学术期刊如何核查生成式 AI 制作的图表
学术期刊如何核查生成式 AI 制作的图表
一张研究图表可以被生成得很漂亮：误差线均匀、显微图像清晰、坐标字体整齐。编辑最应追问的却是它来自什么原始数据。期刊使用 AI 检查图表时，可先找重复图像区域、异常平滑的曲线、图注与正文数字不一致之处，再请作者提交原始记录、绘图代码和处理步骤。检测结果只是线索，不能直接当作造假判决。
编辑检查一张显微图时，可以先要求作者指出原始视野、采样时间和处理软件，再把论文图片与原图叠放比较。AI 提示某片区域重复，只表示值得看一眼；多张图来自同一固定装置，背景相似很正常。若作者只能交出一张已经处理过的最终图，问题是证据链缺失，不一定能立即判断动机。
生成式工具参与绘图，有合理用途，例如排版和无损标注；也可能凭空补出不存在的样本。投稿系统应要求作者说明哪些元素由算法生成，原始图像是否裁剪、调色或重构。对于显微、凝胶等图，编辑要看原件与处理后的并排对照，确认变化未掩盖关键事实。
生成式重绘还会带来新型错误：为“去噪”补出原本没有的边界、给曲线增加看似合理的中间点。期刊可以规定允许调整亮度、尺寸等不改变结论的操作，要求影响数据呈现的处理留参数和原图。作者使用生成工具设计示意图，应把示意与实测图明显区分，避免读者误认为那是观察结果。
科研团队应在实验开始时就约定保存原始图，而不是投稿时再寻找旧硬盘。图像处理步骤写进脚本或记录表，修改过的版本不覆盖原件。期刊可用 AI 帮编辑定位可疑区域，但最后提出的问题应具体到某张图、哪一块、需要哪份原始资料。作者有时间回应，编辑也有责任承认误报。程序越公平，学者越愿意主动交出数据让人看。
作者使用 AI 绘制示意图时，可在图注直接写“示意，非实测影像”，并保留生成依据。这样既能利用工具表达复杂过程，也不让读者把想象误当观察。
假阳性同样伤害学者。不同批次照片可能因为实验装置固定而高度相似，图像压缩也会制造可疑纹理。期刊应让作者有机会解释，必要时交由领域专家独立复核，并记录更正过程。若确实发现问题，优先区分排版错误、方法缺陷与蓄意伪造，采取相应措施。
处理疑点时，编辑团队内部要有一致步骤，避免某位作者因名气大被轻轻放过，另一位因来自小机构就被公开怀疑。透明的程序既保护读者，也保护诚实研究者。
一篇论文的图不是装饰，而是证据的可视化。核查做得好，读者既知道图像经过了什么处理，也有路径回到实验台上的原始观察。
