问题——“免责声明”出现关键证据位置，触发审稿警报 据多名审稿专家反映，涉事论文聚焦网络安全与入侵检测——结构完整、术语规范——方法部分涉及数据增强、深度学习模型和参数优化等内容，整体读起来并无明显硬伤。但在审稿环节，专家对论文中若干图表细查后发现，从方法流程、模型架构到性能评估曲线、混淆矩阵等，多幅图表的图注或文件信息中出现“生成内容可能不正确”等提示。审稿人表示，示意类图片出现此类提示尚可通过补充说明和人工核对纠正；但若用于支撑结论的性能曲线、对比结果等并非由原始数据计算绘制，论文结论的可信度将被直接动摇。 原因——工具边界模糊叠加“速度焦虑”，把“省事”误当“效率” 业内人士分析，事件背后至少有三上原因。 一是对生成式工具的能力边界认识不足。一些研究者把“可视化呈现”和“数据计算结果”混为一谈，误以为图形形态符合常见论文格式即可通过，却忽略科研图表本质上是实验与统计推演的证据，必须能追溯到数据来源和计算过程。 二是部分领域存在“赶进度”的现实压力。在以论文产出为重要指标的考核环境下，少数团队容易把“尽快成稿”放在“过程可核验”之前，导致数据整理、代码归档、图表复现等基础工作被弱化。 三是内部把关机制不够健全。有的团队缺少统一的数据管理规范和交叉核验流程，图表从生成到定稿缺乏第二人复核；也有作者未清理投稿材料的元数据、图注模板等信息，提示语直接出现在审稿环节，暴露出流程不严谨。 影响——损害研究公信力，增加期刊审查成本，拖累创新生态 多名出版与科研管理人士指出，此类问题的外溢效应不容忽视： 其一，削弱学术共同体对研究成果的信任基础。科研结论需要可重复验证，若关键图表无法对应原始数据与脚本，同行评议将缺少依据。 其二，推高学术出版的审查成本。近年来国际出版界不断加强图像与数据核验，筛查与补充材料要求趋严，正常研究也可能因少数案例而被迫面对更繁琐的审查流程。 其三，对青年科研人员形成负向示范，诱发“重包装、轻验证”的倾向，进而影响创新质量与学术风气。 对策——明确“可用”与“禁用”边界，建立可追溯的证据链 受访专家建议，从制度与技术两端同步推进： 第一，明确规范边界。示意性内容可在合规前提下借助生成式工具提升表达效率，但用于支撑结论的数据类图表必须由原始数据计算生成，并保留可复核的生成记录。工具使用情况应在论文中如实披露，避免含糊其辞。 第二，强化过程留痕。建立“数据—代码—图表”一体化归档要求，实验数据、统计脚本、绘图参数与版本信息应可追溯、可复现；高校与科研机构可推广统一的数据管理与审计模板，将图表来源纳入内部审核清单。 第三，完善审查与问责。期刊可提高关键图表抽查比例，要求提交原始数据与绘图脚本；高校与资助机构应将科研诚信教育与合规培训前置，对触碰底线行为依规处理，形成约束。 第四，优化评价导向。推动从“数量导向”转向“质量与贡献导向”，对数据开放、可复现性、工程化规范等给予更多权重，减少单纯以发表数量驱动的短期行为。 前景——以规范促应用，让技术回归“助手”定位 业内普遍认为，生成式工具进入科研流程是趋势，但前提是守住真实性与可复核性两条红线。随着期刊核验手段升级、机构合规体系完善、科研评价持续调整，工具使用将更透明、也更受约束。未来的科研管理需要把“能否复现、如何复现”作为基本要求，把对图表的关注从“好看”拉回到“可靠”，让技术真正服务创新，而不是替代验证。
科研的价值建立在真实与可验证之上。工具可以让图更清晰、写作更顺畅，但不能替代数据生成与证据形成。越是技术快速演进，越需要用清晰规则和严格流程守住底线，让每一条曲线、每一个色块都能追溯到实验与计算过程。唯有如此，学术创新才能在可信的基础上持续推进。