学术分享|生成式AI在旅游研究中的合法性和可行性[ATR期刊文章]

旅游研究长期以来在社会科学领域占据着尴尬的地位，历史上主要依赖从邻近学科引入的理论，而非发展持续的内生性理论核心（Tribe & Xiao, 2011）。虽然这种开放性促进了学科发展，但也引发了关于原创性、累积性理论构建和概念推进的持续担忧（Buckley et al., 2025; McCabe, 2024).

在此背景下，学术评价往往依赖于程序性和努力导向的质量替代指标。语言流畅度、规范的稿件结构以及对既定理论框架的恰当运用，已成为实际操作中的启发式准则——尤其在投稿量激增与审稿人长期疲劳的背景下(Mårtensson et al., 2016; Piran & Tran, 2024)。这些指标从来不等同于知识贡献，其评价意义主要源于：完成严谨的学术成果确实需要投入大量人力。

生成式人工智能通过解构表层能力与努力之间的关联，从根本上改变了这种关系。如今，只需极少的知识投入即可产出文笔流畅的文献综述或方法学正统的论述。关键在于，这并未消解学术研究所需的努力，而是对其进行了重新分配。评估判断、语境优化和学术责任等核心职责仍由研究者承担。变化在于，这些智力劳动形式已无法通过表面光鲜度被可靠地推断。

围绕生成式人工智能的不安，实则折射出学术贡献评估体系中更深层的脆弱性。当表层能力不再稀缺，依赖这种稀缺性的启发式方法便丧失了诊断价值。旅游研究因此面临一个更为根本的诘问：当传统的能力标志物无法可靠标示实质性智力劳动时，究竟哪些学术责任方能界定真正的贡献。

围绕人工智能应用的讨论通常将其简化为"允许或禁止"的二元对立，这种框架遮蔽了核心问题：当AI介入研究流程时，学术责任应如何界定(Qadhi et al., 2024)。关键风险并非自动化本身，而在于认知判断权的转移。旅游学本质上属于解释性学科，其研究依赖于情境敏感性、理论站位以及反思性意义建构(Hollinshead, 2010因此，未能区分支持与替代的评价方法会同时误判伦理边界与学术影响。

为阐明这一区别，本评述提出了一种基于责任的生成式人工智能在旅游研究中的应用类型学（参见图1该分类体系沿两个维度区分人工智能的应用方式。第一个维度涉及学术任务的性质，涵盖从机械性与表达性活动（如语言润饰与格式调整）到智力性与评价性活动（如理论阐释与贡献度判断）的连续谱系。第二个维度聚焦研究者与技术工具的互动模式，形成从辅助性使用（研究者有意识地指导与评估AI输出）到委托性使用（AI替代学术判断）的梯度变化。需着重强调的是，该分类框架旨在界定责任形式而非具体工具。

辅助-机械用途（assistive–mechanical use），简称正当性增强（legitimate augmentation），包含语言润色与结构重组等实践。此类应用不会损害作者身份或认知责任，相关责任仍完全由研究者承担。在全球多元化研究领域中，这类使用可在不改变学术权威归属的前提下提升可及性。辅助-智力用途（assistive–intellectual use），称为反思性协作（reflexive collaboration）当人工智能被用于呈现替代性理论框架或探究潜在假设，而评估判断权仍由研究者掌握时，就会出现这种情况。在此模式下，人工智能主要作为反思的刺激因素而非思考的替代品，这与旅游研究的解释性需求相吻合（Kim, 2025; Mikulić, 2025).

相比之下，委托-机械式使用被描述为程序性依赖，其特点是生成文献综述或起草文稿章节时缺乏实质性参与。虽然这种行为本身并不违背伦理，但可能导致浅层次学术参与被常态化（在博士培养中尤为突出），并模糊研究者对方法论及概念选择的责任。最具争议的是委托-智力式使用，这一概念被理论化为认知让渡当研究者依赖人工智能生成理论依据、解释研究发现或评估学术贡献，却未进行真正的评估判断时，就会出现这种情况。在依赖情境的旅游研究中，此类授权行为将责任转移给了一个不具备可问责推理能力的系统(Ali, 2025).

这种区分在同行评审中尤为重要。评审本质上是一种学科判断行为，而非错误检测（Mårtensson et al., 2016）。未经披露地使用AI来评估稿件，会削弱同行评审作为基于学术问责制的集体解释性实践的基础。

除伦理考量外，生成式AI改变了旅游研究中学术价值的认知与区分方式。历史上，评估严重依赖表面指标，如流畅的学术写作、可识别的手稿结构和方法论正统性（Ali & Dogan, 2022）。这些指标之所以具有评估权重，并非因为它们能保证洞察力，而是因为它们需要大量努力和学科社会化。因此，表面能力成为了学术严谨性的替代指标。

生成式人工智能通过瓦解支撑这些替代指标的努力壁垒，颠覆了这一传统机制。其直接后果是附着于表层能力之上的评价意义被逐渐消解。语言流畅性与结构规范性不再作为智力劳动的可信信号，仅凭这些特征已无法有效反映实质性学术贡献。

在此条件下，学术贡献将分化为三个日益显性的层级（参见图2）。第一层级，表层能力，涵盖语法、文风、格式规范与结构合规性。这些要素如今已可轻松复现，不再作为贡献度的判别标准。尽管它们可能掩盖深层学术参与的缺失，但已丧失评估效力。第二层级，分析连贯性这一过程涉及内在逻辑、理论一致性以及概念框架与方法论选择之间的协调。生成式人工智能可能协助组织论点或提升连贯性，但无法确保概念完整性，特别是理论与情境的契合度。在旅游研究中，当理论频繁适应不同社会、文化和制度环境时，这种评估性判断本质上仍需由人类完成。第三层级，也就最深层级的考量是意义建构与价值判断，其核心在于阐述研究问题重要性的能力，将研究置于更广泛理论对话中的定位能力，以及在解读旅游现象时保持情境敏感性的能力。这些能力依赖于具身化知识、情境意识与学术责任感。若试图通过自动化或外包来实现这些能力，必将动摇该领域解释性研究的根基。

同行评议本质上是一种基于学科判断与学术责任的诠释性实践，而非机械化的错误检测过程（Sanchez et al., 2019）。评议者的职责在于评估研究是否推动认知发展、理论框架是否符合特定情境、阐释是否考量合理替代方案，以及稿件是否对旅游学知识体系做出实质性贡献（Correia & Kozak, 2017).

在同行评议中未披露生成式人工智能的使用将引发多层次隐忧。就保密性与知情同意层面而言，稿件作为特权性学术交流材料，其提交是基于接受人类学者评估的预期（Bedeian, 2003），作者不同意将算法评估作为审稿流程的组成部分。从认知责任层面而言，将评价判断权委托给人工智能会削弱同行评审作为一项集体性、可问责的学术实践。当人工智能系统被用于界定何谓学术贡献时，责任归属将变得模糊。人工智能系统不具备问责性，审稿人可能无法洞悉判断的生成机制，而期刊的问责则必然具有局限性和追溯性特征。

需要特别强调的是，此类委托行为的吸引力不应归咎于个体伦理失范。旅游类期刊正面临巨大的结构性压力，包括持续增长的投稿量、日益萎缩的审稿人资源库以及长期存在的审稿人疲劳现象（Buckley et al., 2025在这些条件下，自动化可能看似一种务实的解决方案。然而，将学术判断权委托给生成式人工智能，是以长期可信度丧失为代价换取短期效率。同行评审并非程序性任务，而是对知识主张的审慎评估，其依赖于集体判断与学科责任（Correia & Kozak, 2017）。允许人工智能裁定学术贡献标准的期刊，实质上可能削弱维持学术合法性的核心实践。

因此，区分AI的辅助性使用与委托性使用至关重要。利用AI整理审稿人意见或标记逻辑不一致之处可以为审稿过程提供支持，但不会转移责任。相反，使用AI评估原创性、理论贡献或可发表性则属于委托性使用，应予以禁止。编辑人员需通过制定明确指南和示范恰当实践，在阐明这些区别方面发挥核心作用。当AI被用于支持编辑任务时，必须向作者披露以保持透明度与信任。

这些编辑职责在出版商塑造的更广泛的制度框架内运作。出版商与期刊管理层协作，制定了规范稿件准备、同行评审和编辑决策中人工智能使用权限的正式政策，尤其涉及保密性与同意原则。此类政策从合规层面界定了可接受的实践标准，但其无法对认知判断作出裁决。尽管出版商可能决定允许采用何种形式的人工智能技术，但学术阐释或评估决策是否具有学理合理性仍非其判定范畴。因此，出版商的治理机制提供了必要的约束框架，而判断责任始终归属于编辑与审稿人。

如果表面能力不再作为学术贡献的可靠指标，那么旅游研究中的评估实践必须相应转变。这一转变对期刊编辑、审稿人及博士生培养均具有直接影响。

对编辑而言，编审评估必须超越语言流畅度与形式合规性，转而突出理论定位、阐释深度与意义建构。编辑判断应通过追问"研究是否解决实质性理论缺口，或仅在新实证场景中复现既有研究"来审视问题的原创性。同时需要更多关注理论反思性，包括概念框架的选择与调适是否契合特定研究情境。在研究设计与知识主张之间的语境敏感性与连贯性应当被明确评估。通过征集同行评审意见——特别是针对原创见解、理论依据和语境阐释等核心问题的定向质询——有助于将评价重心转向实质性的学术判断。

对审稿人而言，其影响同样重大。同行评审不能简化为程序性核验或基于清单的评估。审稿人必须直接参与稿件学术贡献的评判，评估其是否以有意义的方式推进认知，而非仅仅满足形式标准。当使用人工智能辅助反馈意见整理或协助有限的分析检查时，此类应用应当予以披露。尤其在原创性或贡献度评估环节，应避免委托式使用人工智能。在审稿疲劳的情况下，拒绝审稿邀请仍优于用自动化系统替代人工判断。

如果流畅的学术论述已不再稀缺，那么博士教育必须将理论构建、反身性和学术所有权置于优先地位。学生应当质疑现有理论、识别其局限性、发展新见解，并学会做出和捍卫理论选择。教育应培养评价性判断能力——即提出"何为真正创新"、"理论何处需要调整"以及"什么构成有意义贡献"的思辨能力。博士候选人必须将自身定位为具有学术责任和担当的学者，而非仅仅是习得技术技能的学习者。