CANGARU指南：生成式AI在学术研究中的负责任使用框架与实践

1. 项目概述：当生成式AI成为学术研究的“新常态”

最近和几位高校的朋友聊天，发现一个挺有意思的现象：大家的研究室里，ChatGPT、Claude、Gemini这些生成式AI工具，已经从最初的新奇玩具，变成了和Word、Excel、LaTeX并列的“生产力标配”。学生用它来润色论文初稿、梳理文献综述，研究员用它来生成代码片段、设计实验方案，甚至辅助进行数据分析和结果解读。这股浪潮来得太快，快到我们还没来得及为它划清边界、制定规则。

“CANGARU指南”这个项目，正是在这个背景下应运而生。它不是一个冰冷的、高高在上的伦理宣言，而是一套旨在帮助每一位身处研究一线的学者、学生和科研管理者，如何在日常工作中负责任地、透明地、且高效地使用生成式AI的实操框架。CANGARU这个名字本身，就蕴含了其核心精神：它倡导一种批判性（Critical）、负责任（Accountable）、透明（Transparent）、有指导（Guided）的AI使用方式，并强调研究者（Researcher）的主体性与最终责任（Ultimate responsibility）。

简单来说，这个项目要解决的核心痛点就是：当AI生成的文本、代码、思路甚至图表，已经深度嵌入我们的研究流程时，我们该如何报告？如何署名？如何确保学术诚信的基石不被侵蚀？它试图回答的，不是“能不能用”的问题——这已是既成事实——而是“怎么用才对”的问题。无论你是刚刚接触科研的硕士生，还是领导大型课题组的教授，或是期刊编辑、基金评审人，这套框架都试图为你提供清晰的行动参照。

2. CANGARU框架的核心原则拆解

CANGARU并非凭空创造，它是对现有学术规范在AI时代的一次系统性升级和具体化。其五个字母所代表的原则，共同构成了一个环环相扣的伦理使用闭环。

2.1 批判性使用：AI是副驾驶，不是自动驾驶

这是所有原则的起点。生成式AI的本质是“生成”，而非“创造”或“发现”。它基于海量数据模式进行概率预测，产出具有高度迷惑性的流畅文本，但其内容可能包含事实性错误（“幻觉”）、逻辑漏洞或过时信息。

核心操作要点：

• 永远保持质疑：对待AI生成的任何内容——从一句文献总结到一个数学公式——都必须像对待一位可能出错的助手一样，进行事实核查与逻辑验证。例如，AI生成的参考文献，必须逐一核对是否存在、作者与年份是否准确。
• 明确能力边界：清楚认知当前AI的局限。它在需要严格演绎推理、创新性理论构建、涉及高度专业领域最新进展或未公开数据的任务上，可靠性存疑。它擅长的是模式重组和信息整合，而非真正的知识创新。
• 过程记录：在科研笔记中，不仅记录你向AI提出的问题（提示词），更要记录你对其回答的验证过程。例如：“使用GPT-4梳理了近五年关于‘X理论’的三大争议点，随后在Web of Science中通过关键词检索验证了这三点确实为高频被引综述文章所讨论，并补充了GPT未提及的第四点争议，源于2023年Y等人的最新实证研究。”

注意：最危险的使用方式，是将AI的输出不加批判地直接作为自己思考的终点。这相当于放弃了研究者最核心的批判性思维职能。

2.2 问责制：研究者是最终的责任主体

无论AI工具提供了多少协助，研究工作的设计、执行、解读以及成果的发布，其学术责任和法律责任最终且完全由研究者本人（或团队）承担。AI不能成为错误、剽窃或学术不端的“替罪羊”。

核心操作要点：

• 署名权界定：AI工具不能被列为论文作者。作者身份意味着对工作的智力贡献、对内容的全面理解以及对结果的担保，AI不具备这些资格。它的贡献应在“致谢”或“方法”部分以明确、可追溯的方式说明。
• 内容所有权与审查：研究者必须对论文中每一句话、每一张图、每一组数据的准确性和完整性负责。即使某段文字由AI辅助润色，其表达的观点和引述的事实，也必须经过研究者的最终确认和背书。
• 流程内嵌审核：在课题组或实验室内部，应建立AI辅助成果的审核流程。例如，规定所有由AI生成的代码必须在提交前由另一位成员进行人工复审和测试；AI辅助撰写的部分需要在组会中进行专门讨论。

2.3 透明度：让AI的“足迹”清晰可见

这是实现问责制的基础，也是当前学术出版界最迫切的需求。透明度要求研究者清晰披露在研究中何处、如何、以及为何使用了生成式AI。

核心操作要点：

• 披露位置标准化：建议在论文的“方法”部分开辟独立小节（如“生成式AI使用声明”），或在“致谢”部分之后增加专门段落。避免仅在投稿信或补充材料中含糊提及。
• 披露内容具体化：披露不应只是一句“本文使用了ChatGPT”。应尽可能包括：
  1. 工具名称与版本：如 ChatGPT-4 (OpenAI, 2023年5月版本)。
  2. 使用目的：如“用于初步的文献综述思路构建”、“用于英文稿件的语法润色与语言抛光”、“用于生成Python数据可视化代码的初稿”。
  3. 使用阶段：如在研究设计、文献调研、代码编写、稿件撰写、语言润色等具体环节。
  4. 提示词示例：提供1-2个关键性的、能体现交互过程的提示词示例（注意去除敏感数据）。
  5. 人工干预程度：定性或定量说明研究者对AI输出进行了多大程度的修改、验证和整合。例如：“AI生成的文献综述大纲经研究者重组并扩充了约60%的内容，所有引用均经手动核实并补充了原始文献。”
• 数据与隐私：必须声明在交互过程中是否输入了未公开的原始数据、机密信息或个人隐私数据，并说明相关数据是否被用于AI模型的进一步训练（根据工具的用户协议）。

2.4 有指导的使用：将AI纳入科研管理体系

机构（大学、研究所、实验室）不应仅仅发布一纸禁令或空洞的鼓励，而应提供具体的指导、培训和资源，将AI工具合规、高效地整合到科研工作流中。

核心操作要点：

• 制定机构级指南：学校或院系应基于CANGARU等框架，制定更贴合自身学科特点（如医学实验、人文社科理论构建、工程设计）的AI使用实施细则。
• 提供技能培训：开设关于“科研场景下的高效提示词工程”、“利用AI进行文献管理与综述”、“AI辅助编程的调试与验证”等实操工作坊，提升研究人员的AI素养。
• 建设基础设施：考虑采购或搭建合规的企业级AI工具，确保数据在交互过程中不外流，并提供稳定的计算支持。同时，可以建立内部的“AI辅助研究最佳实践”案例库，供成员参考学习。
• 导师的职责：研究生导师需要与学生明确讨论AI在课题中的使用边界，将其作为科研训练的一部分。例如，规定开题报告、理论推导核心部分必须由学生独立完成，而AI可用于后续的表述优化或辅助绘制示意图。

2.5 研究者主体责任：捍卫学术的核心价值

这一原则是CANGARU的落脚点，它强调所有技术工具都服务于一个终极目的：拓展人类知识的边界。研究者的原创性思考、对问题的深刻洞察、对证据的严谨评估，才是学术工作的灵魂。

核心操作要点：

• 界定“智力贡献”核心区：研究者必须明确，哪些是研究工作不可委托的核心智力环节。通常包括：提出原创性研究问题、设计关键实验方案、进行核心的数据分析与解读、形成最终的结论与理论贡献。这些环节应以研究者为主导，AI仅能作为辅助信息检索或表达优化的工具。
• 反思使用动机：时刻自省：使用AI是为了提升研究效率和质量，还是为了替代本应自己完成的学习和思考过程？后者将导致研究者核心能力的退化。
• 成果的“人性化”审视：在论文最终定稿前，通篇审视：这篇文章是否真实反映了我（们）的思考和发现？AI的辅助是否让我们更清晰地表达了这些思想，还是模糊甚至扭曲了它们？

3. 构建可操作的AI使用与报告工作流

基于CANGARU原则，我们可以为一项典型的研究项目设计一个从启动到投稿的全流程AI使用与报告清单。这套工作流不是束缚，而是为了更安心、更高效地利用新技术。

3.1 研究准备与设计阶段

此阶段AI可作为强大的“头脑风暴”伙伴和知识助理，但决策权必须牢牢掌握在研究者手中。

1. 课题构思与问题提炼：

   • 使用场景：向AI描述你感兴趣的大领域和观察到的现象，让它帮你生成一系列可能的研究问题或假设。例如：“我观察到在社交媒体上，关于气候变化的讨论存在两极分化。请从传播学或社会心理学角度，提出5个可供实证检验的具体研究问题。”
   • 操作与验证：将AI生成的问题列表作为灵感来源，而非最终选择。你需要结合文献阅读，批判性地评估每个问题的创新性、可行性和学术价值。最终确定的研究问题，应源于你对文献空白的独立判断。
   • 记录要点：记录AI辅助生成的问题列表，并简要注明你选择或摒弃其中某个问题的理由。

2. 文献综述与理论框架搭建：

   • 使用场景：利用AI快速梳理某一领域的核心概念、关键学者、经典理论及发展脉络。让它为你生成一个初步的文献综述大纲或理论框架图。
   • 操作与验证：这是幻觉高发区！AI可能编造出不存在的学者、理论或论文。你必须以AI提供的关键词和线索为起点，返回权威数据库（如Google Scholar, Web of Science）进行系统检索，逐一核实并阅读核心文献。AI生成的大纲只是一个结构草稿，你需要用真实阅读获得的见解去填充、修正和深化它。
   • 记录要点：保存最初的AI生成大纲，并与你最终完成的综述结构进行对比，这本身就是透明度的一个体现。

3.2 研究执行与数据分析阶段

在此阶段，AI主要扮演“高效执行者”的角色，尤其在编程和数据处理方面，但其输出必须经过严格测试。

1. 实验方案与材料设计：

   • 使用场景：在心理学、教育学等领域，可以请AI帮助起草实验指导语、设计问卷题目初稿，或为实验材料（如文本刺激）生成多个平行版本。
   • 操作与验证：对AI生成的所有材料，必须进行人工审核，确保其符合学术伦理（如无诱导性）、无歧义，并经过小范围的预实验测试。AI无法理解某些文化背景下的细微差别。
   • 记录要点：在方法部分注明：“实验指导语由研究者设计，并经由ChatGPT-4进行语言流畅性优化，优化后的文本经10名预实验参与者测试确认无理解障碍。”

2. 编程与数据分析：

   • 使用场景：这是AI（如GitHub Copilot, ChatGPT Code Interpreter）大放异彩的领域。可以让你用自然语言描述分析需求，生成数据清洗、统计检验、可视化绘图的代码。
   • 操作与验证：绝对禁止“黑箱”操作！你必须理解AI生成的每一段关键代码的逻辑。对于统计分析，要手动检查输入数据的格式、确认所选检验方法的假设条件是否满足、核对输出结果（如p值、效应量）是否合理。可视化图表生成后，要检查坐标轴标签、图例、刻度是否准确。
   • 记录要点：在论文的“数据分析”小节或补充材料的代码仓库中，可以注明：“XXX分析采用了基于Python的pandas和scikit-learn库，部分数据预处理代码在ChatGPT-4的辅助下生成并经过手动调试。” 更好的做法是，在代码注释中直接标明AI辅助生成的函数块。

3.3 论文撰写与发表阶段

这是AI使用最广泛也最敏感的环节，涉及学术成果的最终呈现和诚信。

1. 初稿撰写与段落展开：

   • 使用场景：在面对“写作障碍”时，可以向AI描述你想表达的核心观点，让它帮你生成一段展开论述的文字。或者，让它将你的要点列表转化为连贯的段落。
   • 操作与验证：AI生成的文字往往流于表面、缺乏深度和批判性。你必须将其作为“初稿的初稿”，注入你自己的专业见解、批判性分析和文献支撑。彻底重写其表达方式，确保其与全文的学术风格和论点深度一致。
   • 记录要点：如果某一部分大量借鉴了AI生成的文本结构，应在透明度声明中具体说明。

2. 语言润色与语法修正：

   • 使用场景：对于非英语母语研究者，这是AI（如Grammarly, ChatGPT）的核心价值。它可以高效地修正语法错误、改善句式结构、使表达更符合学术英语习惯。
   • 操作与验证：注意AI可能会将你原本正确的专业术语“修正”为错误词汇，或改变你刻意强调的细微含义。润色后必须逐句精读，确保技术准确性未被破坏。对于关键术语和表述，应反向查证其在本领域的常用说法。
   • 记录要点：这是最需要声明的情况之一。标准表述可以是：“本文的英文稿件在撰写后使用了ChatGPT-4进行语言润色和语法检查，所有科学内容和技术细节均由作者在润色后最终确认。”

3. 回复审稿意见：

   • 使用场景：审稿意见有时冗长复杂。可以让AI帮你总结审稿人的核心关切点，或为某些需要补充实验的回复建议起草初步的辩解或修改计划。
   • 操作与验证：AI的总结可能遗漏细微但重要的批评。你必须亲自阅读并理解每一条意见。AI起草的回复可能语气不当（过于防御或过于谦卑）。回复信必须体现你对审稿人专业意见的尊重和严肃思考，语气需由研究者本人把控。
   • 记录要点：通常无需在最终论文中披露此阶段对AI的使用，但在实验室或团队的知识管理中可以记录这一有效实践。

4. 撰写“生成式AI使用声明”的模板与示例

一份好的声明，应像“材料与方法”部分一样，清晰、具体、可重复。以下提供不同详细程度的模板。

4.1 基础声明模板（最低要求）

适用于AI辅助程度较低的研究（如仅用于语言润色）。

生成式AI使用声明：在本研究及/或稿件撰写过程中，作者使用了[AI工具名称，如ChatGPT-4]用于[具体用途，如英语语言润色和语法检查]。作者对所有科学内容、数据分析和结论承担全部责任，并在使用后仔细审阅和修改了AI辅助生成的内容。

4.2 详细声明模板（推荐）

适用于AI在多个环节提供实质性辅助的研究。

生成式AI使用声明：

1. 工具与版本：本研究在部分环节使用了OpenAI开发的ChatGPT-4（2024年1月版本）。
2. 使用目的与阶段：
   • 文献调研阶段：用于生成关于“[具体理论/技术]”研究脉络的初步大纲和关键词建议。
   • 代码开发阶段：辅助编写了数据清洗和[如“随机森林模型”]训练的Python代码片段。
   • 稿件撰写阶段：用于对“讨论”部分初稿进行英语语言流畅性优化。
3. 研究者干预：所有由AI生成的内容（包括大纲、代码和文本）均经过了研究者的严格验证、修改和整合。文献综述部分在AI大纲基础上，经手动检索并阅读了超过80篇相关文献后重写；所有代码均在独立环境中运行调试；AI润色的文本均经作者逐句核对，确保技术准确性。
4. 数据与隐私：本研究未向AI工具输入任何未公开的原始实验数据或受试者个人信息。
5. 责任声明：作者对本文的全部内容，包括其学术诚信和准确性，负有最终和完全的责任。ChatGPT-4仅作为辅助工具，未被列为作者。

4.3 针对特定场景的声明要点

• AI生成图表/示意图：如果使用Midjourney、DALL-E等生成论文中的概念图或示意图，必须声明：“图X中的概念示意图由[DALL-E 3]生成，提示词为‘[描述性提示词]’，并由研究者使用[如Adobe Illustrator]软件进行了后期修改和标注。”
• AI辅助理论推导/公式：在数学或理论物理等领域，如果使用AI（如Wolfram Alpha, ChatGPT插件）辅助进行符号运算或推导验证，必须声明：“公式（X）的推导过程使用了[工具名]进行符号计算辅助，但整个推导逻辑和最终形式均由研究者验证并确认。”

5. 常见困境、争议与实操建议

在实际操作中，即使遵循框架，仍会面临诸多灰色地带和争议。以下是一些典型问题及我的个人建议。

5.1 争议场景分析与应对

1. “AI帮我写了方法部分的一段描述，这算抄袭吗？”

   • 分析：这取决于“写”的程度。如果AI从零生成了一段对标准实验方法的描述，而你未经实质修改直接使用，这存在抄袭风险（抄袭了AI训练数据中海量文献的表述）。如果AI是基于你的草稿（如要点列表、混乱的句子）进行重组和优化，你随后进行了深度编辑和事实核对，则风险较低。
   • 建议：永远从自己的草稿开始。哪怕只是几个关键词或 bullet points，这确保了思想的原创性。将AI视为一个强大的编辑和改写工具，而非作者。

2. “我的研究大量使用了AI生成的数据/代码，创新性该如何界定？”

   • 分析：研究的创新性应体现在科学问题、研究设计、对结果的解读和理论贡献上。使用AI生成数据（如合成数据训练模型）或代码，其创新性在于你如何设计生成流程、如何验证生成结果的有效性、以及如何将其用于解决一个新颖的问题。工具的新颖性不等于研究的新颖性。
   • 建议：在论文中突出强调你设计的生成流程、设置的约束条件、以及验证生成物质量的方法。你的智力贡献在于“驾驭AI完成特定科研任务”的独特方法论。

3. “期刊/会议没有明确的AI政策，我该怎么声明？”

   • 分析：越来越多的出版机构正在制定政策，但进程不一。在政策空窗期，主动、透明地声明是最佳策略，这体现了你的学术严谨性和前瞻性。
   • 建议：即使投稿指南未要求，也强烈建议在稿件中附上一份详细的“AI使用声明”（如4.2模板）。这可以在“致谢”之后，或作为“方法”的一部分。在投稿信中亦可简要提及。这通常会被编辑和审稿人视为负责任的表现。

5.2 实验室与团队管理建议

对于课题负责人（PI）或实验室管理者，需要将CANGARU原则制度化。

1. 制定实验室AI使用公约：在组内公开讨论并形成书面约定，明确哪些任务鼓励使用AI，哪些禁止（如直接撰写基金申请书的核心部分、生成用于投稿的图表数据等）。规定统一的披露格式。
2. 建立内部审核机制：对于即将投稿的论文，增加一个“AI使用审查”环节，由另一位成员或导师检查AI声明是否准确、充分，AI辅助生成的内容是否经过妥善验证。
3. 分享与培训：定期在组会上分享使用AI提升研究效率的正向案例（如一个巧妙的提示词解决了复杂的代码调试），同时分析误用或过度依赖的教训。将AI素养培训纳入新生入门教育。

5.3 给青年研究者的个人心法

最后，分享几点在AI时代做研究的个人体会。技术的洪流无法阻挡，但学术的灯塔不应熄灭。

第一，保持“手工艺人”的底气。AI再强大，也无法替代你通过亲手做实验、逐行写代码、逐篇读文献所积累的“手感”和“直觉”。这种深度的、有时是笨拙的参与过程，是形成真正学术判断力的土壤。不要让自己退化为一个只会写提示词的“项目经理”。

第二，将透明度视为新的学术美德。过去，我们通过详尽的“方法”部分来体现可重复性。现在，我们还需要通过清晰的“AI使用声明”来体现可追溯性。主动披露不是示弱，而是自信和严谨的体现，它让你的研究在数字时代更具可信度。

第三，重新定义“思考”的价值。当信息整合和文字表达的门槛被AI大幅降低，研究者最核心的竞争力将更加聚焦于：提出真问题的能力、设计精巧实验的能力、在复杂数据中洞察模式的能力、以及进行深刻理论思辨的能力。这些，恰恰是AI目前最不擅长的。你的目标不是成为最好的AI使用者，而是成为那个最不可或缺的思考者。

技术的工具属性从未改变。CANGARU框架的意义，在于帮助我们驯服这头强大的“袋鼠”，让它载着我们在学术探索的道路上跳得更远、更稳，而不是被它带离既定的轨道，甚至迷失方向。最终，一切工具的价值，仍由使用工具的人及其所秉持的诚信与智慧来定义。