学位论文AIGC检测：技术现状、应用困境与应对策略
王天健 杨 创
摘要：学位论文AIGC检测的合理性仍需进一步讨论。在技术现状方面，AIGC文本检测形成了以特征差异性、文本重合性以及内容一致性为证据的三重检测机制，但识别率存疑；同时，受技术检测局限影响，部分高校尚未出台明确的AIGC写作管理规制。在实际应用中，AIGC检测表现出两方面困境：一是智能技术生成的语言本就是对人类语言的模仿，对智能生成文本的检测实则是对人类自身语言风格的质疑；二是由于AIGC检测导致的强制性降重所引发的学术表达受限与文本质量下滑。为此，在应对策略上应构建多元主体协同的AIGC检测机制，明确导师全过程指导的价值与责任，强调问题意识与实证研究导向对文本原创性的增益作用，从复合多维视角关注研究主体与研究过程的真实性，避免仅就文本内容判定论文的规范性与原创性。
关键词：学位论文；生成式人工智能（GAI）；人工智能生成内容（AIGC）；AIGC论文检测；学术伦理；学术规范；研究生教育
作者简介：王天健，广州大学教育学院讲师；杨创（通讯作者），广州大学教育学院特聘副研究员，ych@gzhu.edu.cn。
自ChatGPT等大型语言模型相继问世以来，机器的文本生成效率与语义连贯性达到了前所未有的高度，使得学位论文的创作与评价面临严峻挑战。依据语言表述、文献引用与逻辑结构判断原创性的传统学术规范体系，在新技术的冲击下正在发生转变。学界亟须回应如何识别人工智能生成内容的理论与实践问题，进而监管和引导人工智能技术的科学合理使用，有效规范学术行为、促进知识创新[1]。
人工智能生成内容（Artificial Intelligence Generated Content，简称AIGC）是人工智能技术生成的内容形式，该技术内容在当下的学位论文创作中被广泛采用，为此，AIGC检测已经成为学位论文学术伦理审查的重要一环，国内外多所高校已将AIGC检测作为与学位论文重复率检测并行的学术不端检测机制。然而，现有检测手段的准确性、合法性与合理性仍存在诸多疑点。在此背景下，高等教育界或许需要重新思考AIGC检测的本质与逻辑。该问题既关涉AIGC文本是否可测的技术问题，更关乎如何合理应对新技术对于传统学位论文创作模式的介入、如何在防范学术不端的同时推动研究生合理使用新技术进行创造性探索的教育问题。在生成式人工智能时代，技术应为教育“赋能”，教育则需为技术“赋魂”[2]。从应然层面看，评价体系与方式的革新需成为学位论文写作过程中进一步强化导师的过程性指导、深化学生的研究性学习以及推动主体责任重构的契机。
一、技术现状：文本识别与高校应用的复合视角
1.AIGC检测技术的原理与类型：特征差异、文本重合与内容一致
从原理层面看，当前主流的AIGC检测工具主要依赖以下三种证据机制：
（1）语言模型的“特征差异分析法”。该方法基于ChatGPT、DeepSeek等大模型在生成文本过程中在词频分布、上下文衔接等方面所表现出的特征，通过训练分类器，识别这些特征是否符合机器生成的规律。有研究指出，相较于人类的语言写作思维，ChatGPT等大模型可能会更多地使用限定词、连词和辅助关系词，这样的语言风格更能表现出大模型文本的议论性和客观性[3]。亦有研究指出，AIGC生成的文本呈现出较高的同质性，并惯用归纳总结等学术话语风格；而人类学者撰写的文本则具有显著的个性化差异，使用凸显实际含义的搭配较多，并且人类作者会更多选用与国家政策密切相关的概念[4]。
（2）“语义对比与文本重合检测法”。该类方法侧重对机器生成文本与现有数据库中文献的相似度比对，原理上类似于传统的查重机制，但会具体针对机器生成的语言进行更具细粒度的语义相似度分析。在检测具有确定来源的大模型生成文本时，以文本重合为底层逻辑的检测机制在检测率上表现较好，能够相对有效地识别文本的AI生成性[5]。有研究将这种特性称为机器文本的DNA，同时部分研究发现，可以将需检测的原始文本从中间截断，让AIGC进行续写，便可使用自定义的相似性分数，衡量原始文本与续写文本的相似性，以此校准被检测文本的AIGC创作比例[6]。
（3）“内容一致性追踪法”。该方法重在分析机器文本生成过程中在语言内容规律上表现出的特征与人类语言规律的差异，通过多次提问或上下文重构，验证文本是否具备原创性与逻辑连续性。一般认为，人类写作生成的文本内容更符合齐普夫定律（Zipf’s Law）的特征。齐普夫定律表明，在自然语言文本中，词汇的频次与其排序等级呈现反比，且两者乘积为一常数[7]。AIGC的文本生成过程则不同，由于机器大模型的语言输出更多采用高频采样的方式，其所选用的词汇是从已有语料中条件概率较高的词汇中进行选择，由此导致机器文本中词语的复现率并不符合人类创作文本内容的一般规律。基于此，部分研究尝试通过比对人机语言风格与逻辑连续性上的差异进行AIGC原创度检测。
从类型上看，AIGC检测工具大致可以分为“独立型检测系统”与“嵌入式检测插件”两类。前者如GPTZero、ZeroGPT、Turnitin AI Detector、Content at Scale等，这些工具往往基于独立平台进行文本分析，并输出基于概率统计的“AI使用可能性”报告；后者则常见于国外多所高校学术平台或论文写作工具，如Grammarly、Writefull等插件模块，与论文写作过程实时结合。部分高校与出版机构还基于开源语言模型（如BERT、RoBERTa等）训练出专属检测算法，实现本地部署与数据闭环管理。
尽管当前研究从不同原理、机制、路径上探索出了AIGC检测技术的发展方向，但从技术迭代视角看，这一类检测技术仍处于萌芽期，其准确性与普适性仍存在较大争议。许多检测工具对中英文文本的识别表现差异显著（英文识别率相对高于中文识别率），特别是在“人机共创”一类文本的识别上存在较高的误判率[3]。同时，检测算法本身的透明度较低，导致使用者难以准确理解其判断依据。截至目前，尚未有技术开发方声称，其所研发的检测工具能够完全识别生成式人工智能文本与人类创作文本的差异。更多的技术研发者更愿意相信，这一类技术的检测结果可供创作者和相关出版机构参考，但不适宜作为决定性证据予以采纳。
2.高校AIGC检测的应用现状：检测技术局限与规制态度审慎
从实践路径上看，不同国家与高校在检测工具选择、使用场景设定以及师生沟通机制方面，呈现出不同的发展趋势。高等教育界目前已有以下几种面向AIGC创作的学术检测发展路向。
一种方案是研发配套检测程序。尽管部分机构声称可通过比对目标文本与人工智能生成文本的相似度，实现对人工智能替写行为的检测，但更多的研究认为，该检测机制并不十分有效[8]。诸如OpenAI文本分类器等工具，识别大型语言模型生成文本的成功率只有26%左右[9]。Elkhatat等人在对GPTZero、CrossPlag等检测器进行跨GPT-3.5与GPT-4输出测试时，发现这些工具在鉴别GPT-4的输出内容时，准确率明显下降，且在对人类写作样本的分析中，存在假阳性情况[10]。面对如今已更新迭代至GPT-5的新语言模型，这种检测技术带来的不确定性则更令人担忧。同时，现今市面上流通的AI文本重合率检测程序，极易通过简单改写就绕过其检测机制。Perkins等人对805份GAI生成文本施加简易的修改（包括词语替换、语序调整等方法）后交由检测，相较于对未修改文本的检测，AIGC检测器显示的平均准确率下降了约17.4%，这表明这些检测极易被改写绕过[11]。Weber-Wulff等人对12款公开的检测工具进行测试后发现，这些工具对AI生成文本的识别能力在56%–88%之间高频波动，且在面对改写时准确率显著下降[12]。更有人尝试将以前的经典文学名篇提交给AIGC识别器进行查重，结果是朱自清名篇《荷塘月色》的AI生成率为62.88%，王勃的《滕王阁序》更是被检测系统测出高达100%的AI率[13]。上述研究与数据表明，现有的检测软件在检测精度上仍存在较大局限性。
另一方案是从源头监管人工智能文本产出，以一种类似照片“水印”的方式为人工智能文本打上标记，通过对标记的检测来验证作弊行为[14]。我国于2025年9月1日正式实行的《人工智能生成合成内容标识办法》，明确要求人工智能生成文本需“在文本的起始、末尾或者中间适当位置添加文字提示或者通用符号提示等标识，或者在交互场景界面、文字周边添加显著的提示标识”[15]。这一方法在视频、图像等素材上效果明显，但对于文本类素材，因为文本水印更易在创作与传播的过程中被删减、遮蔽，因此这一检测机制更多依赖于创作者与传播者的个体自觉，在技术上尚且无法完全实现“文字水印”的标识功能。德国相关研究表明，即便是添加文本水印，迄今为止尚无法可靠地检测出由人工智能系统生成的文本[16]。相关技术研究同时指出，文本水印（或可检测标识）在可检测性与抗篡改性上仍不可靠，在面临针对性改写时，即便具有水印的文本仍无法避免检测误判问题[17]。文本水印技术在短文本上的可行性有限，同时易受伪造攻击和擦除攻击的影响。水印检测需要相对较大的探测数据集，当带水印的数据低于一定比例时，对水印的检测效果不尽如人意[18]。
在制度层面，《中华人民共和国学位法》（以下简称“《学位法》”）在草案阶段直接规定了利用人工智能代写学位论文属于学术不端行为，可以撤销学位。但在《学位法》正式通过的法律文本中，原草案中的“利用人工智能代写学位论文”变成了“代写学位论文”，这一变化体现了《学位法》对人工智能等前沿问题进行规制的包容审慎态度[19]。部分高校尝试引入AIGC检测工具对硕博士学位论文进行预检测，并提供修改建议。华北电力大学、湖北大学、福州大学等多所学校发布规定，明确学校将引入人工智能代写检测技术，抵制人工智能代写论文的行为。但总体而言，一方面，对于生成式人工智能运用于论文写作，目前还没有形成统一的规范，处于零散规制阶段，各部门自己制定规制方案和判断标准[19]。另一方面，目前面向中文的AIGC重复率检测工具，也处于积极发展和探索的阶段，其结果仅供使用者参考。中国知网提供的AIGC检测服务中注明：“检测结果与论文质量无关，仅表示AI特征显著的文字在全文中的占比。由于AI模型的差异性，检测结果可能存在误差，请结合实际参考使用。”[20] 这表明了检测系统开发方对于该技术检测精度的审慎态度。有学者对国内较为流行的“知网AIGC检测服务系统”以及“鉴字源AIGC文本检测系统”的检测能力进行了比对测试，指出目前AIGC检测系统存在低准确度、高差异率、弱敏感性三大技术缺陷。无论是知网检测系统还是鉴字源检测系统，能够成功判别存在AIGC的篇数都只有4篇，成功率仅四成，均未能达到及格线[21]。
二、现实困境：智能拟人性致使的学术异化与表达受限
1.语言生成的“拟人性”悖论：检测技术的自我循环
作为人类智能的延伸，AIGC技术的核心优势在于模拟人类语言风格的能力[22]。在技术上，生成式人工智能通过模拟大脑的神经元，将人脑中的神经网络移植复制到人工智能中，即人工神经网络（ANN），使人工智能能够拟人化地思考和创作[23]，这一拟人性正是AIGC区别于传统自动化写作工具的根本特征。然而，这一特征也为AIGC检测技术带来了根本性的悖论：AIGC文本之所以被“检测”，正是因为它像人类写作的产物；而判断其是否是智能生成文本的依据，恰恰依赖于挖掘其“非人”的要素。这种逻辑上的冲突构成了AIGC检测实践的第一个困境。
当前AIGC检测的技术逻辑大致基于语言非人性特征识别，例如困惑度（perplexity）的异常、句式结构的高度一致性、缺乏突发性语言使用等。以GPTZero为例，其检测机制生效的前提在于，它假定AI生成的文本在整体上更具语言平稳性，而人类文本则更具“突发性”[24]。但这种划分在大语言模型快速进化的背景下正在失效。以GPT-4为例，其在模拟不同学科写作风格、学术语体乃至写作错误方面表现得越来越“人化”，致使检测工具的识别准确率下降。这意味着，越是先进的模型，越难以被现有工具检测，人类创作者与机器文本生成在现有监管体系下，构成了“检测—拟人—再检测”的循环。
此外，在文本共创实践中，越来越多的研究生将GAI视为写作“助理”而非完全性的替代工具。研究生并非直接挪用GAI所创作的文本内容，而是在初稿撰写、语法润色、段落优化中有选择地使用GAI。部分研究生的写作过程中常出现这样的情境：“如果答案对我来说不够充分，我就（在ChatGPT中）写‘请更详细地解释一下’，或者我以其他方式提出我的问题。我就会得到一个新的、更详细的文本”[25]。这种“人机协同写作”模糊了人工创作与机器文本生成的边界，使得现有检测系统难以精准判断文本的原创性构成。研究生可能利用GAI生成若干句子或段落，再由本人整合、修改，形成最终版本。若检测系统仅依据语言风格或词语分布模式判断AIGC的占比，则可能会出现误判或漏判。
与此同时，AIGC检测本身或许正逐渐演变为一种对于研究生创作的误导评价，不仅引发研究生对于新技术的焦虑，也潜移默化地塑造了新的学术行为模式。部分研究生开始反向学习检测算法的规律，通过改变词汇选择、调整句式结构、插入逻辑混乱句等方式绕开检测系统。这一现象反映出当前诸多检测系统作为学术规范工具的局限性，其不仅无法有效界定学术不端，反而诱导研究生进入与技术对抗的博弈逻辑之中，进而致使学术创作活动的工具化倾向愈加明显。由此可见，未来的AIGC检测手段必须更加关注过程性与具身性，才能真正回应高等教育与学位论文创作伦理的复杂挑战。
2.“降低重复率”机制下的文本表达受限与质量滑坡
在学位论文审查过程中过于强调AIGC检测的结果，所带来的直接副作用在于：研究生为避免其作品被判定为AIGC生成内容，不得不进行非自然性的“降重”操作，进而导致学术文本语言质量与思想深度的普遍滑坡。这一现象在研究生论文写作中尤为突出，构成当前检测实践的第二重困境。
传统意义上的“降重”操作主要服务于查重机制，即通过词汇替换、语序调整、同义句改写等方式降低论文文本与他人文献的重复率。事实上，在传统的“降重”工作中，学位论文创作者们就为了更符合标准的重复率被迫修改调整学位论文创作中的一些原生表达。而在引入AIGC检测后，传统的“降重”逻辑被进一步技术化并趋向于非逻辑性。创作者开始根据检测工具的识别模式主动调整语言风格，使之更倾向于“人类”的表达。这一行为虽意在规避误判，但实际效果却导致了语言表达的刻意化、文本逻辑的破碎化以及学术表达的空心化。原本结构完整、逻辑清晰的学术段落，经过反复“降重”处理后，常被压缩为若干非理性的短句，且句式缺乏变化。研究生为了降重而强行插入一些非关键性副词（如“事实上”“可以看出”等），不仅削弱了论述强度，也干扰了语言流畅性，形成一种由“AI焦虑”驱动下的创作者集体性应激反应。
同时，因AIGC检测引发的“机械降重”现象还隐含着学术主体技术属性弱化风险。面对复杂的研究问题，研究生往往需要借助某种写作辅助机制来组织语言与设计文本结构。这种辅助在前AIGC时代以研究他人文献、寻求导师指导为主。而在当下，AIGC自然地成为新一代学习者与研究者的辅助工具。一项针对硕士生的实验研究发现，与未使用ChatGPT的对照组相比，实验组（使用ChatGPT的组别）的叙事写作能力尽管并无显著改善，但其认知负担显著降低，这表明ChatGPT虽无法直接提升研究生的写作能力，但减轻了其完成写作任务时的心理压力[26]。某种意义上，人机共创已经成为当前世代知识生产的核心模式之一。AIGC检测模式隐含的“技术封禁”倾向，或在短期内可有效止住部分“AI代写”乱象，但也无意中提升了AI在教育系统中的话语权。研究生对于新技术的兴趣非但未减，反而因“禁用”更觉其神秘与强力。当各个教育机构通过物理隔离或制度禁令试图驱逐生成式人工智能时，反而强化了师生对技术的依赖性想象。人类认知本身就具有技术耦合性，试图剥离技术中介的教育实为对人性构成的自我否定。要摆脱这一困境，需从制度设计层面构筑学术表达的安全区，给予研究生合理表达的自由空间，同时构建更包容、开放的学术写作评估体系。
三、应对策略：构建多元主体协同的AIGC检测机制
1.以“过程介入”替代“事后问责”：检测语境下导师全过程指导机制的多维重构
随着技术进步与时代更迭，人工智能参与学位论文创作已是无法抗拒的事实[27]。面对AIGC技术引发的学术规范困境，导师角色亟须从“守门人”向“引导者”转型。多数学校虽然制定了相关的导师工作条例，但是对导师的考核多流于形式，没有真正督促导师更深入地介入学位论文的创作过程之中。在考核评价标准、考核技术手段和考核结果定性等方面，高校及相应学位管理机构重视不够，导致不能有效监督和考核导师指导研究生的水平[28]。当前诸多高校在AIGC检测中采取导师签字确认等责任制度，试图将检测后的责任压实到个体导师层面。然而，若导师仅在论文定稿后才介入对技术性抄袭检测的把关，则易陷入对结果负责但过程缺位的治理误区。因此，应建立面向AIGC检测的全过程性导师指导机制。
制度层面，应强化导师对学位论文写作的全过程指导，并推动论文写作“痕迹化”管理。高校在学位论文管理过程中，将论文选题、开题和提交初稿等时间节点适当前置，督促研究生为论文写作留足时间[29]。基于此，可进一步要求研究生在写作各阶段提交草稿、提纲、修改记录、阅读笔记等，导师据此开展过程反馈与阶段评估。这一制度既可有效增加师生之间的沟通频次，也能积累学位论文写作的证据链，在检测出现争议时可据此提供佐证。尤其在研究生大量使用AIGC辅助创作的情况下，过程记录有助于识别其真实参与程度，导师亦可根据日常指导的记录，为研究生合理使用GAI进行申辩。技术层面，导师还可借助协同写作工具技术，与研究生共享写作全过程并即时指导。部分高校试点的导师工作坊或学术写作工作坊制度亦值得推广，即以小组化方式组织定期讨论会，集中解决研究生写作中的AIGC使用问题。通过共同体机制重建写作伦理，有助于创作者摆脱技术焦虑，也更易在实践中形成责任意识与学术自觉。
实践层面，就导师对学位论文的全过程指导而言，当前国内外高等教育界初步形成了“前置规划”“过程留痕”“节点核验”“定稿声明”等四类应对模式。①前置规划，指在学位论文开题之前，由导师或学术委员会与研究生共同明确GAI的适用范畴，形成明确的GAI使用计划，做到范围与边界先行。佐治亚大学（The University of Georgia）研究生院规定，学位论文默认禁止使用生成式人工智能，仅在导师或委员会书面授权范围内方可使用，且必须在文稿中独立声明使用情况与程度，即前置规划[30]。②过程留痕，即导师在全过程指导过程中，要有意识地帮助研究生持续沉淀原创性痕迹证据，同时积极对标相关的人工智能应用规制，引导研究生合理使用人工 智能技术。如英国的帝国理工学院（Imperial College London）要求研究生与教师在完成论文的过程中，需根据院系政策进行“对表”[31]。③节点核验，指在开题、中期、送审前后，导师应根据节点要求，有针对性地对论文写作予以辅导、监察。牛津大学（University of Oxford）在学位论文的开题以及学位资格评定节点，采用导师口头问辩+材料抽查模式，以面谈审查形式来研判论文研究设计与方法的合理性，并在必要时核对草稿谱系与数据来源，以确认研究生使用GAI辅助文本写作的可解释性[32]。④定稿声明，指论文在定稿阶段，应采用统一的GAI使用声明，与导师签字一并归档，声明中应系统全面地陈述，在该学位论文写作中于何研究环节应用了生成式人工智能技术，以及应用的必要性。四川外国语大学研究生院要求，论文核心思想与主要内容不得由AI代写或生成，若有辅助性使用须在论文中添加注释说明[33]。这种声明或说明的效力既源于导师程序性的签字确认，同时也源于导师在论文创作全过程中的见证。与单一性的导师“事后监督”不同，定稿声明更彰显了作为学术共同体的导师与研究生，在应对新技术过程中的共同责任。
2.从“文本原创”到“研究原创”：基于问题意识与实证导向的学术训练范式转型
生成式人工智能的优势在于快速组织信息与语言模仿，但在学术逻辑与研究方法选用的严谨性与适切性上存在一定缺陷。引导研究生增加实证研究比重、强化研究方法训练，是破解技术滥用与表达降质等问题的有效路径。据此，高校在学位论文相应管理流程中，应更加鼓励研究生在选题阶段聚焦更为明确的现实问题，避免过于单一、刻板的概念性探讨以及由此引发的空洞表达，即便是思辨性的研究，也可关注逻辑的实证性、语言的循证性，从而避免AI式的无意义语料堆叠。由实证意识驱动的研究不仅能增强写作内容的原创性，也将有效降低AIGC模仿他人论文结构的可能性。同时，实证材料的获取与分析环节往往必须由研究者亲自完成，因而形成了对人工智能替写行为的天然抑制。
此外，在学位论文创作中，还可以更加鼓励交叉学科研究以及针对本土化议题的探索，这亦是遏制模板化、套路化写作的有效方式。许多AIGC系统的语料库以英文文献与西方语境为主，其在生成涉及中国本土的在地化知识内容时存在明显的知识盲区[34]。研究生如能立足本土问题开展具有坚实证据链条的研究，将有效降低对生成式人工智能的依赖度。这一类研究不仅产出的文本质量更高，也更容易通过AIGC重复率的检测。因此，以实证研究牵引语言表达，不仅是学术规范的需要，更是摆脱技术困境、重构知识生产主体性的有效策略。
目前，高等教育界已经在推动关于研究生问题意识与实证研究倾向的培养，以此回应新技术介入所带来的学位论文原创性缺失问题。澳大利亚高等教育质量与标准署TEQSA（Tertiary Education Quality and Standards Agency）明确要求高校要以项目式研究、公示数据来源等方式，替代对AIGC检测工具的单一性依赖，更多以实证性的核验与过程性证据链来证成论文的原创性[35]。英国高等教育质量保证机构QAA（Quality Assurance Agency for Higher Education）的协作提升项目提供了来自英国多所学校与跨学科学位论文写作中，应对智能技术介入的案例。这些案例共同表明，基于真实情境任务与在地化的研究素材，在合规的过程记录与声明下，可以促使文本原创性得到一定的提升[36]。上述政策实践所达成的无形共识在于：较之单纯禁用或检测AI的新技术，以问题意识与实证导向重构训练与评估流程，更能在GAI的技术背景下稳定产出可追溯、可复核的学位论文原创文本。
3.由“单一”“离身”走向“多维”“具身”：AIGC检测机制的再设计
从当前高等教育界的AIGC检测机制看，目前的检测表现为一种“离身性检测”。此处的“离身”意在说明，作为学位论文创作者的研究生，在面对AIGC检测时没有相应的回应与申辩渠道，整个检测机制更多地面向文本本身，相对忽视对创作者的考察。学位论文是研究生毕业研究的实际载体，所有有关学位论文的审查机制只是手段，目的在于考察研究的价值与研究的规范性，引导研究生学术伦理观念的正向性以及发掘研究生学术观点的原创性。因此在检测手段上，相较于单一的文本检测，应该更多关注研究者本身及其研究过程。
为此，需引入“具身化评估”理念，即通过面对面问辩、口头呈现、交叉验证等方式判断论文的原创性。论文的答辩环节本具此功能，但很多学位论文答辩容易流于形式，未能真正发挥甄别与追问作用。部分导师希望研究生能顺利通过答辩，不可能请那些让研究生“在答辩中过不了的委员”[37]。所以，在新技术介入的背景下，有必要对答辩制度进行调整，适当增设答辩问题的深度，关注研究者整体的研究历程，将更多的答辩时间留给答辩人以便其阐述研究的学理思路。研究者在这些流程制度中的表现都可作为验证其研究真实性、原创性的证据，由此，学术监察的关注对象从“离身”的指标回归到“具身”的研究者主体之中。
从全球高校实践看，尽管依靠AIGC检测的评价体系仍是主流，但部分实践表现出了一定的具身协同发展倾向。英国伦敦国王学院（King’s College London，KCL）在博士学位论文评价环节实行多维核验制，除常规检测报告外，还要求研究生与导师共同填写AI使用声明表，明确模型类型、使用目的与修改说明，并在口试中由考官就具体文本段落进行追问，以确认研究者对生成内容的理解与掌控力[38]。国内的多所高校在学位论文写作规定的修订过程中，亦在更多地根据写作主体的主观陈述，对其GAI应用情况予以判断。中国传媒大学最新修订的研究生学位论文编写规则（人文社科版）中提供了《关于人工智能使用的声明》模板，研究生可根据实际研究需要，合理使用GAI技术，同时在声明中需主动说明论文中何处应用了何种人工智能、采取了哪些操作[39]。在构建协同治理体系方面，2025年11月，由中国学位与研究生教育学会、数智教育管理委员会联合发布的《关于规范研究生学位论文与实践成果使用人工智能工具的倡议书》中，明确指出，高校应统筹研究生院、信息网络中心、图书馆等多部门力量，形成教育、培训、检测、认定、处置一体化的工作机制。这一倡议从行业高度，为高校内部整合多方力量、制定统一标准提供了明确的行动框架[40]。
智能技术的文本创作能力将持续增强，技术与审查的对抗终将无法彻底遏制。基于当前AIGC检测的困境与问题，教育系统应更多地思考教育目的与检测手段的辩证关系，避免手段与目的倒置。使学术劳动回归到关注思考、表达与创造的伦理根基之上，回归于服务社会主义高素质人才培养与科研理论创新的根本目的之中[41]，这是学位论文以及相关伦理审查制度所应秉持的价值准绳。
参考文献
[1] 学位法草案提交审议: 用人工智能代写论文等学术不端或被撤销学位[N]. 光明日报, 2023-08-29(4).
[2] 李政涛. 教育与人工智能的双向定义: 兼论教育如何为技术赋魂和启蒙[J]. 教育研究, 2025, 46(9): 42-52.
[3] Guo B, Zhang X. How close is ChatGPT to human experts?[EB/OL]. (2023-01-18) [2025-05-17]. https://doi.org/ 10.48550/arXiv.2301.07597.
[4] 王一博, 郭鑫, 刘智锋, 等. AI生成与学者撰写中文论文摘要的检测与差异性比较研究[J]. 情报杂志, 2023, 42(9): 127-134.
[5] Yu X, Qi Y. DPIC: Decoupling prompt and intrinsic characteristics for LLM generated text detection[EB/OL]. (2023-05-21) [2026-03-07]. https://doi.org/10.48550/arXiv. 2305.12519.
[6] Yang X, Cheng W. DNA-GPT: divergent N-gram analysis for training-free detection of GPT-generated text[C]. the 12th International Conference on Learning Representations, Vienna, Austria, 2024: 1-26.
[7] 冯志伟. 自然语言处理的形式模型[M]. 合肥: 中国科学技术大学出版社, 2010: 47.
[8] Gao C A, Howard F M. Comparing scientific abstracts generated by ChatGPT to original abstracts using an artificial intelligence output detector, plagiarism detector, and blinded human reviewers[J]. Digital Medicine, 2023(6): 75.
[9] Wiggers K. OpenAI releases tool to detect AI-generated text, including from ChatGPT[EB/OL]. (2023-03-12) [2025-05-07]. https://techcrunch.com/2023/01/31/openai-releases-tool-to-detect-ai-generated-text-including-from-chatgpt.
[10] Elkhatat A M, Elsaid K. Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text[J]. International Journal for Educational Integrity, 2023, 19(1): 17.
[11] Perkins M, Roe J, et al. Simple techniques to bypass GenAI text detectors: implications for inclusive education[J]. International Journal of Educational Technology in Higher Education, 2024(21): 53.
[12] Weber-Wulff D. Testing of detection tools for AI-generated text[J]. International Journal for Educational Integrity, 2023(19): 26.
[13] 岁正阳. 自己写的毕业论文被判定长着一张AI的脸: 论文AI率检测“误伤”乱象调查[J]. 中国信用, 2025(6): 59-63.
[14] Heikkilä M. Wie Wasserzeichen Texte von KI-Chatbots Sichtbar Machen Könnten[EB/OL]. (2023-04-19) [2025-05-08]. www.heise.de/hintergrund/Wie-Wasserzeichen-Texte-von-KIChatbots-sichtbar-machen-koennten-7477158.html.
[15] 中华人民共和国国家互联网信息办公室. 关于印发《人工智能生成合成内容标识办法》的通知: 国信办通字[2025] 2号[A/OL]. (2025-03-14) [2026-03-11]. https://www.cac.gov. cn/2025-03/14/c_1743654684782215.htm.
[16] 王天健. 德国教育应对ChatGPT的理念与经验: 对德国联邦议院调研报告的分析[J]. 比较教育学报, 2023(5): 66-78.
[17] Nature. AI watermarking must be watertight to be effective [EB/OL]. (2024-10-23) [2026-03-07]. https://www.nature. com/articles/d41586-024-03418-x?utm_source=chatgpt.com.
[18] 张珺皓. 人工智能生成内容溯源认证的技术机制与风险因应: 以OpenAI的水印技术为例[J]. 科技管理研究, 2025, 45(10): 243-250.
[19] 王霁霞, 刘诗姣. 《学位法》框架下学位论文撰写中生成式人工智能应用的合规性研究[J]. 学位与研究生教育, 2024(12): 22-29.
[20] 中国知网. 知网个人查重服务使用协议[EB/OL]. (2025-08-29) [2026-03-11]. https://cx.cnki.net/#/useAgreement?name= register.
[21] 周濛. AIGC论文检测系统的技术缺陷与学术期刊因应[J]. 出版与印刷, 2024(4): 20-30.
[22] 王天健. 生成式人工智能时代教育回归自然的合理性探析: 基于先天认知视角的讨论[J]. 中国电化教育, 2024(11): 13-20.
[23] Hargreaves S. Words are flowing out like endless rain into a paper cup: ChatGPT & law school assessments[J]. Legal Education Review, 2023, 33: 68-105.
[24] Alon G, Kamfonas M. Detecting language model attacks with perplexity[EB/OL]. (2023-08-27) [2025-05-17]. ArXiv: https://arxiv.org/abs/2308.14132.
[25] TAB. ChatGPT und Andere Computermodelle zur Sprachverarbeitung: Grundlagen, Anwendungspotenziale und Mögliche Auswirkungen[R]. Büro für Technikfolgen- Absc-Hätzung beim Deutschen Bundestag (TAB). Berlin, 2023: 72.
[26] 蔡芬, 贾枭, 沈文钦. 生成式人工智能在我国研究生学术写作中的应用现状及其影响[J]. 中国高教研究, 2025(1): 75-82.
[27] 董储超, 刘旭东. 人工智能参与学位论文创作的法律规制[J]. 湖南师范大学教育科学学报, 2024, 23(6): 83-90.
[28] 宫新栋, 杨平, 王元纲, 等. 研究生学位论文质量保障体系构建刍议: 基于唯物辩证法的矛盾论和认识论视角[J]. 江苏高教, 2018(1): 77-80.
[29] 门洪华, 宋国新. 从机制倒逼到多主体自觉: 我国研究生学位论文高质量发展的路径研究[J]. 中国人民大学教育学刊, 2025(2): 32-45,3.
[30] University of Georgia Graduate School. Policy on use of generative AI in theses and dissertations[EB/OL]. (2024-01-18) [2026-03-14]. https://grad.uga.edu/policy-on- use-of-generative-ai-in-theses-and-dissertations.
[31] Imperial College London Library. Generative AI guidance[EB/OL]. (2024-09-16) [2026-03-14]. https://www. imperial.ac.uk/admin-services/library/learning-support/generative-ai-guidance.
[32] University of Oxford. Key milestones for DPhil students [EB/OL]. (2025-06-01) [2026-03-14]. https://www.ox.ac.uk/ students/academic/guidance/graduate/research/status/DPhil.
[33] 四川外国语大学研究生院. 研究生院关于开展2025届硕士学位论文学术不端行为检测工作的通知[EB/OL]. (2025-03-26) [2026-03-14]. https://graduate.sisu.edu.cn/xlxw/7620d500590 246e0abe52dd8c21063ec.htm.
[34] 张凌寒. 加快建设人工智能大模型中文训练数据语料库[J]. 人民论坛•学术前沿, 2024(13): 57-71.
[35] Tertiary Education Quality and Standards Agency (TEQSA). Enacting assessment reform in a time of artificial intelligence[EB/OL]. (2025-09-24) [2026-03-15]. https://www. teqsa.gov.au/guides-resources/resources/corporate-publications/enacting-assessment-reform-time-artificial-intelligence.
[36] Quality Assurance Agency for Higher Education (QAA). Transnational perspectives on ethical uses of generative AI in assessment—framework, toolkit and case studies[EB/OL]. (2025-01-15) [2026-03-15]. https://www.qaa.ac.uk/membership/ benefits-of-qaa-membership/collaborative-enhancement-projects/generative-ai/transnational-perspectives-on-ethical-uses-of-gen-ai-in-assessment.
[37] 张文琪, 朱志勇. 责任制考试、通过仪式抑或学术仪式?: 博士学位论文答辩制度的意义建构[J]. 社会学研究, 2022, 37(1): 203-225,230.
[38] King’s College London. Doctoral assessment and responsible use of artificial intelligence[EB/OL]. (2025-05-10) [2026-03-16]. https://www.kcl.ac.uk/about/strategy/learning- and-teaching/ai-guidance/doctoral-assessment.
[39] 中国传媒大学研究生院. 研究生学位论文编写规则（人文社会科学版）[EB/OL]. (2025-10-16) [2026-03-16]. https://gs. cuc.edu.cn/_upload/article/files/d9/60/59513901417e8e68e79fbc1b3ffd/ca435029-606d-4c65-8caa-f23869bc057d.pdf.
[40] 中国学位与研究生教育学会, 信息管理委员会. 《关于规范研究生学位论文与实践成果使用人工智能工具的倡议书》[EB/OL]. (2025-11-10) [2026-03-16]. https://www.acge.org. cn/newsInfoLevelThree/2c9080109a2aaabc019a6bc8d5ec0255.htm.
[41] 王天健. 教育改革对“中国特色社会主义教育理论体系”的实践贡献研究[J]. 中国教育科学（中英文）, 2024, 7(1): 59-70.
（选自《学位与研究生教育》2026年第7期）
基金项目：广东省哲学社会科学规划2025年度青年项目“义务教育阶段风险教育的现状分析与路径优化研究”（编号：GD25YJY09）
