1 问题提出

　　科研是培养研究生创新精神和实践能力的重要途径，也是研究生从知识的接受者转变为创造者的必由之路。在我国研究生教育改革进程中，始终坚持“充分发挥科研在研究生培养中的导向作用”[1]，提升研究生的学术水平和创新能力，发挥科研育人功能，激发研究生科学研究的兴趣和动力，以此提升我国人才自主培养质量，造就具有国际竞争力的拔尖创新人才，加快建设教育强国、科技强国、人才强国。

　　生成式人工智能技术(Generative Artificial Intelligence，简称生成式AI)是指具有文本、图片、音频、视频等内容生成能力的模型及相关技术[2]，凭借其卓越的语义解析和生成能力，一经问世便被应用于教育各个领域，甚至被学者认为是“可颠覆和重塑传统教育模式和理念的技术”。对于研究生科研活动，生成式AI带来了前所未有的挑战和机遇，能够帮助研究生更有效地搜索和整理文献，分析和处理数据，甚至生成初步的研究报告或论文。然而，这些功能是否能够真正提高研究生的学术水平和创新能力，是否有助于发挥科研育人作用，是否有助于培养拔尖创新人才?聚焦这些问题，深入探讨生成式AI对研究生科研的影响，不仅具有理论价值，也是实践所需。

　　因此，本研究拟在总结生成式AI机理与科研应用场景的基础上，研判其对研究生参与科研工作产生的影响，探索研究生如何积极把握新技术带来的机遇、应对新技术带来的挑战，以期为研究生教育与先进技术耦合发展提供建议。

　　2 生成式AI工作机理与科研应用场景

　　3 生成式AI在研究生科研中应用的优势与局限

　　4 生成式AI应用于研究生科研的基本思路与对策

　　技术是人类认识世界和改变世界的重要手段，与教育发展的融合具有历史必然性。在当前推进教育数字化、建设全民终身学习的学习型社会、学习型大国的背景下，生成式AI将泛在学习转变为现实，加速人类知识结构的变革，对研究生教育形成重大影响。但过度的担忧和排斥新技术并不明智，应理性对待。

　　4.1 政府层面 构建生成式AI融入科研的生态

　　一是加大科研投入，支持大型人工智能平台建设，提供稳定可靠的算力支持，让广大研究生有更多获得公平且高效使用人工智能技术进行科研的机会。二是改革科研评价机制，关注原创价值而非论文数量，原有的科研评价体系往往过于注重论文的数量，而忽视了论文的质量和原创性，在智能化时代，应鼓励研究生进行高质量和原创性的研究，通过设立专项奖励，激发研究生创新的热情。三是完善监管体系，建立算法审查机制。由于技术局限，生成式AI会带来数据隐私、算法公平性和透明性等问题，需要建立一套完善的规范和审查机制，以确保人工智能技术的使用在合理和公平的范围内，并设立专门的机构负责审查人工智能算法的训练数据和过程，防止算法偏见和歧视的出现。四是出台知识产权和伦理规范政策，明确人工智能生成内容的版权归属，以保护原创者的权益，同时出台相关的伦理规范，防止生成式AI被不道德或非法地使用。

　　4.2 高校层面 规范生成式AI在科研中的应用

　　为规范和引导学生正确使用生成式AI，高校应采取以下措施：一是加强人工智能伦理教育，开设相关课程，提高学生识别和规避风险的能力，并加强人文素质教育，培养学生独立思考能力;二是严格学术规范要求，杜绝学生直接引用生成内容而不注明来源的行为;三是增设算法审核岗位，对生成内容进行质量和风险评估;四是理顺生成内容的知识产权归属，通过协议等方式明确学生创造成果的权益，避免纠纷。这些措施旨在引导学生规范使用人工智能技术，防范风险，保证生成内容的质量，并保护学生的合法权益。

　　4.3 研究生层面 遵守学术规范 审慎使用

　　研究生在使用生成式AI进行科研工作时，应提高对人工智能科学应用和伦理规范的认知，自觉遵守数据隐私保护等相关的法规政策;注明引用来源，承担使用的风险;合理利用生成工具提升效率，但不能完全依赖，应坚持独立思考，对生成内容进行严格验证，确保研究的科学性。研究生既要发挥人工智能的辅助作用，又要保持自身的创造素养，在遵守学术道德规范的前提下，审慎使用生成式AI，以实现科研效率与质量、伦理规范与创新思维的有机统一。

　　参考文献

　　[1] 教育部.关于加强研究生教育管理的若干意见[J].中华人民共和国教育部公报,2018(10):4-8.

　　[2] 国家网信办等七部门联合公布(2023).生成式人工智能服务管理暂行办法[EB/OL].https://www.gov.cn/zhengce/zhengceku/ 202307/content_6891752.htm.

　　[3] 张智雄,于改红,刘熠,等.ChatGPT对文献情报工作的影响[J].数据分析与知识发现,2023,7(3):36-42.

　　[4] SANCHEZ-LENGELING B, ALANASPURU-GUZIK. Inverse molecular design using machine learning: Generative models for matter engineering[J]. Science, 2018(361): 360-365.

　　[5] BROWN T B, et al.Language models are few-shot learners[C]//In Proceedings of the 34th International Conference on Neural Information Processing Systems(NIPS'20).Curran Associates Inc.,2020:1877-1901.

高丹丹　河北大学教育学院