用 AI 寫論文算作弊嗎？學術圈都問錯了問題
目錄
「工作系統」系列第二篇。上一篇講怎麼把 AI 工具教學的門檻砍到 10 分鐘；這篇處理房間裡的大象：拿 AI 做論文，到底正不正當？
每一場教學都會被問的問題
「老師，這樣算不算作弊？」
只要教研究生用 Claude Code，這個問題一定出現——通常在第一個小時內。而且問的人往往不是想鑽漏洞的學生，是最認真的那批：他們真心怕自己一不小心越線。
先給結論：「用沒用 AI」是個假問題。
你用 SPSS 跑迴歸，沒有人說統計是軟體做的；你用 Grammarly 修英文摘要，沒有人說摘要是外包的；你用 Google Scholar 找文獻，沒有人說文獻回顧是搜尋引擎寫的。工具從來不是問題。
真問題只有一個：論文裡的「判斷」是誰做的？
一條清楚的線：協作 vs 代寫
把「AI 在論文裡做的事」攤開來看，線其實不難畫。
這一側是協作（工具做工、你做判斷）：
- 建資料夾骨架、追蹤進度、整理會議記錄——行政工作
- 把 30 篇 PDF 分類歸檔、每篇萃取「問題／方法／發現」做成筆記——你再決定哪些真的相關
- 按照學校範本調整格式、統一引用體例——排版工作
- 幫你把「已經想清楚的論點」起草成文字，你再逐句修——秘書工作
- 寫資料清理和統計的程式碼，你驗證結果——跟用 SPSS 沒有本質差別
這一側是代寫（判斷被外包了）：
- 「幫我想一個研究貢獻」然後照單全收——貢獻是論文的靈魂，靈魂不能外包
- AI 生成的文獻引用沒有回原文查核就放進參考文獻——AI 會編造看起來很像真的書目，這在任何學校都構成學術不端
- 結果分析讓 AI 直接下結論，你沒有能力（或沒有意願）驗證它對不對
- 口試被問「為什麼用這個模型」，答不出來——因為決定不是你做的
注意：線不是畫在「AI 產出了多少文字」，是畫在每一個關鍵決策有沒有經過你。一篇 AI 起草率很高、但每個論點每筆引用都被你審過改過的論文，比一篇全手打、但論點是 AI 想的論文，乾淨得多。
三個守門機制：讓你隨時經得起檢驗
知道線在哪還不夠——你需要機制保證自己不會在趕死線的凌晨三點越線。我們在教學現場用三個：
1. 開工前：查你系所的規定
各校、各系所、甚至各期刊對 AI 輔助的規範差異很大，而且還在變。開工前花 20 分鐘查清楚：學位考試辦法、論文格式規範、你目標期刊的 AI 政策。規定比這篇文章大——如果你的系所說不行，那就是不行。
2. 進行中：AI 產出必自核
把這條寫進你的工作規則（我們直接寫在專案的 CLAUDE.md 裡，AI 每次對話都會被提醒）：
AI 引用文獻、法條、數據時，一併給出來源出處，方便回原文覆核。
然後真的去覆核。特別是三類東西：書目（AI 最常編造）、數字（轉述時會漂移）、法條與規範（版本會過時）。查核不是不信任 AI，是研究者的本分——你引用學長論文裡的數據，也一樣要回原始出處看。
3. 全程：研究日誌＝你的思考證明
這是三個機制裡最被低估的一個。每次工作結束記四行：
- 做了什麼
- 做了什麼決定（以及為什麼）
- 卡住的地方
- 下一步
三個月後口試，委員問「你為什麼第三章換了測量方式？」——你翻開日誌，那天的記錄寫著你比較過三個選項、跟教授討論過、為什麼選了現在這個。這本日誌就是「判斷是我做的」最硬的證據。（順帶一提：它同時是你寫「研究限制」和「致謝」時最好的素材庫。）
那要不要跟指導教授說？
要。而且主動說、儘早說。
不是因為心虛，是因為這件事對你有利：教授知道你用什麼工具、怎麼用，才能在對的地方把關；口試時被問到 AI 使用，「我的指導教授全程知情，方法是⋯⋯」跟支支吾吾，是兩種完全不同的局面。
實務建議：第一次 meeting 就把你的工作流程講清楚（工具做什麼、你做什麼、怎麼查核），最好連研究日誌都給教授看得到。透明是最好的防禦。
說到底，AI 改變的是什麼
AI 沒有降低論文的標準——它把標準的重心移回了正確的位置。
以前一篇論文的時間，大半花在格式、排版、找文獻、整理書目這些「合規勞動」上；判斷力反而是在深夜擠出來的。現在合規勞動可以壓到很小，剩下的時間全部還給：問題重不重要、設計嚴不嚴謹、推論站不站得住。
換句話說：AI 時代的論文，更難混了。工具人人有，判斷力見真章。
這套「協作不代寫」的完整工作系統（含專案模板、查核規則、研究日誌），由 UltraLab 教學講師 beebee 帶進大學課堂實教——他的本業是財務規劃（RFC／ChRP），「每個數字都要能被檢驗」本來就是他的職業本能。課程教材在課堂發放。系列下一篇換個戰場：我們把一套 34 萬字的爆文方法論做進了產品，然後開始 30 天實測。