科研团队如何明确人机合作中的作者责任
科研团队如何明确人机合作中的作者责任
论文“人机合作”最容易在团队内部留下责任空白：模型写了代码，学生运行，导师只看最终图，错误却无人能解释。团队应在项目开始时约定，哪些工作可以交给工具，谁核查输入资料，谁复算结果，谁批准投稿文本。模型不能成为作者，也不能替人承担数据真实性与版权责任。
作者贡献表可以写得具体：谁提出研究问题，谁采样，谁整理数据，谁运行并审查模型生成的脚本，谁核对文献，谁写初稿。工具本身不在作者栏，但使用它的人也不能因此独占集体劳动。团队若对署名排序有争议，应在投稿前讨论并留记录，而不是等论文接受后才重新定义贡献。
使用记录要适度而具体。语言润色可在致谢或披露栏说明；数据清洗、统计脚本、图表生成若影响结论，应保存提示词要点、代码版本、人工修改和测试结果。每一位署名者不必亲自检查所有行代码，但应知道自己负责的部分，并有机会审阅整体结论。
责任还包括对错误的响应。若统计代码后来被发现有缺陷，团队应能迅速找到运行版本和审查人，评估哪些图表受影响，再联系期刊更正。披露模型使用的位置有助于追溯，但不是免责。对合作者的未公开资料，输入外部工具前需获得适当授权，避免一个人的便利消耗整组人的信任。
团队可以在投稿前逐位署名者询问：“若读者质疑这张图，你能找到原始数据和负责复核的人吗？”答不上来，说明责任链还没接好。AI 使用披露应与作者贡献表相互印证，不能一边写“仅语言润色”，一边让模型决定了统计方法。年轻研究者要有机会提出疑问，不因导师已经决定投稿而被迫签名。
作者讨论的记录不必公开私人分歧，但最终贡献声明应经每个人确认。署名名单不是由最会操作模型的人单独决定。
合作项目还涉及贡献公平。不能因为一位成员善于写提示词，就抹去采样、实验、田野访问与长期数据维护的劳动；也不能把真正的分析判断伪装成“只是模型做的”。团队可在提交前开一次责任会议，逐图逐表回答来源、方法与异常处理。
机构培训可以用真实的“看似小事”来讨论边界：模型润色引言时改了结论，审稿意见被粘到公开服务里，代码跑通却统计假设不成立。谈清这些，才比一句“AI 不可署名”更有用。
署名是一种承诺。机器参与越深，人越需要明确自己到底知道什么、验证过什么，以及未来发现错误时谁站出来更正。
