范圍明顯不符。遇到這種情況，即使條目本身格式正確，也應(yīng)當(dāng)標(biāo)記待核驗。

期刊名稱、卷號與頁碼之間存在矛盾。 AI生成的文獻(xiàn)條目可能出現(xiàn)期刊存在、卷號存在，但頁碼范圍與該卷實際出版內(nèi)容不吻合的情況。更隱蔽的情況是，期刊名稱本身是真實存在的，但已經(jīng)被更名或停刊，而AI給出的條目仍在使用舊稱或已廢棄的編號規(guī)則。

DOI編號格式正確但無法解析。 幻覺引文有時會附帶看似合規(guī)的DOI，但當(dāng)在DOI解析系統(tǒng)或Crossref中查詢時，該編號并不存在，或指向完全不相干的另一篇文章。DOI的存在感會讓人產(chǎn)生可信的錯覺，因此它恰恰是需要重點(diǎn)核驗的對象。

過度“完美”的標(biāo)題與主題匹配。 AI傾向于生成與研究主題高度吻合、標(biāo)題措辭異常貼合的文獻(xiàn)條目。真實的文獻(xiàn)檢索結(jié)果通常帶有一定的不規(guī)則性，標(biāo)題表述方式多樣，研究角度未必與用戶的問題完全一致。如果AI給出的每一條文獻(xiàn)都像是為當(dāng)前論文量身定做的，這本身就是一個提示信號。

核驗流程：以原始數(shù)據(jù)庫為準(zhǔn)

識別信號只能幫助建立懷疑，核驗的最終依據(jù)必須來自原始學(xué)術(shù)數(shù)據(jù)庫和官方來源。基本原則是：AI輸出或AI自帶的鏈接均不能作為文獻(xiàn)真實性的證明，必須回到可獨(dú)立查詢的權(quán)威平臺進(jìn)行確認(rèn)。

第一步：逐條提取關(guān)鍵字段

對每一條待核驗的參考文獻(xiàn)，提取出以下字段：作者全名、文章標(biāo)題、期刊或出版機(jī)構(gòu)名稱、出版年份、卷號、期號、頁碼、DOI或ISBN。字段越完整，核驗所需判斷的信息量越大，但也要注意，幻覺引文往往在字段完整性上做得很好，因此字段齊全本身不構(gòu)成可信度證明。

第二步：在權(quán)威數(shù)據(jù)庫中執(zhí)行檢索

優(yōu)先使用的核驗入口包括Crossref、PubMed、Semantic Scholar和OpenAlex等學(xué)術(shù)數(shù)據(jù)庫。Crossref適合核驗DOI和基本的書目元數(shù)據(jù)，PubMed適用于生物醫(yī)學(xué)與生命科學(xué)領(lǐng)域，Semantic Scholar和OpenAlex則可以覆蓋更廣泛的學(xué)科范圍。核驗時的操作不是把AI給出的條目原樣粘貼，而是使用提取出的標(biāo)題關(guān)鍵詞加第一作者的姓進(jìn)行檢索，查看是否能在數(shù)據(jù)庫中命中一條真實存在的記錄。

這一步中可能出現(xiàn)三種結(jié)果。第一，條目完全找不到對應(yīng)記錄，這基本可以判定為幻覺引文。第二，找到了標(biāo)題近似的真實文獻(xiàn)，但作者、期刊或出版年份與AI給出的版本存在差異，這說明AI可能在真實文獻(xiàn)基礎(chǔ)上進(jìn)行了錯誤的重組。第三，條目能夠完整匹配，則該文獻(xiàn)可保留，但仍需進(jìn)一步確認(rèn)其內(nèi)容是否確實支持論文中的論述。

第三步：優(yōu)先使用多源交叉驗證

單個數(shù)據(jù)庫可能存在收錄范圍有限、索引延遲或元數(shù)據(jù)錯誤的情況。對于重要程度較高的引用，尤其是作為論文核心論據(jù)支撐的文獻(xiàn)，建議至少在兩個獨(dú)立數(shù)據(jù)庫中確認(rèn)。當(dāng)前已經(jīng)有一些專門的引文核驗工具嘗試自動化完成這一過程，例如開源工具CheckIfExist通過對CrossRef、Semantic Scholar和OpenAlex進(jìn)行多源驗證，為用戶提供即時反饋。這類工具的價值在于，它把“逐條人工檢索”的負(fù)擔(dān)部分自動化，但核驗結(jié)果仍然依賴于底層數(shù)據(jù)庫的覆蓋質(zhì)量，不能替代人工對文獻(xiàn)內(nèi)容相關(guān)性的最終判斷。

需要警惕的是，部分商業(yè)化的引文核驗服務(wù)在免費(fèi)層級設(shè)置了每日或每月的驗證次數(shù)限制。在日常寫作中，如果過度依賴某一種工具，可能在關(guān)鍵時刻遇到驗證額度不足的困境。更穩(wěn)妥的做法是學(xué)會直接使用基礎(chǔ)數(shù)據(jù)庫的檢索功能，把專用工具作為輔助而非唯一依賴。

可信來源優(yōu)先：核驗之后再引用

核驗流程解決的是“文獻(xiàn)是否存在”的問題，而引用質(zhì)量還需要回答“文獻(xiàn)是否可信”以及“是否真的支持當(dāng)前論述”。這兩個問題同樣影響學(xué)術(shù)誠信的完整實現(xiàn)。

優(yōu)先選擇可追溯的原始出處。 如果AI摘要中提到某項研究發(fā)現(xiàn)，但未給出可核驗的原始文獻(xiàn)，應(yīng)回到文獻(xiàn)檢索階段，查找最初發(fā)表該項研究的一手文獻(xiàn)。直接引用AI的轉(zhuǎn)述而不追溯到原始來源，既增加了引用錯誤的風(fēng)險，也削弱了論文論證的可靠性。官方統(tǒng)計資料、政府報告、權(quán)威機(jī)構(gòu)發(fā)布的規(guī)范文件，同樣應(yīng)當(dāng)通過其官方發(fā)布平臺確認(rèn)最新版本，而不是依賴AI的記憶輸出。

核對文獻(xiàn)內(nèi)容與實際引用位置的一致性。 一條真實存在的文獻(xiàn)，也可能被安排在并不合適的位置。核驗完成后，仍需要回到論文正文，檢查該文獻(xiàn)是否真的支撐當(dāng)前的論點(diǎn)，引述內(nèi)容是否與原文表述一致。AI輔助整理文獻(xiàn)時常犯的錯誤，是把真實文獻(xiàn)與錯誤的論點(diǎn)配對，形成“出處真實、支撐錯誤”的隱性引用問題。這類問題不容易被查重系統(tǒng)識別，卻直接影響論文的學(xué)術(shù)質(zhì)量。

過程留痕：讓核驗可追溯

學(xué)術(shù)規(guī)范不僅要求最終結(jié)果正確，也要求研究過程可追溯。在使用AI輔助檢索和引用管理時，保留核驗記錄尤其重要。因為當(dāng)審稿人、導(dǎo)師或?qū)W術(shù)誠信委員會對某一文獻(xiàn)提出質(zhì)疑時，能夠展示“該文獻(xiàn)經(jīng)XX數(shù)據(jù)庫于XX日期核驗通過”的記錄，是證明作者盡到合理審查義務(wù)的關(guān)鍵材料。

具體操作可以從三個方面入手。第一，建立一份文獻(xiàn)核驗表，至少包含文獻(xiàn)條目、核驗數(shù)據(jù)庫、核驗日期、命中狀態(tài)和最終處理決定。對于未通過核驗或信息不一致的條目，簡要記錄處理方式，如刪除、替換或修正。第二，保存核驗過程中的關(guān)鍵截圖，尤其是數(shù)據(jù)庫檢索結(jié)果頁面。截圖應(yīng)包含檢索詞和命中記錄，以便事后追溯。第三，如果使用AI工具生成過文獻(xiàn)建議或答案，保留當(dāng)時的提示詞與輸出內(nèi)容。當(dāng)日后出現(xiàn)引用爭議時，這些記錄可以幫助厘清哪些內(nèi)容是AI生成、哪些經(jīng)過了人工核驗。

留痕的意義不在于制造繁重的行政負(fù)擔(dān)，而在于改變引用管理的默認(rèn)狀態(tài)：從“相信AI的可靠性”切換為“隨時準(zhǔn)備證明自己的文獻(xiàn)來源經(jīng)得起檢驗”。這種習(xí)慣的建立，本身就是學(xué)術(shù)誠信建設(shè)的一部分。

把AI定位為輔助而非權(quán)威

回到問題的起點(diǎn)：AI工具在文獻(xiàn)檢索和引用管理中并非沒有價值，關(guān)鍵在于使用者如何劃定它的角色邊界。AI擅長的是基于已有材料的整理、歸納、格式轉(zhuǎn)換和思路發(fā)散，但它不具備檢索權(quán)威數(shù)據(jù)庫并確認(rèn)文獻(xiàn)真實性的可靠能力。把AI輸出的文獻(xiàn)條目視為“待核驗的候選清單”，而不是“可以直接納入?yún)⒖嘉墨I(xiàn)列表的最終結(jié)果”，是避免幻覺引文進(jìn)入論文的第一道防線。

對于高校學(xué)生和研究生來說，最有效的保護(hù)不是拒絕使用AI，而是建立起一套不依賴AI自我聲明的核驗習(xí)慣。每一條進(jìn)入論文的參考文獻(xiàn)，都應(yīng)能在原始數(shù)據(jù)庫中獨(dú)立確認(rèn)其存在；每一個關(guān)鍵論據(jù)，都應(yīng)能追溯到真實且可獲得的原始來源；每一次由AI參與的文獻(xiàn)整理，都應(yīng)留下足以說明核驗過程的記錄。按此思路操作，AI可以提高寫作效率，卻不會替代作者對文獻(xiàn)真實性的最終責(zé)任。

值得注意的是，截至檢索日期，關(guān)于生成式AI在學(xué)術(shù)寫作中的使用邊界、披露要求以及期刊投稿中的AI合規(guī)政策仍在持續(xù)更新中。不同學(xué)科、不同期刊對AI參與文獻(xiàn)檢索和引文生成的具體規(guī)范可能存在差異，作者在投稿前應(yīng)當(dāng)以目標(biāo)期刊或?qū)W位授予單位的最新官方文件為準(zhǔn)，并如實聲明AI的使用范圍。學(xué)術(shù)誠信不是一套靜止的規(guī)則，而是一個需要結(jié)合外部環(huán)境變化持續(xù)校準(zhǔn)判斷與實踐的過程。