全部动态

Eric Topol 对话 Ethan Mollick：AI 现在走到哪、将走向何方

沃顿商学院教授、Generative AI Lab 负责人 Ethan Mollick 在 Eric Topol 的 Ground Truths 播客中讨论 AI 现状与走向。

AI 在发现临床研究论文错误上胜过科学家

Science News 报道的一项新发现显示，AI 在识别临床研究论文的技术缺陷方面表现优于科学家，这类研究直接关系医学决策。原文仅提供摘要，未给出研究设计、样本量或对比方法等细节。

Retraction Watch 周末阅读：Francesca Gino 对哈佛的诉讼被驳回；科学侦探简史；中国争议性临床试验放缓

Retraction Watch 周末汇总提到，Francesca Gino 对哈佛商学院的合同与歧视指控被驳回，其联合创始人的《现代科学侦探简史》同期发布。中国在患者死亡后出现大量争议性临床试验放缓，其中一项由该媒体率先报道。另有研究者称 AI 文章评审“优于人类最佳水平”，并讨论 AI 虚构引用是否应视为学术不端。

Elicit将展示AI辅助系统综述评估海报

本周，Elicit 将于 11 月 9 日（周一）下午 6 点在 @ispororg 维也纳站展示一张关于评估 AI 辅助系统文献综述的海报。海报编号 #4113。你的团队如何对照 Cochrane 标准检查综述？

快速综述与系统综述的区别：何时选用及如何开展

SciSpace 发布研究指南，对比快速综述与系统综述：快速综述沿用系统综述方法但简化部分步骤，如减少数据库、限制语种、由一名综述者加抽查替代两名独立综述者，通常耗时数周到数月而非一年以上。指南给出7步流程，并说明AI可辅助起草PICO、筛选标题摘要和提取数据，但每条纳入排除决定仍需人工复核。

Taylor & Francis 编辑谈 AI 为何学不会同行评审中的隐性知识

Taylor & Francis 社区发展副总监 Victoria Corless 撰文指出，同行评审中依赖多年经验积累的隐性知识难以被明确规则化，因而难以交给 AI。

离开学术出版五年后重返 ScholarOne：科研诚信与 AI 如何改变审稿工作流

一位离开学术出版五年后重返 ScholarOne 的作者回顾行业变化：科研诚信已从议题变成核心，ScholarOne 将核查嵌入工作流，通过 Relay API 接入 Signals、Clear Skies 和 STM Integrity Hub，用 ImageTwin 检测图像操纵，并由 EditorialPilot 在同行评审启动前标记疑点。

哈佛团队研究称 AI 生成的论文评审在各项指标上优于人类审稿人

哈佛大学定量社会科学研究所（IQSS）的 Gary King 与 Steven Worthington 考察了其付费双盲同行评审服务 rapidPeer 收到的稿件评审，用 Anthropic 的 Claude Opus 为 2019 至 2026 年间提交的 124 篇论文生成对应的 AI 评审，共 134 份人类评审参与对比。

Elsevier与Research4Life报告：中低收入国家研究者面临资助、合作与发表多重障碍

Elsevier与Research4Life发布报告《New horizons in participation》，基于对1122名研究者的调查及对100多位机构研究负责人的访谈。

arXiv 论文用模拟比较投稿限制与分阶段评审漏斗对同行评审的影响

一篇 arXiv 预印本以 NeurIPS 2014 和 2021 两次重复评审实验校准模型，模拟会议应对投稿洪流的两种方案。

研究比较五种 LLM 论文评审范式：排序相关性与录用决策质量出现分离

中国人民大学与安特卫普大学的研究者在 232 篇分层抽样的 ICLR 2025 投稿上比较了五种 LLM 评审范式（Direct、Anchor、Group Rating、Elo、Swiss tournament）、三种输入形式和三个模型，并在全部 11,513 篇有评分的投稿上复现。

Retrieve-then-Disambiguate：从文献中检索并消歧审稿人候选的开源算法

密歇根州立大学的研究者提出开源算法 Retrieve-then-Disambiguate，把审稿人发现表述为检索问题：先按标题摘要相似度检索相关论文，再对作者姓名做消歧，最后按领域相似度排序候选身份，不依赖预定义候选池。

研究重析AI科研智能体论文：无来源数字多为错配而非编造

一项针对 Into the Unknown 基准的重分析发现，AI 科研智能体论文中不受支持的数字多数并非凭空编造，而是取自智能体自己的结果文件却对应了错误的实验、指标或运行。

Meta 等机构提出 AutoBenchmark 与 HackBench，研究自主科研代理与人类协同

Meta FAIR 等机构的研究者在 arXiv 预印本中提出 AutoBenchmark，让自主科研代理从任务说明出发端到端构建基准，并用求解器轨迹和 LLM 评审两类反馈迭代修订。

摆脱思考之后：如何保护学术出版免受人类判断力缓慢侵蚀

JMIR Publications 运营副总裁 Richard di Santo 在 The Scholarly Kitchen 客座文章中警告，学术出版正把 AI 从格式、参考文献核验等机械环节推进到对科学本身的评估。他指出，若让机器承担初审乃至唯一评审，审稿人的批判判断力会因不再使用而萎缩，而信任正是出版业存在的根本。

墨尔本大学 Kostakos 提出 AI 时代同行评审新方案：1500 字简报加机器可验证附录

墨尔本大学 Vassilis Kostakos 在 arXiv 预印本提出同行评审改革方案：投稿改为 1500 字简报加不限长度的机器可验证附录。人类审稿人只评审简报，判断研究是否值得做、方法是否可信、潜在收益是否值得投入；附录由模型核验实验记录与统计结果。作者认为 AI 写论文、AI 审稿的循环可以存续，但需以人类评审作为奖励函数。

美国联邦法官驳回 GPS Air 对 Elsevier 的 10 亿美元诽谤诉讼

美国北卡罗来纳州西区联邦地区法院法官 Kenneth Bell 于 10 月 22 日驳回 GPS Air 对 Elsevier 的 10 亿美元诽谤诉讼，认定 GPS 未能证明 Elsevier 存在"实际恶意"。

Springer Nature 与 Google DeepMind 合作开发 AI 同行评审助手

Springer Nature 与 Google DeepMind 宣布研究合作，共同设计一款 AI 同行评审助手，帮助审稿人更有效地审阅论文、梳理稿件并识别需要重点关注的部分，以便把时间留给需要专业科学判断的问题。

STM 公布 2026 Innovator Fair 入选的 20 家学术出版创新者

STM 公布入选 2026 年 Innovator Fair 的 20 家创新者，从 40 多份申请中选出，将于 12 月 8 日在伦敦 STM Innovation & Integrity Days 2026 现场演示。

施普林格·自然与谷歌深度思维合作研发AI同行评审辅助工具

施普林格·自然与谷歌旗下AI公司深度思维于10月28日宣布合作，共同设计一款AI同行评审辅助工具，目前处于测试中的原型阶段。该工具依托Gemini模型和谷歌在ScholarPeer、DeepReview等智能体研究工具上的经验，帮助评审人分析大量文本、图表和图像，发现可能需要重点关注的环节，人类专家判断仍处于流程核心。

LitUbik 开源系统综述工具发布，AI 建议由具名审稿人逐条接受或拒绝

LitUbik 是一款开源、可自托管的系统综述工具，覆盖从注册方案到 PRISMA 2020 流程图的各环节，包括检索式校准、自动检索、去重、盲法多审稿人筛选、全文获取、滚雪球检索、质量评价、数据提取与报告，可部署在单台服务器或跨离线实例运行。

LitUbik 开源系统综述工具发布，AI 建议需审稿人逐条确认并留痕

LitUbik 是一款开源、可自托管的系统综述工具，覆盖从注册方案到 PRISMA 2020 流程图的各阶段，包括检索式校准、自动检索、去重、多审稿人盲法筛选、全文获取、滚雪球检索、质量评价、数据提取与报告，可运行在单台服务器或彼此断开的实例上。

RubricAtlas：从专家报告中挖掘类型级评分标准以评估深度研究智能体

StepFun 等机构的研究者提出 RubricAtlas，从 64 家机构发布的 3079 份中文金融研究报告中归纳出 99 个研究类型、921 个分析问题、2784 个必需结果和 8160 个二元检查点，用于评估深度研究智能体生成报告的“分析完整性”，而非仅看事实是否出现。

Consensus 通过 API 和 MCP 开放 Threads 证据综述功能

Consensus 将 consensus.app 上的 Research Agent 以 Threads 形式开放到 API 和 MCP，输入研究问题即可返回带引用、支撑引文和来源章节的证据综合，并可在同一线程中追问收窄问题。

入选理由Consensus 把证据综述能力开放到 API 和 MCP，研究者可据此判断能否把文献评估接入自己的筛选流程。

Ai2 发布 Old Ideas, Novel Problems 研究：LLM 判断科研构思新颖性是否可靠

Ai2 发布 Old Ideas, Novel Problems 研究，测试大语言模型能否可靠评估科研构思的新颖性，并同步公开基准、数据、代码和可复用的评测集构建流程。

同一新闻，精选展示《Ai2 研究：大语言模型能否可靠判断科研想法的新颖性》

Ai2 研究：大语言模型能否可靠判断科研想法的新颖性

Ai2 发布研究 Old Ideas, Novel Problems，测试大语言模型作为新颖性评判者（novelty judge）是否可靠，并公开基准、数据和代码及可自动构建评测集的流水线。

入选理由Ai2 用 ICLR 2026 审稿意见构建新颖性评测集，显示同一批想法在提示词微调下判定大幅翻转，为使用 AI 评估科研构思的团队提供了可复用的测试工具。

研究：LLM 审稿人偏好高自信措辞，改写可翻转录用决定

CISPA 等机构的研究者提出一套受控改写框架，在保持论文科学内容不变的前提下，把论文改写成母语/非母语风格和高自信/低自信风格，再交给 Gpt-5.5、Claude Sonnet 4.6、Gemini 3.5 Flash、Gemma3、Qwen3 VL、Glm4.7 六款 LLM 审稿。

研究：大模型能识别引错案件，却难判断引文是否支持所引命题

一项 arXiv 预印本研究用真实法律引文的受控扰动测试了 14 个前沿模型配置，发现模型能识别 93–100% 的错案替换，但只识别 37–61%（法院判决书）和 52–83%（法律书状）的同案错页码。GPT-5.4 在高推理强度下仍漏掉法院判决书中 40% 的页码不匹配，提示模型常把主题重叠当作支持依据。作者指出，引文核查不能止于确认案件存在，还需验证被引页面是否支持所引命题。

研究比较四种 LLM 在同行评审中的打分：提示词、领域与稿件特征如何影响与人类评分的一致性

一项基于 ICLR 2024 的 7,083 篇公开投稿的研究比较了 GPT-5 mini、Gemini 3 Flash Preview、Claude Sonnet 4.5 和 DeepSeek-V3.2 的评审打分与 3 至 5 位人类评审均值的一致性。

研究：LLM 同行评审评分与人类评分的对齐随提示词、领域和稿件特征变化

一项基于 7,083 篇公开 ICLR 2024 投稿的研究比较了 GPT-5 mini、Gemini 3 Flash Preview、Claude Sonnet 4.5 和 DeepSeek-V3.2 的评审评分与人类评审均分。