近日，《Nature》发表了一篇题为《AI幻觉生成的引用应被视为科研不端》的文章，再次将一个关键问题推到台前：
当AI生成了根本不存在的参考文献，并且这些文献最终出现在正式论文中，这究竟只是技术失误，还是应该上升到科研诚信的层面？
这篇文章由Jan Pisek撰写，属于《Nature》的Correspondence栏目，而非期刊正式发布的新政策。
文章提到，预印本平台arXiv已经开始对包含AI幻觉参考文献的论文采取限制措施，而学术界对于这类行为是否构成科研不端，仍存在讨论。
一个越来越明确的问题是：AI可以参与科研写作，但它生成的内容，不能因此免于核查。
AI编造参考文献，已经不再是个别现象
过去，研究人员使用AI辅助论文写作，主要担心的是语言是否准确、表达是否符合学术规范。
但随着生成式AI逐渐参与文献综述、研究背景撰写和参考文献整理，另一类风险正在浮现：
AI可能生成看起来完全符合学术规范、实际上却并不存在的参考文献。
例如，一条由AI生成的参考文献可能同时具备：
- 看似真实的作者姓名与研究机构；
- 符合研究主题的论文标题；
- 知名学术期刊的名称；
- 合理的发表年份、卷期和页码；
- 甚至是格式规范、却无法对应真实论文的DOI。
这些信息组合在一起，足以让一条虚假引用看起来像是真实发表过的研究成果。
而且，这种现象已经有了值得警惕的规模。
2026年5月，《Nature》报道了一项针对约250万篇生物医学论文的调查。研究人员检查了约9700万条参考文献，识别出近3000篇包含无法追溯至已知出版物的虚假引用的论文。
同年4月，《Nature》另一篇专题报道也指出，AI幻觉生成的无效参考文献正在污染学术文献体系。
需要强调的是，并非所有无法核实的引用都能直接认定为AI生成，更不能据此判断相关作者存在故意造假行为。
但这些发现至少说明，虚假引用已不只是一个偶发的写作错误，而是值得学术出版界持续关注的系统性风险。
为什么一条不存在的参考文献，可能影响整篇论文的可信度？
在学术论文中，参考文献从来不只是格式要求。
它承担着至少三个重要功能：为研究论点提供证据、说明研究成果与既有知识之间的关系，以及帮助读者追溯和验证相关结论。
如果引用本身不存在，这些功能就可能失效。
第一，论文的关键论点可能失去证据支撑。
例如，作者在引言中引用一项所谓的临床研究，以证明某种干预方式具有显著效果。
但如果这项研究根本不存在，那么相应论点就缺少了原本声称拥有的证据基础。
第二，虚假引用可能在后续研究中继续传播。
其他研究者如果没有核实原始来源，就可能再次引用相关结论，使错误信息沿着学术引用链不断扩散。
第三，论文整体的可信度可能受到质疑。
对于期刊编辑和审稿人而言，参考文献的准确性是研究严谨性的重要体现。
一旦发现论文中存在虚假引用，审稿人可能进一步质疑：作者是否核查过其他证据？文献综述是否可靠？论文中的研究结论是否得到真实资料支持？
因此，虚假引用造成的影响，可能远远超出参考文献列表本身。
AI生成虚假引用，就一定构成科研不端吗？
这也是此次《Nature》文章引发关注的核心问题。
首先，需要区分两个概念：
研究错误（Research Error）与科研不端（Research Misconduct）。
前者可能源于疏忽、信息处理失误或对工具能力的误判；后者则涉及更严格的行为认定标准。
不同国家、科研机构及出版机构对科研不端的定义和处理程序并不完全一致。
因此，不能简单地认为，只要论文中出现AI生成的虚假引用，作者就必然构成科研不端。
例如：研究人员使用AI辅助整理文献，未能发现其中一条引用存在错误，与研究人员明知某项研究不存在，却仍将其作为证据支持自己的结论，在行为性质上存在重要区别。
但另一方面，“这是AI生成的”也不应成为作者免于承担责任的理由。
生成式AI能够提高信息处理和学术写作效率，却不能替代作者对论文内容真实性、准确性及可追溯性的责任。
无论文本最初由谁生成，研究者都需要对最终提交的学术成果负责。
真正值得关注的，不只是AI有没有出错，而是研究者是否采取了合理措施，避免未经核实的内容进入正式学术记录。
使用AI辅助论文写作，科研人员应该重点检查什么？
随着AI工具不断进入科研工作流程，完全回避AI未必是最现实的选择。
更重要的是建立清晰的使用边界，以及可靠的核查机制。
对于正在使用AI辅助文献检索、综述撰写或论文修改的科研人员，建议重点关注以下几个方面。
① 核实每一条参考文献是否真实存在
② 检查引用内容是否真正支持论文论点
③ 关注AI生成文本中的事实性错误
④ 遵循目标期刊的AI使用政策
⑤ 在投稿前进行整体稿件风险检查
第五条很关键，因为，仅仅核对参考文献还不够，研究者还需要关注稿件的内容准确性、论证逻辑、学术表达，以及是否存在可能影响投稿合规性的其他问题。
