如何验证 AI 生成的引用

你必须通过独立确认来源是否存在以及其内容是否确实支持所附的具体主张，来核实每一条 AI 生成的引用。不要轻信模型的输出；应将每条参考文献视为一个假设，并对照外部书目记录和原文进行严格验证。

AI 引用生成的具体失败模式

大型语言模型生成的引用看似合理，但结构上往往存在问题。这些错误通常分为三类：

• 幻觉标题。模型会编造一个听起来符合学术规范但实际上并不存在的标题。该标题可能会结合不同领域的真实概念，形成一个看似合乎逻辑但没有出版记录的短语。
• 作者不匹配。标题或主题是真实的，但作者列表有误。模型可能会将论文归属于该领域一位并未撰写该论文的知名研究者，或者颠倒姓和名的顺序。它还可能会虚构合著者，以使引用看起来更加可靠。
• 年份和元数据错误。出版年份、卷号、页码范围或 DOI 可能是虚构的。常见的错误是将较近的年份赋予较早的奠基性著作，或者附加一个解析结果完全不同的 DOI。

这些错误之所以危险，是因为它们往往不易察觉。读者可能匆匆浏览引用，认出主题，便假定该引用有效，而未核实细节。

逐步验证工作流程

要系统地核查引用，请遵循以下顺序。首先核实其存在性，然后核实其支持情况。

1. 提取元数据。从草稿中复制完整的引用详情（作者、标题、年份、来源、如有 DOI 则包含 DOI）。

2. 通过 DOI 或注册库验证存在性。如果提供了 DOI，请使用 Crossref查询 DOI 注册库。确认 DOI 指向真实记录，且元数据与您的引用完全一致。如果未提供 DOI，或者您正在检查书籍或章节，请使用 OpenAlex查询标题和作者组合。检查开放学术索引中是否存在匹配的记录。

3. 与次要数据库交叉核对。使用 Google Scholar搜索标题。查找该引用的多个实例。如果论文存在，您应该能看到其他研究者引用它。检查摘要以确保主题匹配。对于生物医学引用，使用 PubMed验证文章是否存在于生命科学数据库中并审阅摘要。为了获得更广泛的覆盖范围，特别是如果您有权访问机构订阅，请使用 Scopus确认文章的存在及其背景。

4. 验证论点支持。这是最关键的一步。访问已验证来源的全文或摘要。阅读声称提出该论点的具体章节。问自己：该来源是否确实提出了这一论点？它是否提供了草稿所暗示的数据或理论？如果来源只是顺带提及该主题或持相反观点，则该引用对您而言无效。

5. 记录已验证的参考文献。确认后，将记录保存在 Zotero或 Mendeley中。这些工具允许您存储已验证的元数据。通过将 AI 生成的引用与您保存的已验证记录进行比较，您可以建立一个本地真实库，从而防止未来的错误。

表明引用为虚构的警示信号

请警惕以下模式：

• 过于通用的标题。 标题语法正确，但缺乏真实学术语言的特定细微差别。
• 无法解析的 DOI。 DOI 格式正确但无法解析，或解析后指向出版社主页而非具体文章。
• 作者列表过长或过短。 大多数领域的真实论文都有典型的作者数量范围。理论论文列出 15 位作者，或大规模实证研究仅有一位作者，可能表明内容是虚构的。
• 日期舍入错误。 如果 AI 引用了一篇“2024”年的论文，但描述的研究发现需要十年的纵向数据，则该日期很可能是错误的。
• “置信度”错觉。 如果 AI 以高置信度且毫不犹豫的方式呈现引用，你应该更加谨慎，而不是放松警惕。模型在产生幻觉时往往表现得最为自信。

结构化提示以减少引用错误

通过在起草阶段约束 AI 的输出，你可以降低出错的可能性。

• 要求具体的元数据。 不要要求“相关论文”，而要要求“三篇 2020 年后发表且带有 DOI 的论文”。如果不要求提供 DOI，模型很可能会生成虚假标题。
• 限制范围。 针对非常具体的论点请求引用，而不是宽泛的主题。论点越具体，模型偏离进入幻觉领域的可能性就越小。
• 请求验证线索。 要求模型陈述摘要的第一句话或论文的具体结论。如果它无法提供连贯的片段，很可能是在凭空捏造来源。
• 使用迭代检查。 针对某个论点生成包含五个引用的列表。验证其中两个。如果这两个都是假的，则丢弃整个列表。如果这两个都是真的，则验证剩余的三个。这种抽样方法既能节省时间，又能保持高准确率。