知识门户中的人工智能：高校与出版机构的制度政策与混合配置研究

这篇综述深入探讨了学术机构如何通过边界工作（boundary work）和行动者网络理论（actor-network theory）来规范人工智能（AI）在知识生产中的应用。研究聚焦16所顶尖高校和12家主流出版商的AI政策，提出"双重黑箱化（dual black-boxing）"和"合法性依赖型混合行动者（legitimacy-dependent hybrid actors）"等创新概念，揭示了学术机构在应对技术颠覆时如何通过透明度要求、过程导向边界和灵活授权机制来平衡技术创新与学术价值保护。

　　

知识门户中的人工智能：制度政策与混合配置

1 引言

近期研究显示人工智能（AI）在学术环境中的采用率快速攀升，86%的学生已在学习中使用AI，54%的研究者将AI应用于翻译、校对等专业活动。然而63%的研究者认为缺乏明确指南是主要障碍，这凸显了建立AI治理框架的紧迫性。研究采用边界工作理论和行动者网络方法，提出双重黑箱化概念——既指AI算法的内部不透明性，也包含使用模式的可视化缺失；同时提出合法性依赖型混合行动者概念，强调相同AI协作模式可能因披露程度而获得不同合法性认定。

2 材料与方法

研究对16所英美顶尖高校（包括常春藤盟校和THE排名前八的英国院校）和12家主流出版商（如Elsevier、Springer Nature等）的AI政策进行定性内容分析。采用迭代编码策略，先基于概念框架进行演绎编码，再通过归纳编码识别子主题。

3 高校视角的AI治理

3.1 边界工作策略

高校采用三类边界划定策略：

• 分类边界：如UCL设立三级使用标准（禁止/辅助/整合）

• 权限分配：康奈尔大学等将决策权下放至教师层面

• 功能区分：允许AI用于头脑风暴（爱丁堡大学）但限制最终产出

透明度机制呈现"使用可视化优先"特征：

• 强制声明要求（帝国理工学院需注明AI工具版本及使用场景）

• 验证责任分配（耶鲁大学要求人工核查AI输出的偏见）

  但存在内部黑箱穿透不足的问题，如普林斯顿政策仅泛泛提醒"注意AI错误"而缺乏具体方法。

3.2 合法性混合体

高校认可四类混合行动者：

• AI辅助研究者（牛津大学允许用于文献综述支持）

• AI增强写作者（爱丁堡大学批准用于写作框架构建）

• AI赋能翻译者（牛津允许跨语言文本转换）

• AI支持程序员（用于代码辅助）

  合法性取决于三大因素：人类主导性（曼彻斯特大学禁止纯AI生成内容）、贡献可视化程度、以及AI介入阶段（偏好早期过程支持）。

4 出版机构的AI治理

4.1 差异化边界

出版商建立更严格的产出控制：

• 作者身份排除（Elsevier声明AI不得列为作者）

• 图像生成限制（Taylor & Francis禁止AI创建研究图像）

• 角色专属规范（禁止审稿人使用AI评估论文）

4.2 透明度创新

部分出版商突破常规披露：

• SAGE要求提交AI提示词与生成结果的完整记录

• IEEE规定在致谢部分标注AI贡献段落

  但同样面临训练数据溯源等未解难题。

4.3 受限的混合体

出版界仅认可三类配置：

• AI语言编辑（Springer Nature允许语法修正）

• AI研究助手（SAGE批准用于克服写作障碍）

• AI方法专家（Elsevier特许在生物医学成像中使用）

  其合法性框架强调人类终责（MDPI要求作者对AI产出负全责）和过程监督。

5 比较分析

高校呈现"教育适应性"特征：

• 分布式决策架构

• 侧重学习过程支持

  出版商体现"记录守护者"取向：

• 集中式编辑控制

• 强调学术记录完整性

  两者共同点是都采用"选择性渗透"策略——通过披露机制使AI贡献可见，同时维持人类在关键节点的权威。

6 讨论与展望

研究发现学术机构正通过传统治理框架的适应性扩展（而非颠覆）来整合AI，这种"监督式混合"模式具有三个显著特征：

• 透明度替代绝对禁止成为核心机制

• 过程贡献比最终产出更易获得合法性

• 人类验证责任与AI技术复杂度存在张力

  未来研究需拓展到非精英院校，并关注政策与实践的落差——正如剑桥大学政策坦言："为快速演进的技术制定政策极具挑战性"。