14%论文都有AI代写？Nature：每7篇就有1篇藏有ChatGPT特征词

鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI

“unparalleled”、“invaluable”、“heighten”……

小心！这些词可能会偷偷暴露你的论文是AI帮忙写的，一年之内14%使用LLM的生物医学论文就是这样被发现滴……

据Nature最新报道，研究发现在2024年PubMed上发表的150万篇生物医学研究摘要中，其中超过20万篇都频繁出现LLM特征词。

这些词汇大多都是多余的风格性动词和形容词，只改变了文体，并不影响内容。

在部分国家和学科中，AI辅助写作的比例也已经超过五分之一，而这一趋势还在不断上升。

与此同时，部分作者也注意到这点，开始引导LLM规避明显的AI痕迹，这也让我们现在难以得知LLM对学术产出的影响究竟有多深……

日益深化的LLM学术影响力

自从ChatGPT首次实现在学术领域生成接近人类水平的文本，许多作者开始将LLM融入日常写作，甚至与LLM一起合作撰写论文。

但雇佣LLM代笔，未必如想象中隐秘。

和人类作者一样，LLM也喜欢在论文中留下自己独特的写作印记，雁过留痕，恰好这些也成为了发现LLM的途径。

研究团队从PubMed上下载了1400万篇摘要（2010年-2024年），构建词汇出现的二元矩阵，计算每年词汇频率，并将实际频率与预期频率的差值δ和比值r作为衡量超额使用的指标。

实验发现，在2024年以前，类似“coronavirus” 的名词被超额使用；2024年之后，则以“intricate”、“notably” 等与研究内容无关的风格词为主，其中66%都是动词（如 “delving”、“emphasizing”），16%为形容词（如 “crucial”、“pivotal”）。

好家伙，原来LLM你小汁喜欢华丽风哇，喜欢怎么夸张怎么来。

Σ( ° △ °|||)︴

例如，LLM喜欢酱紫：

• 通过仔细研究连接[…]和[…]的错综复杂的网络，本章深入探讨了他们的参与作为[…]的重要风险因素。
• 全面掌握[…]和[…]之间错综复杂的相互作用对于有效的治疗策略至关重要。
• 最初，我们深入研究了[…]的复杂性，强调了它在细胞生理学中不可或缺的地位，控制其通量的酶迷宫，以及关键的[…]机制。

嘶，听起来是不是相当熟悉，现在人类写作风格也逐渐被LLM影响，打开一篇论文铺天盖地都是“深入研究了”、“极具潜力的”、“至关重要的”、“无与伦比的”……

部分词汇的频繁出现，让使用LLM的论文极易被察觉，通过将222个低频风格词和10个高频风格词组合计算，研究人员发现在2024年的论文中至少10%-11%的摘要中使用了LLM，部分子语料库中这一比例甚至高达30%。

另外，研究还发现，在不同学科、地域和期刊中LLM的使用也存在显著差异。

在计算领域、生物信息学等学科中，由于行业技术日新月异，而研究者需要迅速掌握新技术，依赖LLM协助，约占20%。

在中国、韩国等非英语国家中，由于需要LLM辅助英语写作，LLM使用率可达15%，相比之下，像英国、澳大利亚等英语国家的LLM使用率相对较低。

一些低门槛的开放获取期刊，如MDPI旗下的《Sensors》，LLM可达24%，而像《Nature》、《Science》等顶刊只有6%到8%，研究人员推测，可能是由于前者审稿流程相对简化，而作者需要依赖LLM快速成文。

所以原来不知不觉，LLM已经影响我们如此之深？

不够透明的LLM使用

然而在2024年底，研究人员对arXiv已发表和已撤回的论文摘要再次进行统计分析，以月为单位计算词汇频率，并对每1万篇摘要进行标准化处理。

研究发现，一些像“delve”、“intricate” 这类已经被明确指出是ChatGPT的常用词汇，自2024年4月起使用频率显著下降。

而ChatGPT喜欢的另一些较为常见的词汇，如“significant”、“additionally” ，使用率反而持续上升。

该现象表明，在使用LLM时，论文作者现在会主动调整输出，避免使用典型的LLM特征词，而一些常用词因为本身普遍使用，且相关研究讨论度较低，单独出现也并不容易被发现。

这一点研究人员在实验中也得以证明，他们分别通过以下两种提示词，让GPT-4o-mini处理文本：

1. 直接修改句子。
2. 禁止使用LLM特征词并修改句子。

对比原始文本和修改后的摘要，发现使用提示词1后，LLM特征词频率上升，而使用提示词2后，相关词频出现下降，不过并未完全消除，说明人为干预可以调整部分输出，但无法完全规避。

再将原始摘要、LLM生成摘要、经过提示词修改后的摘要依次投入Binoculars这一MGT（机器生成文本）检测器中。

与词频分析得出的结果不同，检测器并未显示出明显的真实摘要和LLM生成摘要的得分差异，但提示词处理确实会在一定程度上影响MGT检测器的结果。

所以MGT检测器也并非完全准确，准确度受不同LLM模型和文本类型影响，且作者们现在使用特定提示词修改文本，都让检测器难以准确判断论文与LLM关系。

但研究人员也表示，未来他们将通过统计大量文本中常见词汇的频率来进一步估计AI对学术文献的影响，而不仅仅只针对单个短文本进行检测。

总而言之，LLM在科研工作中的影响力日益增长的同时，也亟需逐步完善其在学术论文中占比的量化分析，如何更好地让AI参与学术写作、AI使用的边界在哪里等等，这些问题也许都值得我们重新思考。

参考链接：
[1]https://www.nature.com/articles/d41586-025-02097-6
[2]https://www.science.org/doi/10.1126/sciadv.adt3813
[3]https://arxiv.org/abs/2502.09606