基于DeepSeek的参考文献AI编校研究——以《吉林大学学报(信息科学版)》为例_刘俏亮.pdf

２０２５０８编辑学报

３７（４）ＡＣＴＡＥＤＩＴＯＬＯＧＩＣＡ

４３１

基于ＤｅｅｐＳｅｅｋ的参考文献ＡＩ编校研究

———以《吉林大学学报（信息科学版）》为例

刘俏亮，刘东亮，张洁

吉林大学学报（信息科学版），１３００１２，长春

摘要为探究ＡＩ大模型在参考文献编校中的实际效果，明（≤０.０００２）．ＴｈｅｓｅｆｉｎｄｉｎｇｓｓｕｇｇｅｓｔｔｈａｔｗｈｉｌｅｌａｒｇｅＡＩｍｏｄｅｌｓ

确其可用性与局限性，本研究以《吉林大学学报（信息科学ｄｅｍｏｎｓｔｒａｔｅｃｅｒｔａｉｎｕｔｉｌｉｔｙａｓｓｕｐｐｌｅｍｅｎｔａｒｙｔｏｏｌｓｆｏｒｆｏｕｎｄａｔｉｏｎａｌ

版）》的参考文献为样本，采用ＤｅｅｐＳｅｅｋ大模型进行编校。依ｒｅｆｅｒｅｎｃｅｆｏｒｍａｔｔｉｎｇｔａｓｋｓ，ｔｈｅｉｒｅｆｆｅｃｔｉｖｅｎｅｓｓｒｅｍａｉｎｓｈｉｇｈｌｙ

据国标ＧＢ／Ｔ７７１４—２０１５及本刊自身格式要求设计著录规则ｃｏｎｓｔｒａｉｎｅｄｉｎａｄｄｒｅｓｓｉｎｇｆｉｎａｌｐｕｂｌｉｃａｔｉｏｎｑｕａｌｉｔｙｒｅｑｕｉｒｅｍｅｎｔｓａｎｄ

表和提示词，构建典型文献（１０篇）和大样本文献（４４３篇）测ｒｅｓｏｌｖｉｎｇｐｅｒｖａｓｉｖｅｃｏｎｔｅｎｔｅｒｒｏｒｓｉｎａｃａｄｅｍｉｃｒｅｆｅｒｅｎｃｅｓ．

试集，通过对比原稿文献、ＡＩ编校后文献与正确文献的差异，Ｋｅｙｗｏｒｄｓｒｅｆｅｒｅｎｃｅｓ；ＡＩｅｄｉｔｉｎｇａｎｄｐｒｏｏｆｒｅａｄｉｎｇ；ＤｅｅｐＳｅｅｋ；

统计差错率等指标进行评估。结果显示ＤｅｅｐＳｅｅｋ在标点修ｅｒｒｏｒｒａｔｅ

正、格式规范等简单任务中表现尚可，但在广泛存在的内容性Ａｕｔｈｏｒｓ’ａｄｄｒｅｓｓＪｏｕｒｎａｌｏｆＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ（Ｉｎｆｏｒｍａｔｉｏｎ

差错（如题名翻译错误、出版项错漏）修正上能力薄弱，且存在ＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），１３００１２，Ｃｈａｎｇｃｈｕｎ，Ｃｈｉｎａ

引入新差错的风险。虽然经过ＤｅｅｐＳｅｅｋ编校后整体差错率有ＤＯＩ：１０．１６８１１／ｊ．ｃｎｋｉ．１００１⁃４３１４．２０２５．０４．０１５

所下降，但差错率的绝对数值仍数十倍于期刊出版质量控制阈参考文献是科技论文的重要组成部分，它不仅体

值（０.０００２）。因此，ＡＩ大模型在帮助编辑完成基础性文献格

现了作者的专业知识储备量、研究的深度和广度，同时

式规范工作上具备一定可行性，但对于提升最终的参考文献出

为读者提供了系统的文献溯源途径，直接反映了论文

版质量，解决大量存在于已出版期刊中的文献内容差错问题，

的学术价值和研究可信度。但是，编辑人工编校参考

作用非常有限。

关键词参考文献；ＡＩ编校；ＤｅｅｐＳｅｅｋ；差错率