写作与医学教育中交给 AI 的认知劳动应如何治理？

治理单位是被委托的具体任务

论文的核心论点是："使用 AI"这个类别太粗，无法据此制定规则。论文把写作视为任务、工具与情境的组合，并用三组区分展开分析。第一，被委托的是什么认知劳动：建议措辞、修正语法或翻译主要改变表达；而总结作者未读过的文献、起草论证或生成参考文献，则改变内容与推理。第二，写作者如何对待输出：在批判性协作中，作者反复提示、筛选、核查并修改模型输出，同时保留对论断和证据的控制；在无批判替代中，作者几乎不加审视地接受输出，让它代替自己的推理。第三，情境中的风险有多大：润色自己写的"方法"部分或学生草稿，通常比解释结果或完成一项旨在考查独立推理的作业风险更低。

因此，同一种名义上的用法可能落在治理线的两侧。论文借此说明，仅靠义务和禁令并不够：如果缺少与委托劳动、参与方式和风险挂钩的标准，机构就可能过度管制可见的低风险做法，却忽视仍然不透明的高风险问题。

截至 2026 年 8 月梳理 11 个政策家族

论文的实证核心是政策梳理，而非调查或实验。作者查阅了截至 2026 年 8 月 11 日仍然有效的政策，来源包括三个国际编辑组织和八个因跨刊覆盖或影响力而选出的期刊或出版商家族，并把此前针对作者和审稿人的比较扩展到编辑。表格分别汇总作者条款与审稿人、编辑条款；补充材料逐字复制了支撑性政策段落，并提供条款级映射和证据编号，把每条摘要与原文对应起来。

由此形成的数据集被描述为 296 条条款、259 个证据单元。由于统计单位是政策条款而非单个期刊或作者，下文的数量应理解为政策家族或条款的数量，而不是研究者或稿件的数量。论文还指出，大学和课堂政策更分散，且往往不公开，因此出版规则只是一个可操作的切入点，并不能呈现治理的全貌。

政策在披露与人类责任上趋同

早期政策强调作者必须是人、责任由人承担以及披露，但在是否限制、如何限制生成内容上各不相同。到 2026 年 8 月，模式转向按任务和角色区分的有条件许可：11 个政策家族中有 7 个区分了辅助性、实质性（或生成性）和方法性作者用途，11 个中有 10 个同时包含针对审稿人和编辑的条款。

三个层级承担不同义务。辅助性用途包括拼写、语法和轻微文体编辑，通常无需披露。实质性用途包括列提纲、起草、大幅改写、文献总结和论证发展，一般允许使用，但要求披露、人工审阅和核查。方法性用途指 AI 成为研究方法的一部分，例如数据分类或文本挖掘，应在方法部分详细报告，以便评估有效性和可重复性。披露本身也更有结构：通常要求作者说明是否使用工具、如何使用、在哪里报告（投稿信、方法、致谢或专门的 AI 声明），有时还要求提供工具名称、模型版本、日期和提示词。

保密要求把作者与审稿人规则分开

审稿人和编辑条款与作者条款明显不同。在给出审稿人指引的 10 个政策家族中，全部限制把稿件相关内容上传到 AI 工具，主要目的是保护保密性和作者权利。其中 8 个明确允许在保障措施下进行有限协助，通常用于修改审稿语言、整理反馈或进行不涉及保密信息的背景检索。

编辑判断受到更严格的约束。11 个政策家族中有 6 个明确把编辑决定或评价性工作保留给人类，或禁止把核心审稿任务委托出去；但仍有 4 个允许或报告了内部使用 AI 辅助的稿件筛查、流程检查或审稿人识别与匹配。论文特别提到，Nature Portfolio 于 2026 年 8 月 4 日采用了一套跨角色框架，按风险而非按作者任务组织：不引入新知识内容、不影响判断的辅助性用途被允许；解释性或评价性用途要求核查、披露和可证明的人工监督；不透明或无法核查、取代可问责的人类贡献、或损害保密性与诚信的用途被禁止。

五个领域把风险与保障措施相连

政策图谱显示了现行规则覆盖了哪些风险，但作者认为它本身无法说明什么才是负责任的监督。因此，论文结合写作研究和主要 AI 治理框架（尤其是 NIST AI 风险管理框架和欧盟高级别专家组伦理指南）解读这些模式，并把相关后果归入五个相互重叠的领域。能动性与发展关注谁承担认知工作，以及这种分工如何影响技能和学术身份。认识质量关注论断是否准确、有证据支持、来源正确、论证连贯。公平关注谁能获得有效工具、谁的工作被认为可信、谁承担错误与纠正的成本。权利与治理关注使用了谁的材料、依据什么授权，同意、保密和知识产权如何保护，以及责任如何分配。经济与文化关注廉价流畅文本如何改变激励、劳动、基础设施和学术传播的信息生态。透明不是独立领域，而是贯穿五个领域的机制集合：披露、日志记录和可审计性。

作者明确说明，这一框架是解释性综合，而非经过实证验证的分类法，也可以有其他划分方式，例如把隐私与问责分开，或把劳动力市场效应与认识生态分开。这一性质对读者很重要：五个领域用于组织风险，并把风险与期刊、大学和导师可用的监督机制联系起来，但它们并不是对已观察到危害的实测分类。

发展、公平与激励仍少被触及

政策梳理揭示出政策重点与其薄弱之处之间的差距。现行政策集中于透明、作者身份、核查和保密，却很少关注委托认知劳动带来的发展后果、AI 获取不平等和错误负担的分配效应，以及廉价流畅文本造成的长期激励变化。在能动性与发展方面，政策主要通过作者标准和问责来表达，并越来越明确要求披露实质性 AI 使用，但对过程谈得很少：在培训情境中如何评价工作、合法协助与失实陈述的界线在哪里、如何为缓慢习得个人声音和风格保留空间。

在认识质量方面，政策坚持作者必须核查 AI 生成内容并对准确性负责，但很少说明核查应如何组织进实际工作流，也很少说明期刊在发现 AI 引发的错误后应如何回应。论文指出一个结构性问题是"廉价流畅"：当文本生产成本很低而核查成本很高时，警觉的成本被推给导师、审稿人和读者，他们在时间压力下可能高估润色而低估深度。在权利与治理方面，论文认为政策在技术基础设施（如安全部署、日志记录和可审计性）和法律程序框架（如救济机制、训练数据争议、AI 辅助输出的版权，以及学术情境中的身份冒用）上更薄弱。

保障措施应随委托层级而不同

论文提出的保障措施按层级区分，而非一刀切。在能动性与发展方面，建议保留作者标准和 AI 使用披露，并补充简短的标准化声明，说明 AI 如何参与；在教学与指导中，评价应包含草稿历史、笔记、口头答辩和部分无 AI 的课堂写作，并训练学生批判、调试和改进模型输出。对研究稿件，核心论断、关键推理步骤和所述局限应来自可观察的人类草稿（如修订记录、带注释的提纲），使论证主线可证明属于作者。

在认识质量方面，AI 输出应被视为暂定：论断、数据和引用由人类作者独立核查，把论断与引用核查纳入标准且可见的工作流，而不是依赖个人临时尽责，并禁止未经核查的 AI 生成引用或参考文献。在权利与治理方面，论文建议把现有 COPE/ICMJE 式分类整合为清晰的分层类别——无需披露的允许用途、需要披露的用途和禁止用途——同时为敏感工作提供机构控制的模型，并落实数据最小化、保留政策、安全审计、红队测试和足以支持事后还原的日志记录。具体到医学教育，框架要求受保护的患者信息和受限考核材料只能进入经批准的系统，并有明确的保留保障，还提出分阶段安排：先建立基础能力，再教授核查，最后评估可问责的人机协作。

以可靠性、公平与效率评判治理

论文的结论是有条件的，而不是对 AI 的裁决。AI 协助既非天然腐蚀，也非天然解放：当作无批判替代使用时，它会损害学术；而当分层保障和清晰角色边界降低语言障碍、把精力从表面润色转向核查与综合，并使浅层或通用文本不再有价值时，它可以优于 AI 之前的基线。作者指出，除非对作者身份和问责进行根本性重新定义，有些边界不应移动：作者必须是人、独立同行评审、针对公共或启用训练的工具的保密保障，以及即使 AI 辅助筛查也由人做编辑判断。

在这些约束之内，论文的判断规则是：治理应以其是否相对 AI 之前的状况改善学术传播的可靠性、公平和效率来评判，而不是以它压制了多少 AI 参与来评判。研究议程也遵循同一逻辑：研究应区分使用层级，而不是把 AI 使用当作单一类别；应在不同语言、机构、学科和地区测量公平后果，而不是假定；并追踪全面禁令、按角色制定的政策和安全的机构工具等治理选择如何影响审稿人负担、决定时间和投稿的信噪比。结尾给出阈值：在流畅廉价而认识昂贵的条件下，学术写作只有在它的论断值得核查成本时才值得生产。

本文引用的文献