AI 輔助學術寫作進階：提示工程、幻覺防範與作者主權

當「會用工具」之後：把 AI 變成寫作流程的一道工序

入門篇談的是心態與底線：選對工具、誠實揭露、不讓 AI 代寫你的論點。但當這些都內化之後，真正的差距不在「要不要用 AI」，而在「在流程的哪個環節、用什麼樣的提示、如何驗證輸出」。一個把 AI 當「萬能代筆」的人，和一個把 AI 拆解成數十道小工序、每道都有明確輸入與驗收標準的人，產出的論文品質會差距極大。

進階使用者看待大型語言模型（Large Language Model, LLM）的方式，更接近一位嚴格的協作編輯：它擅長重組、對比、找漏洞，但不負責替你思考、替你查證、替你承擔署名責任。這篇文章不再重複「該不該用」的討論，而是進入機制層面——提示工程（prompt engineering）的結構、AI 在學術寫作各階段的差異化角色、幻覺（hallucination）的辨識與防範，以及一個常被忽略的問題：當期刊與審稿系統也開始用 AI 偵測 AI 時，研究者該如何自處。

提示不是許願，是規格書

多數人對 AI 失望，是因為他們把提示當成許願池：「幫我把這段改好。」「好」是什麼？對誰好？什麼風格？模型只能猜，而猜測的結果往往是把你的文字洗成一種沒有個性的「期刊體」平均值。

進階提示的核心，是把模糊意圖轉成可驗收的規格。一個好的學術寫作提示，通常包含四個要素：角色（role）、任務（task）、約束（constraints）、格式（format）。

不佳的提示：

Improve this paragraph.

改良的提示：

You are a copy-editor for a methods section in an applied linguistics journal. Tighten the paragraph below for concision and remove hedging that weakens the claims. Do NOT change the statistical values, citations, or the order of the steps. Keep it under 120 words. Return only the revised paragraph, followed by a bullet list of the changes you made and why.

差別在哪裡？改良版指定了領域（applied linguistics 的語境會影響用詞），鎖死了不可更動的內容（數值、引文、步驟順序——這正是 AI 最容易擅自「優化」而出錯的地方），限制了字數，並要求模型交代它改了什麼。最後這一點尤其重要：要求 AI 列出修改清單，等於強迫它把黑箱操作攤開，讓你逐項決定接受或駁回，而不是囫圇吞下一整段。

再看一個常見場景——請 AI 檢查論證邏輯，而非潤飾文字：

不佳：

Does this argument make sense?

改良：

Act as a skeptical reviewer. Read the argument below and identify the three weakest logical links. For each, state (a) the unstated assumption, (b) what counter-evidence a critic might raise, and (c) one sentence I could add to pre-empt that objection. Do not rewrite my text; only diagnose.

這裡的關鍵動作是把 AI 從「代筆者」切換成「診斷者」。它不碰你的文字，只指出弱點。你保留全部的作者主權，卻借用了模型「快速模擬反對者視角」的能力。對研究生而言，這種用法的學術倫理風險最低，學習效益卻最高——因為你被迫親手補強論證。

角色分化：寫作不同階段，AI 是不同的人

把 AI 當成單一助手是初階思維。進階使用者會根據寫作階段，賦予它截然不同的角色，因為每個階段對「正確性」的容忍度不同。

構思與發散階段，AI 可以是腦力激盪夥伴。這時你要的是廣度而非精準，幻覺的代價較低（反正你會自己篩選）。

I'm studying how undergraduate EFL learners self-regulate when using AI writing tools. Brainstorm 12 possible research angles, ranging from cognitive to socio-cultural framings. For each, name one theoretical lens it would draw on. Don't worry about feasibility yet.

文獻整理階段，AI 的角色要立刻收緊，因為這是幻覺重災區。絕對不要請 AI「列出相關文獻」或「幫我找引用」——它會編造看似真實的假論文，作者、年份、期刊、DOI 一應俱全，全是捏造。正確用法是反過來：你提供真實的摘要或段落，請它做結構化整理。

不佳（高風險）：

List five key papers on AI feedback in L2 writing with citations.

改良（安全）：

Below are abstracts from five papers I have already retrieved and read. For each, extract: the research question, the method, the sample size, and the main finding, in a table. Do not add any information not present in the text I gave you.

草稿撰寫階段，AI 適合處理「過渡」與「結構」這類機械性勞動——銜接句、段落主題句、章節之間的邏輯橋接——但不適合產出核心論點。

修訂與打磨階段，AI 回到它最擅長、風險也最可控的領域：句法緊縮、被動語態調整、術語一致性檢查、英文母語者慣用搭配（collocation）建議。

把這四個階段攤開來看，會發現一個規律：AI 越接近「事實宣稱」，你越要收緊韁繩；越接近「形式操作」，你越能放手。 這條軸線，比任何「AI 工具排行榜」都更值得記住。

幻覺不是 bug，是機制：學會與之共處

許多研究者對 AI 又愛又怕，問題往往出在誤解了幻覺的本質。LLM 不是資料庫，它沒有「查表」這個動作；它是一個機率模型，根據前文預測「下一個最可能的詞」。當你問它一篇不存在的論文，它不會說「查無此項」，而是生成一段「最像一篇相關論文會有的樣子」的文字。幻覺不是模型壞了，而是它正常運作的副產品。

理解這點，防範策略就清晰了：凡是涉及可被外部查證的具體事實——文獻、數據、定義、引文、人名、年份、法規條文——一律假設 AI 可能在說謊，並建立查證關卡。

實務上有幾個可操作的習慣：

第一，分離「生成」與「查證」。 讓 AI 幫你起草一段文獻回顧的「框架」，但每一個具體引用都必須回到你手上的真實來源核對。一個有用的提示技巧是要求模型標記不確定性：

When summarizing, mark any claim you are not fully certain about with [VERIFY]. Do not present uncertain claims as established fact.

這不會消除幻覺，但會降低它被偽裝成確定事實的機率。

第二，給 AI「拒絕回答」的許可。 模型有強烈的「樂於助人」傾向，會硬擠出答案而非承認不知道。在提示裡明確授權它說「不知道」：

If you do not have reliable information to answer, say "I cannot verify this" rather than guessing.

第三，對數字與計算保持最高警覺。 AI 在算術、統計推導、單位換算上的錯誤率出乎意料地高，而且錯得很自信。任何 AI 給出的數值——哪怕是它「幫你重算」的標準差——都應視為待驗證。涉及統計，請回到你的分析軟體，不要相信對話框裡蹦出來的數字。

看一個例子

假設一位研究生寫了一段討論（Discussion）的草稿，想用 AI 強化它，但又不想讓 AI 接管論點。我們對照「外包思考」與「保留主權」兩種用法。

學生原句：

Our results were quite good and showed that the AI feedback helped the students a lot, which is similar to other studies.

外包思考的用法（不建議）：

Make this sound more academic and add some citations to support it.

AI 會交出一段華麗、看似嚴謹、但塞滿捏造引用的文字——「(Chen & Liu, 2021; Watanabe, 2022)」這類根本不存在的來源。學生若照單全收，等於把學術誠信交給了一台機率機器。

保留主權的用法（建議）：

Below is a sentence from my Discussion. (1) Point out where the language is vague or overclaims. (2) Suggest a more precise, hedged academic phrasing, but leave any [CITATION] as a placeholder for me to fill in myself. (3) Do not invent references.

"Our results were quite good and showed that the AI feedback helped the students a lot, which is similar to other studies."

可能的改良輸出：

Vague terms: "quite good", "a lot", "other studies" — none are specific or measurable.

Revised: "The intervention group showed a statistically significant improvement in revision quality (though the effect size was moderate), a pattern broadly consistent with prior work on automated feedback in L2 writing [CITATION]."

注意這個輸出的三個特徵：它標出了原句的模糊處（讓學生學到「quite good」在學術寫作中是空話），它收斂了過度宣稱（從「helped a lot」變成有條件的「moderate effect size」），而引用位置留成 [CITATION] 佔位符，逼學生自己回去找真實文獻填入。AI 做了它擅長的——語言診斷與形式收斂；學生保留了它該保留的——事實查證與論點責任。

這就是進階用法的縮影：不是「AI 幫我寫好了」，而是「AI 幫我看見我寫得不夠好的地方，然後我自己改好」。

當審稿端也開始用 AI

一個正在快速變化的前沿問題是：期刊、會議、甚至指導教授，都開始使用 AI 偵測工具來判斷文本是否由 AI 生成。這帶來兩個研究者必須面對的現實。

第一，AI 偵測工具本身極不可靠。這類工具誤判率很高，尤其容易把非母語者（English as a Second Language, ESL）的英文誤判為「AI 生成」——因為非母語寫作往往句式較規律、用詞較保守，恰好與 AI 文本的統計特徵重疊。已有多起學生被工具誤標、卻百口莫辯的案例。這意味著：你不能依賴「通過 AI 偵測」來證明清白，也不該因為某段文字「被標紅」就恐慌。偵測工具的輸出是機率猜測，不是證據。

第二，與其玩「躲避偵測」的軍備競賽，不如回到根本——透明揭露。多數期刊現在要求作者聲明 AI 使用情形。誠實寫明「我使用 LLM 進行語言潤飾與文法檢查，所有論點、數據與引用均由作者負責」，遠比試圖隱藏更安全、也更符合學術倫理。揭露不是認錯，而是負責任的協作聲明。

對非母語研究者而言還有一層策略意義：保留你的寫作痕跡。版本歷史、草稿、修改紀錄,都是你「確實親自參與寫作」的證據。當偵測工具誤判時,過程留痕比成品本身更能保護你。

重點回顧

• 提示是規格書不是許願池：明確指定角色、任務、約束、格式，並要求 AI 交代它改了什麼，讓你逐項驗收而非囫圇吞下。
• 沿著「事實—形式」軸線調整韁繩：AI 越接近可查證的事實宣稱（文獻、數據、引文），你越要收緊並查證；越接近形式操作（句法、術語一致性），你越能放手。
• 幻覺是機制不是故障：LLM 是機率預測器而非資料庫，凡涉及具體事實一律假設它可能說謊，並建立查證關卡；絕不請 AI「列出文獻」。
• 保留作者主權：用佔位符 [CITATION]、用「診斷而非改寫」的提示，讓 AI 指出問題、由你親手修正,而非外包你的思考。
• 透明揭露勝過躲避偵測：AI 偵測工具誤判率高、對非母語者尤其不友善；誠實聲明使用情形並保留寫作痕跡，比玩軍備競賽更安全。

深入探討（研究所視角）

對準備長期投入研究的人，這裡有三個值得繼續深掘的方向。

其一，提示工程的可複製性與方法論透明度。 當你在論文中使用 AI 協助分析（例如質性編碼的初步分類、文獻的主題萃取），你所用的提示本身就成為方法的一部分。前沿期刊已開始要求作者在附錄揭露完整提示詞、模型版本與參數設定，理由與揭露統計軟體版本相同——為了可複製性（reproducibility）。一個未來會被嚴肅看待的問題是：同一個提示在不同模型版本上會得到不同輸出，這對研究的穩定性意味著什麼？如果你的編碼結果依賴某個特定版本的 LLM，而該版本三個月後被下架，你的研究還能被重現嗎？這是計算社會科學與教育資料探勘領域正在辯論的真實困境。

其二，AI 作為「認知鷹架」與「認知拐杖」的界線。 教育心理學裡有個關鍵區別：鷹架（scaffolding）是暫時的支持，目的是讓學習者最終能獨立完成；拐杖（crutch）則造成依賴，移除後表現反而退化。AI 寫作輔助究竟落在哪一端，取決於使用方式。若你每次都讓 AI 診斷論證弱點、然後自己修正，長期下來你的論證能力會內化提升——這是鷹架。若你每次都讓 AI 直接改寫，你的大腦從未真正參與,能力不會增長——這是拐杖。這個區別不只是個人習慣問題,它正成為「AI 時代寫作教學」的核心研究議題:如何設計工具與教學流程,讓 AI 系統性地扮演鷹架而非拐杖。

其三,語言公平性（linguistic equity）的雙面性。 AI 輔助寫作對非母語研究者是一把雙面刃。一方面,它大幅降低了「英文不夠好」這道長期阻擋全球南方學者進入頂級期刊的隱形門檻,具有真實的賦權意義。另一方面,前述的 AI 偵測誤判,又可能在審稿端對同一群人造成新的歧視。更深一層的問題是:當所有論文都被 AI 潤飾成同一種流暢的「國際期刊體」,學術寫作中的文化多樣性與個人聲音(voice)會不會被抹平?一個值得思考的立場是:工具應該幫你更清楚地表達你自己的想法,而不是把你的想法翻譯成一種沒有來歷的標準腔調。守住這條線,需要的不是更強的 AI,而是更清醒的作者。

這三個方向沒有標準答案,但它們共同指向一個判斷:AI 不會讓寫作這件事變簡單,它只是把難的地方搬了家。過去的難,在於把句子寫對;現在的難,在於知道什麼時候該相信機器、什麼時候必須相信自己。後者,才是研究訓練真正要教會你的事。