大语言模型生成科研论文摘要时的自我修复模式与人类作者差异 .docxVIP

PAGE2

大语言模型生成科研论文摘要时的自我修复模式与人类作者差异

摘要

本研究聚焦大语言模型在生成科研论文摘要过程中表现出的自我修复行为，并将其与人类作者写作草稿中的修订痕迹进行系统比较，旨在构建一套基于文本修订模式的原创性鉴别指标。当前，人工智能生成文本的泛滥对学术诚信构成严重威胁，但现有检测方法多关注最终成品的表面语言特征，忽视了生成过程中丰富的动态信息。本研究从文本发生学与遗传批评视角出发，将修订痕迹视为一种“过程签名”，用以洞察语言生成的内部机制。

全文共分八章，遵循“提出问题—分析问题—解决问题”的递进逻辑。第一章阐明研究背景与核心问题；第二章综述已有的AI文本检测与人类写作过程研究；第三章界定自我修复模式、修订痕迹等核心概念，并构建理论分析框架；第四、五章分别对两类文本中修订痕迹的生成矛盾与作用机制进行纵深解析；第六章基于前述理论推演，提出一套融合结构层、操作层与语义层的原创性鉴别指标体系；第七章总结研究发现与理论贡献，并讨论对学术治理的启示；第八章反思研究局限并展望未来方向。研究认为，大语言模型的自我修复以概率驱动的局部优化为本质，呈现出高一致性、低断裂感的痕迹模式；而人类作者的修订则由认知深度参与，痕迹分布不均且常伴随语义跃迁。基于这一差异构建的鉴别框架，能为检测AI辅助写作提供新的理论工具，拓展了学术文本原创性评价的维度。

关键词：大语言模型；自我修复