ICLR审稿人怒批AI写作：为何学术论文越来越难读？

当AI写作渗透学术圈：一位ICLR审稿人的困惑

最近，Reddit上一位ICLR审稿人的帖子引发了广泛共鸣。他在审稿过程中遭遇了大量“难以理解”的AI生成文本，并尝试用一段匿名化的例子来展示问题：

“outperforms the best baseline costing no more at none of six operating points and a permuted placebo at none of three, with gains up to about 1.5 not excluded”

这句话读起来像是机器翻译的产物，逻辑混乱、语义模糊。但问题在于，这种写作风格正在学术论文中蔓延。据该审稿人观察，许多ICLR投稿都存在类似问题，而审稿人却难以用恰当的方式指出——因为“明显是AI写的”并不是一个有效的批评理由，毕竟AI辅助编辑本身是被允许的。

为什么“AI写作”难以被直接批评？

AI编辑与AI生成的模糊边界

学术写作中，使用AI进行语法检查、润色语言早已被广泛接受。许多期刊和会议明确允许作者使用AI工具改善表达。然而，当AI从“编辑”角色升级为“生成”角色时，问题就变得复杂了。审稿人很难区分一段文字是作者自己写完后用AI润色，还是AI从头生成。

正如帖子中所说：“AI‘编辑’写作是允许的。我们必须能够说明为什么这段文字不好，无论作者是谁。”这意味着批评的焦点应该从“是否使用了AI”转向“文本本身的质量问题”。

糟糕写作的实质：逻辑断裂与信息空洞

上述例子暴露出的核心问题并非“AI痕迹”，而是：

• 逻辑关系混乱：“outperforms... at none of six operating points” 这种多重否定和条件叠加，让读者无法理解实验结论。
• 信息密度极低：句子堆砌了大量术语和数字，却没有清晰陈述结果。
• 缺乏可读性：即使人类写作者写出这样的句子，也应被要求修改。

因此，审稿人需要的是一套针对“坏写作”的批评框架，而不是简单归咎于AI。

ICLR（International Conference on Learning Representations）是机器学习领域的顶级会议之一，以开放评审（open review）和严格的同行评审流程著称。其审稿平台通常公开审稿意见与作者回复，这使审稿人面临更高的公众可见度与责任压力。近年来ICLR投稿量激增，审稿人负荷加重，难以对每篇论文的写作质量进行细致甄别，这在一定程度上放大了AI生成文本的泛滥问题。理解这一背景，有助于把握为何“AI写作”在ICLR语境下会成为争议焦点。

文中引用的例句涉及实验对比的表述，其中“operating points”（操作点）通常指系统或模型在不同配置下的运行状态，“placebo”在实验设计中指无效对照（安慰剂对照），而“permuted placebo”则指对标签或条件进行随机置换后构造的对照基线。多重否定（“no more at none of six”）与条件叠加导致读者无法判断模型究竟在哪些条件下优于基线、增益是否显著。这类表述的缺陷不在于术语本身，而在于未能清晰陈述实验设计与结论的对应关系，属于典型的科学表达不清。

如何有效批评糟糕的AI写作？

聚焦具体问题，而非猜测作者

审稿意见可以指出：“该句使用了多重否定和嵌套条件，导致结论不明确，建议重写为直接陈述。”这样既避免了指责作者使用AI，又直击写作缺陷。

识别AI写作的典型模式

根据社区讨论，AI过度生成的文本常有以下特征：

• 过度使用被动语态和名词化：如“the utilization of...”代替“we use...”。
• 冗余的修饰语：如“significantly outperforms”滥用，缺乏具体数据支撑。
• 模板化结构：段落之间缺乏逻辑衔接，像是拼接而成。
• 模糊的量化表述：“gains up to about 1.5 not excluded”这种表达既不精确也不负责任。

审稿人可以针对这些模式提出修改建议，而非笼统批评。

名词化（nominalization）是指将动词或形容词转化为名词短语的表达方式，例如用“the utilization of”替代“we use”。在学术写作中适度使用名词化可提升正式感，但过度使用会使句子主语模糊、动作主体缺失，增加阅读负担。被动语态 likewise 会隐藏施事者，使读者难以追踪研究者的具体操作。AI生成文本常因追求“学术腔”而堆砌这类结构，导致信息密度下降。审稿人识别这些模式后，可建议作者改用主动语态和具体动词，以恢复句子的清晰性与责任感。

推动社区建立写作质量标准

该帖子引发了另一个重要讨论：学术社区是否需要更明确的写作规范？一些研究者建议，会议可以发布“可读性指南”，要求作者避免复杂嵌套、明确陈述贡献，并鼓励审稿人在意见中引用具体句子。

可读性指南（readability guidelines）在学术出版中并非新事物，部分期刊已要求作者遵循特定的结构摘要、简明语言清单或投稿格式规范。然而，机器学习会议长期以来更关注技术贡献，对写作质量的制度化要求相对薄弱。社区讨论中提出的建议包括：在审稿表中增加“表达清晰度”评分项、要求作者在 rebuttal 中回应具体可读性问题、以及发布正面与负面写作示例。这些措施旨在将写作质量从主观印象转化为可操作、可引用的评审标准，从而减少因AI生成文本引发的评审争议。

对AI辅助写作的再思考

AI工具的双刃剑效应

AI写作工具确实能帮助非英语母语研究者表达想法，但过度依赖会导致文本失去个性与精确性。更严重的是，当作者不仔细检查AI输出时，就会出现上述逻辑混乱的句子。

审稿人的角色转变

审稿人不再只是评判科学贡献，还需要承担“写作质量守门人”的职责。但这需要社区共识：什么样的写作是不可接受的？如何区分“语言不佳”与“科学表达不清”？

结语：回归清晰表达的本质

这场讨论的核心并非抵制AI，而是呼吁对学术写作质量的重视。无论作者是谁、使用了什么工具，清晰、准确、逻辑连贯的表达始终是学术交流的基石。审稿人需要更具体的批评语言，作者也需要更负责地使用AI工具。

正如一位评论者所言：“如果我们不能指出坏写作的具体问题，那么AI只会让学术论文越来越难读。”