一、虚构文献的识别与应对​​

1. ​​问题特征​​

• AI生成的参考文献格式规范，但实际无法在权威数据库（如Web of Science、PubMed）中检索到
• 期刊名称、作者或出版信息存在细微错误（如误写《Nature》为《Natural Science Review》）

2.  解决方案​​

① 严格核查文献真实性

• ​​使用Google Scholar、Crossref或图书馆数据库验证文献是否存在
• 核对DOI或PMID编号，确保文献可溯源

​​② 规范AI生成指令

"请生成关于[研究主题]的参考文献，需满足：  

• 仅限近5年发表的同行评议论文  
• 每篇文献需提供可验证的DOI或PMID  
• 禁用预印本或会议摘要“

二、伪造数据的检测方法​

1. 风险表现​​

• AI可能生成看似合理的统计结果（如p值显著但无原始数据支持）
• 样本量、实验条件等关键信息缺乏实证依据

2. 应对策略​​

① 数据输入优先原则​​

• 仅允许AI基于用户提供的真实数据进行分析
• 明确禁止AI自行生成假设性结果

②分析结果标注规范

"请基于以下数据集（见附件）进行回归分析，要求：  

• 所有图表需标注数据来源  
• 统计方法必须引用标准教材（如《行为科学统计》）  
• 结论需注明局限性"

三、逻辑漏洞的审查与修正​

1. 常见错误​​

• 将相关性误述为因果关系（如“社交媒体使用增加抑郁风险”未控制混杂变量）
• 理论框架与实证结果脱节

2.  改进措施​

① 结构化写作模板​​

• 采用IMRaD（引言、方法、结果、讨论）或PEEL（观点-证据-解释-衔接）框架
• 要求AI标注每段逻辑关系（如“此处为因果推断”或“此结论需进一步验证”）

​② 批判性审核指令

"请以学术审稿人身份评估以下段落：  

• 是否存在未经验证的假设？  
• 理论引用是否准确（需标注原始文献）？  
• 统计结论是否过度解读？"