近日，南京大學歷史學院公佈了“我用AI寫歷史”論文競賽的最終結果論文。這場發起於3個月前的實驗性論文競賽，吸引全國近900名本科生報名參與。比賽鼓勵學生充分使用AI輔助寫作，但要求公開全部操作痕跡。
作為一次大膽的實驗，其結果如何？“我們並不覺得應該有下一次比賽論文。”競賽發起人、南大歷史學院副院長王濤教授告訴記者，本次比賽已經證明了一個令人不安的事實——即便是在如此倉促的前提下，本科生藉助AI也能提交一份像模像樣的學術論文。這讓他認為，傳統意義上的課程論文，正在失去作為成果檢驗工具的效力。
有人有上百頁對話記錄論文，有人“一鍵出稿”
作為一項實驗性賽事，“全程留痕”是競賽的核心設計論文。參賽者需在南京大學自主研發的“數智文獻處理平臺”上完成創作，所有文獻處理、檢索、提問與回答等操作軌跡均被自動記錄。
然而，參賽者在留痕上的投入程度差異明顯論文。王濤透露，有的同學提交的互動證據僅有寥寥數頁，屬於“一鍵出稿+少量修改”模式；也有同學提交了上百頁的與AI對話記錄，而最終成文僅十餘頁，每一輪提問、史料核對、論證修正都留下了清晰的迭代痕跡。“這部分同學的寫作過程相當用心，真正把AI當成了協作者，而不是代筆者。”王濤說。
關於賽前普遍擔憂的“AI幻覺”問題，主辦方透過推薦使用指定的數智文獻平臺，“鎖死”了材料來源，從技術層面最大程度降低了幻覺風險論文。但仍有部分同學選擇使用其他AI工具，且未對生成內容進行有效核實，提交的論文存在明顯的史實錯誤和文獻虛構問題。“工具本身不是問題，問題在於使用者是否具備歷史學的基本素養和求證意識。”王濤表示。
提問記錄難解“原創性”追問論文，人機評分差異大
本次競賽最受矚目的創新，在於評審環節引入了“人機雙軌制”，50多位人類專家與一套AI評分系統各自獨立打分，再取均值形成最終榜單論文。
然而，評審過程暴露出的問題，遠比預想中複雜論文。
首先，“全程留痕”並未真正降低評審難度論文。 根據賽制，專家在評閱論文時需同時檢視學生的提問記錄與AI回答。但多位專家反饋，這一設計“增加了評審難度”——如何判斷學生在整個過程中到底做了多少智力貢獻？提問的質量能否等價于思考的深度？這些問題至今沒有答案。王濤坦言：“如何判斷學生在AI輔助下的真實工作量，或許將成為AI時代論文評審的核心困境。”
展開全文
其次，AI評委比人類專家更為寬鬆，兩者評分標準存在系統性偏差論文。
資料顯示，AI評委給出的中位分為86分，而人類專家的中位分僅為80分；最高分同樣出自AI之手論文。
進一步統計顯示，專家均分與AI評分的相關係數較低，說明兩者對“好論文”的認知框架存在顯著差異論文。
這種差異直接體現在具體的評審結果上，有爭議的論文大量存在論文。此次特別增設的“最具爭議獎”頒給了兩篇分差最大的作品：《簡要分析西漢翔鷺紋銅鼓紋飾反映的民俗文化》（專家高分 vs AI低分），以及《論明徵安南之戰中明軍火器戰術的應用》（專家低分 vs AI高分）。王濤認為，這跟論文風格沒有關係，還在於行文邏輯和論證過程，“我們甚至推測，AI評審更側重於形式規範，如結構、引用等，而專家看重歷史思維和問題意識，這成為爭議的焦點。”
值得注意的是，人類專家內部也並非意見統一論文。據統計，專家內部分差大於20分的論文達38篇，佔總數的18%。這表明，即使在純人工評審時代，學術評價的主觀性也遠未被充分討論。人機分歧，某種程度上只是將這一固有矛盾推向了前臺。
歷史學本科教育或需重新定義“何為成果”
王濤解釋，本次競賽的目的並非打造一個更完美的“人機協作大賽”，而是透過實驗揭示一個已到來的事實：在一個僅持續數月、多數參賽者倉促上陣的競賽中，已湧現出相當數量“像模像樣”的學術論文論文。如果AI能在如此短的時間內輔助本科生完成達到發表水準的文字，那麼傳統意義上以課程論文為終端的考核方式，其檢驗學生學術能力的效力正面臨根本性質疑。
“如果技術再進步十年，”王濤說，“歷史學本科教育中絕對不能被AI替代的部分，不是史料檢索、文獻綜述，甚至不是初稿撰寫，而是提出真正問題的能力、對史料進行批判性質疑的直覺，以及將碎片納入宏大敘事的歷史想象力論文。這些東西，AI可以模仿，但無法‘擁有’。”
據瞭解，本次競賽的所有資料、論文與評審記錄將全部開源，供全國高校文科教育工作者參考論文。主辦方將於近期召開專題研討會，以這場實驗為起點，推動關於“AI時代歷史學本科教育何為”的進一步討論。
揚子晚報/紫牛新聞記者 楊甜子
校對 朱亞萍
