生成式人工智能（GenAI）正快速渗透行为科学（behavioral science）研究全流程，重塑研究人员提出构想、设计研究、收集数据与分析结果的方式。尽管GenAI可提升研究效率、降低技术门槛并支持更复杂方法，但其引入亦伴随两类错误风险：在开放任务中相对占优的遗漏错误（errors of omission，即相关内容未被生成），以及在约束任务中相对占优的委任错误（errors of commission，即不正确内容被生成）。研究人员提出以任务界定精度与错误可检测性（error detectability）为核心的分析框架：开放任务因解空间大、缺失内容无痕迹，遗漏错误更难被领域专家察觉；约束任务因输出可被基准与规范核对，委任错误原则上更易检测但随输出规模增大而验证成本上升。基于此，GenAI在开放任务中应定位于增强（augmentation）而非替代，在约束任务中可在明确标准与验证流程下委托（delegation）。该框架为行为科学中GenAI的负责任采用、方法多样性保持及出版披露规范提供理论依据。
研究背景与问题提出
生成式人工智能（GenAI，generative artificial intelligence）与大语言模型（LLMs，large language models）已被用于行为科学（behavioral science）的构想生成、文献梳理、实验刺激材料制作、定性编码与文稿撰写等环节。其价值在于提升生产力、扩展方法能力与降低技术壁垒，但工具并非无误。当前核心问题不是“是否使用GenAI”，而是“在何种任务结构下使用、哪类错误主导、能否被检测”。已有讨论常混淆两类风险：一类是内容被错误写出，一类是内容根本未被写出。研究人员指出，任务被界定的宽窄会转移这两类错误的相对威胁，并决定验证机制是否有效。
研究人员开展的研究与结论
本研究为概念性论述，未涉及新数据收集，而是建立以“任务规范性—错误类型—可检测性”为轴的分析框架。核心结论为：开放任务（如理论定位、假设提出、文献回顾）解空间大，GenAI倾向产生遗漏错误（errors of omission），即遗漏相关视角、文献或人群异质性，此类错误无输出痕迹，依赖研究人员的领域先验，难以察觉且易造成系统性收窄；约束任务（如按既定方案跑统计、按标准重写预测方向）解空间窄，倾向产生委任错误（errors of commission），即代码错、方向反、操纵不匹配，此类错误存在于输出中，可通过基准、测试与人工核查发现。研究人员主张以错误可检测性比较来评估GenAI应用：委任错误易检，遗漏错误难检，因此开放任务只可增强不可委托。
