AI 审稿如何避免忽略非主流研究

AI 审稿如何避免忽略非主流研究

审稿系统很容易喜欢“看起来像主流论文”的稿件：常见术语、熟悉的数据集、热门方法、英语写作顺滑。来自偏远地区的长期田野研究、研究冷门疾病的小样本工作，可能因此在初筛时吃亏。期刊若用 AI 分配或预评审稿件，应先检查它是否把写作风格、机构名气和研究主题误当成质量。

一篇关于地方水源污染的多年研究，也许样本不大、写作不够流利，却记录了主流数据库没有的长期变化。初筛模型若只看“国际影响力”和当前引用，可能在专家读到之前就把它筛掉。编辑可设置“非典型但资料独特”的人工复核通道，要求算法给出证据缺口，而非模糊的低质量标签。

模型适合提示缺失材料，如伦理批准、数据说明或图表不一致；不适合独自宣布“创新不足”。编辑可让系统列出判断依据，并要求它同时指出研究可能贡献了什么、哪些评价需要领域专家。跨学科稿件要允许跨领域审稿人介入，不能被一个分类标签困住。

期刊应向审稿人解释机器提示如何形成，避免提示先入为主。可随机隐藏模型评分，让一部分稿件按传统流程审阅，比较决定是否因工具而变化。作者申诉时能够指出模型遗漏的方法背景或地方资料；期刊回应具体问题，并在必要时重新找领域专家。

非主流研究经常需要不同的审稿人。编辑若让模型总从高引用作者中推荐人选，真正了解地方方法或冷门材料的人仍进不了流程。可由学会、社区机构或跨学科网络补充专家候选，人工检查是否存在利益冲突。期刊评价 AI 初审时，抽样看被迅速拒绝的稿件后来是否在别处得到扎实发表。这个指标并不完美，却能提醒编辑：熟悉感不等于质量。

审稿意见也要具体指出方法和证据问题。作者如果只收到“与期刊方向不符”，无从知道机器是否误解了研究，期刊也错失改进工具的机会。

期刊可定期回看不同地区、语言和机构的稿件在每个流程节点的去向，抽样请独立编辑复评被快速拒绝的文章。若某类论文明显更容易被误伤，应调整模型和规则，并告知作者申诉途径。审稿人也要看到机器提示的局限，不可把它当作自己的判断签字交回。

公平不是降低质量标准。冷门研究同样要说明方法、证据和限制。不同的是，判断质量的人不能只认识熟悉的研究路线。

严谨不是一味接纳冷门研究，而是给它得到认真阅读的机会。真正的同行评审，需要有人愿意问“这篇文章是否在我们熟悉的框架之外提出了值得检验的问题”。