TMLR新实验：让作者解释自己的论文，结果令人担忧

机器学习顶级期刊 TMLR（Transactions on Machine Learning Research）做了一件颇具争议却又意味深长的实验：面对 10 篇被列入桌拒（desk rejection）名单的投稿，编辑部主动联系作者，请他们亲口解释自己提交的论文。这个看似简单的做法，却揭开了当下学术界一个愈发严峻的问题——论文的真正作者到底是谁？

据 TMLR 官方在 Medium 上发布的说明文章披露，实验结果令人深思。

十篇论文，十种回避

TMLR 联合主编（Co-EiC）亲自出面，向这 10 篇论文的作者逐一发出访谈邀请。最终的统计结果颇具戏剧性：

• 1 篇：作者直接撤回了投稿；
• 1 篇：作者以"另有安排、无法参与"为由推辞；
• 1 篇：作者约好了会议时间，却临场未现身；
• 3 篇：作者无法回答关于论文的基础问题；
• 3 篇：作者能谈论论文的高层次思路，但一旦被追问技术细节便难以招架；
• 1 篇：作者回答了全部问题，但访谈者（联合主编）却在过程中发现了该论文的一个重大缺陷。

换句话说，10 篇论文中没有一篇经得起"作者亲自答辩"这道最朴素的检验。要么作者主动逃避，要么无法解释自己署名的研究内容。这一结果被原帖作者形容为"concerning"（令人担忧），社区的普遍反应也大抵如此。

桌拒之外，问题指向何方

桌拒本身是编辑在正式送审之前，对明显不合格投稿的快速筛除。TMLR 之所以对这批论文额外发起访谈，并非要给它们翻案的机会，而是想验证一个日益普遍的疑虑：这些论文究竟是不是作者本人真正理解、真正参与撰写的成果。

从结果看，答案相当负面。当一位署名作者无法回答关于自己论文的基础问题，或者只能复述"高层次思路"却讲不清技术实现，这背后往往指向几种可能：论文由第三方代写、大量依赖生成式 AI 拼凑内容、或是挂名而未实质参与研究。无论哪一种，都触及了学术诚信的底线。

值得关注的是那篇"作者对答如流"的论文——即便作者能回答所有问题，编辑仍在交流中识别出一个重大技术缺陷。这提示我们，作者能解释论文只是及格线，论文本身的科学质量是另一道关卡。

学术署名规范（authorship norms）在国际学术界有明确的伦理准则，例如国际医学期刊编辑委员会（ICMJE）要求每位作者必须对研究的设计、数据采集或分析有实质贡献，并能对研究内容负责。"挂名作者"（honorary/guest authorship）和"幽灵作者"（ghost authorship）长期以来都被视为学术不端行为。生成式AI的普及将这一问题推向新的极端——当论文的实质内容由大模型生成，而署名者仅负责提交，传统署名伦理框架面临根本性挑战。目前多数顶级期刊要求作者声明AI工具的使用情况，但如何区分"辅助润色"与"实质代写"，在实践中仍缺乏可操作的统一标准。

AI时代的论文洪流与同行评审困境

这一实验的时代背景不容忽视。随着大语言模型的普及，撰写一篇"看起来像模像样"的机器学习论文的门槛被大幅拉低。生成式工具可以在短时间内产出结构完整、术语准确、甚至配有公式和实验表格的文本，但这些内容未必对应真实的研究工作，作者本人也未必真正理解。

对于 TMLR 这类采用滚动投稿、强调严谨评审的期刊而言，投稿数量的激增与质量的稀释形成了尖锐矛盾。传统的同行评审依赖审稿人逐字审读，成本高、周期长，面对海量低质甚至"AI 灌水"投稿时容易不堪重负。TMLR 的这次尝试，实际上是在探索一种低成本的"真实性验证"手段——直接和作者对话，用最人性化的方式检验论文的真实归属。

TMLR（Transactions on Machine Learning Research）由机器学习基金会（MLF）主办，于2022年创刊，定位为全开放获取、持续滚动收稿的期刊，有别于传统一年数期的批量出版模式。其评审机制强调在固定时限内完成审稿，并鼓励作者与审稿人之间的透明互动。正因为采用滚动投稿制，TMLR没有截止日期带来的自然流量调节，理论上任何时间都可能面临投稿涌入的压力。这使得它在应对AI辅助写作浪潮时比传统会议（如NeurIPS、ICML）更缺乏缓冲空间，也让这次真实性验证实验的动机更加迫切。

这套方法能推广吗

"让作者解释自己的论文"听起来简单，但要成为常规评审流程仍面临不少挑战。

访谈需要编辑或审稿人投入大量时间，10 篇论文尚可逐一约谈，面对成千上万的投稿显然无法规模化。同时，口头答辩的公平性也需要考量——语言能力、临场表达、时区与身份差异都可能影响作者表现，这与论文的学术价值并不完全等同。此外，如何界定"回答不上来"的标准、是否给作者充分准备时间，也都需要制度化的规范。

不过，作为一种针对性的抽查或申诉机制，这种做法的价值是明确的。它向学术共同体传递了一个信号：署名意味着责任，作者应当能够对自己的研究负责并作出解释。在 AI 生成内容真假难辨的当下，这条最古老的检验原则反而显得格外珍贵。

给研究者的提醒

对于投身机器学习研究的个人和团队，TMLR 的这次实验是一记警钟。使用 AI 辅助写作、整理文献、润色语言本无可厚非，但如果论文的核心贡献、技术细节乃至实验结论都不是作者真正掌握的内容，那么再精美的排版也无法通过"作者答辩"这一关。

学术诚信从来不只是形式合规，而是研究者对自己工作的真正理解与担当。随着期刊和会议逐步引入更多真实性验证机制，那些依赖捷径产出的论文，未来将越来越难以蒙混过关。