生成式人工智能对科学学术传播的重塑与挑战：版权、同行评审与知识获取的困境

《Ophthalmic and Physiological Optics》：Is AI Redefining Scientific Publications?

　　

科学或学术传播通过验证研究成果、作为知识库以及引导未来调查和研究，为知识创造和学术进步奠定基础。这些传播形式已存在数个世纪，从口头传播发展到纸质出版，再到近几十年的数字出版。然而，尽管数字化带来了便利和优势，科学文章的发表已成为一个复杂的商业出版实践网络，学者和研究人员可能难以驾驭。尽管如此，它仍然是分享研究成果的主要媒介。然而，随着大型语言模型（LLM）正在重塑我们创造和归档知识成果的方式，我们已经看到该领域发生了重大变化。随着生成式人工智能（AI）的不断进步，围绕诚信、所有权、学术自由、写作和同行评审的挑战性问题不断涌现[1]。未来将走向何方尚不清楚，但此时考虑几个可能出现变化的领域是适时的。

将荟萃分析从神坛上请下来

目前，荟萃分析和系统评价在科学证据等级中占据最高层级[2]。它们总结了某一领域的证据，用于训练研究人员进行文献评估和综合，而且往往比原始文章被引用更多次。尽管有人认为荟萃分析由于综合了证据而被更广泛地阅读，但尚不清楚它们是否有效地满足了时间紧张的研究人员或从业者的需求。重要的是，这类评价即使是专家团队完成的，例如国际近视研究所关于近视的系列报告[3]或泪膜与眼科学会干眼研讨会总结系列[4]，也资源密集型、令人筋疲力尽，并且可能并不总是及时的。

在此背景下，某些人工智能模型，如Scite[Scite.ai；https://scite.ai/]以及其他基础模型，已经展示了访问海量科学文献、分析、整理并快速生成高质量摘要的能力。因此，似乎不可避免的是，人工智能将很快发展出生成高质量叙述性综述的能力。尽管这些综述可能无法替代人类专家在识别关键洞察和证据差距方面的直觉和经验，但它们提供了难以忽视的重要益处。

首先，这些模型在快速处理最新研究和多功能性方面的能力意味着，即使是经验丰富的研究人员也可能难以在速度和综合新想法的能力上与之抗衡。此外，只要这些综述不被付费墙限制，它们就能让知识更广泛地获取。再者，鉴于大语言模型（LLM）在生成多模态和用户友好格式方面的多功能性，它们可以满足不同群体的需求并将输出与需求相匹配。因此，可以设想，目前以单一、以文本为主的格式呈现荟萃分析结果的做法可能会改变，转向更加动态和定制化的知识综合形式。

棘手的版权问题

一旦一篇文章成功通过同行评审并被接受发表，作者需要通过一种称为"版权转让协议"的许可安排将文章的版权转让给出版商。这个过程通常在最后阶段进行且不容谈判——作者只是将版权转让给出版商以换取文章的发表。版权法的存在是为了保护所有人的知识产权；转让给出版商后，所有者放弃了部分角色，由出版商控制文章的表现形式。然后出版商获得向读者提供这些文章访问权，通常需要对单个文章访问或订阅收取高额费用。

尽管开放获取最初被宣传为解决访问问题的灵丹妙药，但它催生了投机性的商业化，一些出版商向研究人员收取数千美元的费用来发表开放获取文章，令人担忧的是，同行评审标准令人质疑。尽管已经数字化，不幸的是，收取费用的做法已蔓延到大多数期刊，因此，对学术传播的获取现在越来越多地限制在大型组织内。学术界面临继续维持这一体系的压力，矛盾的是，在某些情况下，作者需要获得期刊的许可才能使用自己的数据、表格或图表，而这些最初是由各种机构和组织资助的。

人工智能在这一切中处于什么位置？学术写作是程式化的，英语是通用语言。对于那些以英语为第二语言或处于职业生涯早期的研究人员来说，他们可能很想输入数据和结果，让大语言模型来撰写文章。许多人可能还会将准备提交给期刊的最终文章输入人工智能，以生成摘要或修正表达方式；此类场景正日益成为常态而非例外。

因此，这引发了第一个问题：如果人工智能生成了这篇文章，那么谁才是这篇文章的所有者，是研究人员还是人工智能？

对此已有大量讨论，有人认为人工智能不能被认定为所有者，因为它既不是自然人也不是法人，因此不享有任何权利。此外，据了解，作者仍然通过提示词在推动知识产权内容方面发挥着重要作用。在许多国家，人工智能不被视为人类，因此，目前版权法并未赋予人工智能版权。但情况很快变得模糊——例如，如果一个人只是上传数据而人工智能撰写了整篇文章，是否存在版权保护，人类能否将文章版权转让给出版商？目前尚没有明确答案，这一领域需要密切关注。

另一个问题是，一旦学者转让了版权，版权所有者可能会使用专有数据库来训练、开发和商业化结构化人工智能数据库，这可能会进一步限制对学术文章的访问和再利用。随着这些变化已经在路上，这些发展进一步加剧了研究传播和知识获取中的不平等。

基于人工智能的同行评审

一个考验学术诚信边界的问题是使用基于人工智能的同行评审[5]——科学研究的同行评审一直由该领域最新研究方面具有专业知识的专家负责，因此他们能够评估任何学术作品的影响力和重要性。尽管人工智能生成的同行评审可能擅长识别方法学问题和研究中的差距，但它能解读作品的重要性并判断其科学价值吗？它会正确识别出值得下一个诺贝尔奖的作品，还是会因其严谨性不足而将其贬低？人工智能在同行评审中的作用已经是一个备受争议的话题，各种观点层出不穷。

同行评审是一个学习过程，随着人们持续参与研究、出版和学术作品评估，技能会随时间积累。重要的是，同行评审远非完美！不同评审者之间的评审可能差异很大，且存在许多偏见。鉴于此，人工智能的支持者可能认为，单个评审者可能不太擅长分析文章的所有方面，包括方法是否适合目的、统计、推断以及科学写作质量。人工智能有望一致地提供分析特征和报告缺陷的支持。然而，同样令人担忧的问题是，人工智能系统的好坏取决于其训练数据。如果模型是用低质量和低水平文章训练的，那么我们就有可能面临人工智能放大和延续这一问题的风险。

但更关键的是，当我们考虑到学术出版中主要且持续存在的瓶颈——评审者不足时，人工智能评审的吸引力变得更加清晰。期刊经常面临寻找愿意提供评审的专家和评审者的重大挑战。研究人员无偿提供评审服务，并且常常需要在平衡自己的工作量的同时还要提供这些评审，延迟是不可避免的。在此背景下，人工智能系统为期刊提供快速评审的解决方案，并且已经成为重大争议的话题[6]

结论

我们显然正处于学术传播的一个关键时刻。使用机器智能的伦理问题引发了重大问题。毫无疑问，人工智能工具可以简化并可能帮助减轻一些繁重任务的负担——但任务将是设计具有充分人类判断力的系统，以确保学术传播保持公平和公正，服务于人类事业的进步。