人工智能辅助学术研究的利与弊：从追求效率到严谨求真

2025年7月15日

人工智能（AI）正以惊人的速度重塑学术研究的格局。从创意产生到数据生成，从写作到期刊发表，AI 正渗透到学术生态系统的每一个环节（Van Quaquebeke et al., 2025）。在这篇发表于 *The Leadership Quarterly* 的文章中，Van Quaquebeke、Tonidandel 和 Banks 指出，我们已经身处 AI 深度参与知识生产的时代。真正的问题已不再是“我们是否应该使用 AI？”，而是“我们如何才能有原则、有反思地使用它？”

灵感伙伴还是同质化推手？AI 如何重塑研究设计

生成式人工智能正在成为学术灵感的孵化器。研究者利用大语言模型（LLM）进行头脑风暴、提出研究问题，甚至检索被忽视的跨学科议题（Bianchini et al., 2022）。实证研究甚至表明，AI 生成的研究构想在新颖性上优于 100 名 NLP 专家提出的构想（Si et al., 2024）。此外，受益者不仅是初学者，资深学者也可以通过反向提示（counter-prompting）与 AI 互动，从而突破固有思维。AI 甚至可以帮助研究者核查类似项目是否已经发表，从而增强原创性（Skarlinski et al., 2025）。

然而，如果众多学者都在使用相同的 AI 模型，这种便利是有代价的。AI 倾向于生成“平均化”的答案，从而压缩真正具有颠覆性问题的空间，形成所谓的“算法单一文化”（algorithmic monoculture）（Holzner et al., 2025）。与此同时，热点议题预测工具可能诱使研究者投机性地选题，从而落入古德哈特定律的陷阱：当一个指标变成目标时，它就不再是一个好的指标。

因此，作者建议：一方面，利用 AI 激发创造力；另一方面，有意识地输入异质性资源，并提出反直觉的问题，例如“哪些视角被系统性地忽视了？”或“这一领域存在哪些隐含假设？”（Lee & Chung, 2024）。此外，作者还提出了具体策略，例如先进行个人思考，再与 AI 互动，最后以团队形式讨论所生成的想法。这种“离线思考、AI 互动、团队讨论”的迭代过程可以有效避免集体趋同（Paulus & Kenworthy, 2019）。

文献理解的新时代：效率、深度与偏见并存

AI 在文献综述方面的潜力同样引人注目。一项研究指出，AI 仅用两天时间就复现并更新了 12 篇 Cochrane 系统综述的核心内容，相当于 12 年的人工工作量（Cao et al., 2025）。研究者如今可以借助 AlphaXiv 或 NotebookLM 等工具与文章进行“对话式分析”，或生成可视化的逻辑图谱，以识别理论假设之间的隐藏关系。AI 还可以帮助解决“jingle-jangle”问题，即同一术语指代不同概念、或不同术语指代同一概念的问题，这在领导力研究等结构复杂的领域尤为突出（Banks et al., 2018; Cronin et al., 2022）。

然而，AI 驱动的综述系统也伴随着重大风险。其训练语料往往不包括付费墙后的文献，这可能导致重要声音被遗漏。一项大规模分析发现，GPT-4o 生成的参考文献偏好标题简短、新近发表以及来自高影响力期刊的文章，从而放大了马太效应（Algaba et al., 2025）。更深层的风险在于，AI 可能把哲学立场相互冲突的学派整合成一个“顺滑”的叙事，削弱研究中的理论张力。作者提醒我们，AI 可以充当出色的“助手”，但绝不能成为综述结论的“裁决者”（Malik & Terzidis, 2025）。

从灵感到算法趋同

研究设计：AI 可以绘制路线图，但无法代写研究旅程

AI 不仅能协助产生想法，还能直接参与研究设计，包括变量操纵、问卷开发和翻译优化。与传统的 Brislin 方法相比，AI 辅助翻译（如 DeepL）在处理文化差异的同时能更好地保留语义细节（Brislin, 1970）。AI 还可以依托大量方法论文献，帮助规划统计策略或选择控制变量（Van Quaquebeke et al., 2025）。AI 模拟样本的能力日趋成熟，使研究者能够在开展实地研究之前估计潜在效应（Argyle et al., 2023; Ashokkumar et al., 2024）。然而，这些“虚拟样本”的真实性仍是一个问题。由 AI 设计的实验在理论上或许完美，却可能忽视现实环境的复杂性（Mei et al., 2024）。

最根本的风险在于，研究者把设计决策交给 AI，可能会失去对方法过程的掌控，从而逐渐丧失“亲手理解现实”的能力。因此，作者强调，AI 的建议只应作为起点，而非最终决定。对研究方法的判断必须由人类研究者自己坚守（Resnik & Hosseini, 2025）。

数据生成：创新的实验参与者还是被污染的数据来源？

如今，AI 不仅能生成虚拟数据，还能充当实验参与者（“AI 同谋者”，AI confederates），模拟复杂的社会互动情境。例如，AI 可以在实验中扮演“糟糕队友”的角色，根据情境灵活回应，突破静态脚本的限制（Krafft et al., 2016）。此外，AI 已经能够从 Slack 和 Zoom 等数字平台收集互动数据，或开展大规模的数字民族志研究。甚至有人利用 AI 以虚构身份（未经同意）参与 Reddit 社区讨论，以测试说服效果。但所有这些都敲响了伦理警钟。

当参与者怀疑对方不是人类时，研究数据的真实性就会受到质疑。更严重的是，参与者自己也可能借助 AI 作答，从而反过来“污染”数据。因此，作者主张，任何 AI 对实验的介入都必须以透明的方式充分披露。AI 生成的数据只应被视为“理论数据”，而不能替代实证调查（Von Krogh et al., 2023）。

AI：是助手，而非裁判

数据分析：打开素养之门还是遮蔽理解？

AI 降低了高级统计分析的门槛，尤其在文本分析和数据可视化方面成效显著（Feuerriegel et al., 2025）。用户甚至可以上传表格、图片或 SPSS 输出结果，让 AI 检测异常值并解释其含义。然而，当今的 AI 过于“自信”，可能导致初学者忽视背后的前提假设。有时 AI 会犯“逻辑上正确”的错误：其模式识别在技术上准确，却在情境上是错误的（Wenzel & Van Quaquebeke, 2018）。因此，分析结果仍需人类研究者借助理论和方法框架进行交叉验证。

写作与表达：加速工具还是失声风险？

AI 辅助写作可以有效缓解“空白页焦虑”，并提升产出质量。一项研究显示，在 ChatGPT 的帮助下，参与者的写作时间缩短了 40%，质量提高了 18%（Noy & Zhang, 2023）。AI 还可以帮助非英语母语者润色语法、调整语气，使其更容易达到学术发表标准（Van Quaquebeke et al., 2025）。

然而，问题在于 AI 生成的文本往往风格同质化、语气“平淡”。更严重的是，AI 可能引用虚假或捏造的参考文献，这在撰写文献综述时尤其危险（Letrud & Hernes, 2019）。此外，AI 在提升个人写作能力的同时，可能减少合作写作的机会，从而削弱学术共同体内部的交流与批判性对话（Hoffmann et al., 2024）。鉴于这些问题，作者提出了自己的观点：学术写作的本质在于“保留作者的声音”，这是学术传承的核心，而结构优化并非其本质所在。

出版与传播：从封闭流程到“活的论文”

AI 也在重塑期刊的编辑流程。从初步稿件筛选、审稿人匹配，到生成编辑意见和追踪修改，AI 都能高效参与（Checco et al., 2021）。它甚至可以协助作者起草回复信，整合多轮评审的反馈，以提高沟通效率（Van Quaquebeke & Gerpott, 2024）。

然而与此同时，AI 可能复制历史偏见，压制新颖但非主流的投稿（Pataranutaporn et al., 2025）。经 AI 优化的“好文章”可能只是对现行指标的过度拟合，而非真正的知识突破。更危险的是，我们可能在不知不觉中开始“为 AI 写作”，而不是为学术写作（Naddaf, 2025）。

思考更深，而非更快

结论：用 AI 减轻负担、放大反思；用 AI 赋能而非取代判断

总之，作者指出，AI 可能接管几乎所有的学术流程，但真正的危险在于学者主动迎合 AI 的逻辑并丧失想象力，而不在于 AI 取代人类。因此，我们必须利用 AI 节省时间，以便“思考得更深”，而不仅仅是“复制得更快”（Messeri & Crockett, 2024）。人类研究者仍肩负着不可替代的使命：提出有价值的问题，并保持批判精神与独立的声音。AI 可以提高效率，但知识的深度与意义仍须由我们自己创造。

参考文献

Algaba, A., Holst, V., Tori, F., Mobini, M., Verbeken, B., Wenmackers, S., & Ginis, V. (2025). How deep do large language models internalize scientific literature and citation practices? https://doi.org/10.48550/arXiv.2504.02767

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. *Political Analysis, 31*(3), 337–351. https://doi.org/10.1017/pan.2023.2

Ashokkumar, A., Hewitt, L., Ghezae, I., & Willer, R. (2024). Predicting results of social science experiments using large language models. https://docsend.com/view/ity6yf2dansesucf

Banks, G. C., Gooty, J., Ross, R. L., Williams, C. E., & Harrington, N. T. (2018). Construct redundancy in leader behaviors: A review and agenda for the future. *The Leadership Quarterly*, *29*(1), 236–251. https://doi.org/10.1016/j.leaqua.2017.12.005

Bianchini, S., Müller, M., & Pelletier, P. (2022). Artificial intelligence in science: An emerging general method of invention. *Research Policy*, *51*(10), 104604. https://doi.org/10.1016/j.respol.2022.104604

Brislin, R. W. (1970). Back‑translation for cross‑cultural research. *Journal of Cross‑Cultural Psychology, 1*(3), 185–216. https://doi.org/10.1177/135910457000100301

Cao, C., Arora, R., Cento, P., Manta, K., Farahani, E., Cecere, M., Selemon, A., Sang, J., Gong, L. X., Kloosterman, R., Jiang, S., Saleh, R., Margalik, D., Lin, J., Jomy, J., Xie, J., Chen, D., Gorla, J., Lee, S., & Bobrovitz, N. (2025). Automation of systematic reviews with large language models. https://doi.org/10.1101/2025.06.13.25329541

Checco, A., Bracciale, L., Loreti, P., Pinfield, S., & Bianchi, G. (2021). AI-assisted peer review. *Humanities & Social Sciences Communications*, *8*(1), 1–11. https://doi.org/10.1057/s41599-020-00703-8

Cronin, M. A., Stouten, J., & van Knippenberg, D. (2022). Why Theory on “How Theory Fits Together” Benefits Management Scholarship. *The Academy of Management Review*, *47*(2), 333–337. https://doi.org/10.5465/amr.2021.0517

Feuerriegel, S., Maarouf, A., Bär, D., Geissler, D., Schweisthal, J., Pröllochs, N., ... & Van Bavel, J. J. (2025). Using natural language processing to analyse text data in behavioural science. *Nature Reviews Psychology*, *4*(2), 96-111.

Hoffmann, M., Boysel, S., Nagle, F., Peng, S., & Xu, K. (2024). *Generative AI and the Nature of Work* (No. 11479). CESifo Working Paper.

Hoffmann, S., Lasarov, W., & Dwivedi, Y. K. (2024). AI-empowered scale development: Testing the potential of ChatGPT. *Technological Forecasting and Social Change*, *205*, 123488.

Holzner, N., Maier, S., & Feuerriegel, S. (2025). Generative AI and creativity: A systematic literature review and meta‑analysis (Version 1). https://doi.org/10.48550/ARXIV.2505.17241

Krafft, P. M., Macy, M., & Pentland, A. (2016). Bots as Virtual Confederates: Design and Ethics. *arXiv.Org*. https://doi.org/10.48550/arxiv.1611.00447

Lee, B. C., & Chung, J. (2024). An empirical investigation of the impact of ChatGPT on creativity. *Nature Human Behaviour*, *8*(10), 1906–1914. https://doi.org/10.1038/s41562-024-01953-1

Letrud, K., & Hernes, S. (2019). Affirmative citation bias in scientific myth debunking: A three-in-one case study. *PLoS One*, *14*(9), e0222213.

Malik, F. S., & Terzidis, O. (2025). A hybrid framework for creating artificial intelligence‑augmented systematic literature reviews. *Management Review Quarterly*. Advance online publication. https://doi.org/10.1007/s11301-025-00522-8

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. *Nature (London)*, *627*(8002), 49–58. https://doi.org/10.1038/s41586-024-07146-0

Naddaf, M. (2025). AI is transforming peer review, and many scientists are worried. *Nature (London)*, *639*(8056), 852–854. https://doi.org/10.1038/d41586-025-00894-7

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. *Science (American Association for the Advancement of Science)*, *381*(6654), 187–192. https://doi.org/10.1126/science.adh2586

Qiaozhu Mei, Xie, Y., Yuan, W., & Jackson, M. O. (2024). A Turing Test: Are AI Chatbots Behaviorally Similar to Humans? *arXiv.Org*.

Pataranutaporn, P., Powdthavee, N., Achiwaranguprok, C., & Maes, P. (2025). *Can AI Solve the Peer Review Crisis? A Large Scale Cross Model Experiment of LLMs’ Performance and Biases in Evaluating over 1000 Economics Papers* (No. arXiv:2502.00070). arXiv. https://doi.org/10.48550/arXiv.2502.00070

Paulus, P. B., Kenworthy, J. B., & Nijstad, B. A. (2019). Effective Brainstorming. In *The Oxford Handbook of Group Creativity and Innovation*. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780190648077.013.17

Resnik, D. B., & Hosseini, M. (2025). The ethics of using artificial intelligence in scientific research: new guidance needed for a new tool. *Ai and Ethics (Online)*, *5*(2), 1499–1521. https://doi.org/10.1007/s43681-024-00493-8

Si, C., Yang, D., & Hashimoto, T. (2024). Can LLMs generate novel research ideas? A large‑scale human study with 100+ NLP researchers (Version 1). https://doi.org/10.48550/ARXIV.2409.04109

Skarlinski, M., Nadolski, T., Braza, J., Storni, R., Caldas, M., Mitchener, L., Hinks, M., White, A., & Rodriques, S. (2025). Superintelligent AI agents for scientific discovery. FutureHouse. https://www.futurehouse.org/research-announcements/launching-futurehouse-platform-ai-agents

Van Quaquebeke, N., & Gerpott, F. H. (2024). Artificial Intelligence (AI) and Workplace Communication: Promises, Perils, and Recommended Policy. *Journal of Leadership & Organizational Studies*, *31*(4), 375–381. https://doi.org/10.1177/15480518241289644

Van Quaquebeke, N., Tonidandel, S., & Banks, G. C. (2025). Beyond efficiency: How artificial intelligence (AI) will reshape scientific inquiry and the publication process. The Leadership Quarterly, 36, 101895. https://doi.org/10.1016/j.leaqua.2025.101895

von Krogh, G., Roberson, Q., & Gruber, M. (2023). Recognizing and Utilizing Novel Research Opportunities with Artificial Intelligence. *Academy of Management Journal*, *66*(2), 367–373. https://doi.org/10.5465/amj.2023.4002

Wenzel, R., & Van Quaquebeke, N. (2018). The Double-Edged Sword of Big Data in Organizational and Management Research: A Review of Opportunities and Risks. *Organizational Research Methods*, *21*(3), 548–591. https://doi.org/10.1177/1094428117718627