上周去参加一个学术年会，茶歇时和老赵聊了几句。他刚收到一篇整合转录组和代谢组的稿件审稿意见，脸上明显有些无奈。

他说：“现在的审稿意见越来越难处理，读完好像什么都说了，但没有一条能明确地落到我文章的分析里。” 他做的是标准的多组学关联分析，全流程包括数据清洗、批次效应校正、PLS-DA、DIABLO，以及结果的生物学解释。本来就需要审稿人对步骤的细节有基本认识。但他收到的意见非常奇怪：语言规范，段落整齐，却从头到尾没有提到任何具体图表、参数或数据结构。

更典型的是，3份审稿意见里，有1个意见里出现大量不相关的名词罗列和参数堆叠。例如建议增加某些深度学习模型的特征选择模块、补充不属于本研究范式的推断结构、尝试更多类型的数据融合方式等。看似全面，但与他的研究框架没有任何实际匹配。

那一刻我意识到：我们正在经历一个AI审稿泛滥的变化。很多繁忙的同行直接把文章丢给AI来审稿了，这可不好玩了！

今天的更新，我就以我自己的经验，总结一个判断是否是AI审稿的6个标准，希望起到抛砖引玉的效果，减少无效修改的时间投入。

如何判断审稿意见可能由 AI 自动生成

以下特征在当前AI中出现频率最高。判断的目的不是质疑审稿方式，而是帮助作者决定哪些意见需要执行，哪些需要向编辑说明。

1 意见无法定位到文章中的具体位置

典型表现是： “建议加强方法部分”“需要扩展讨论”“可进一步提升模型稳健性”。 这些描述无法对应到特定段落、特定图表或特定步骤。如果无法明确文章中哪里出现问题，很可能只是基于摘要自动生成的概括性反馈。

2 建议与研究方法明显不匹配

当前 AI 生成意见常出现结构性脱节，例如：

• 多组学文章使用 PLS-DA、sPLS、DIABLO，却被要求补充 CNN、LSTM 或 Transformer；
• 线性模型被要求补充复杂的因果推断框架；
• 面板式数据被要求做 RCT（随机对照实验）。

这种建议通常不是对稿件内容的判断，而是自动生成的“跨领域泛化式”输出。

3 行文高度整齐，句式重复率极高

常见格式是整齐的三段式结构，每段以“作者需要进一步……”“建议作者考虑……”开头，段落之间的句式高度相似，语义重复但换了同义词。 这种过度工整、无个体差异的表达，是自动化生成的典型特征。

4 不涉及研究领域细节

人工审稿往往会提到关键文献、模型版本、参数选择依据或领域内的通用做法。而自动生成意见通常避免具体文献，以免虚构引用，因此语言会保持抽象。 没有引用、没有专业细节，是判断的重要依据。

5 回避图表、参数和数据处理流程

举一些具体的例子吧，跟数据分析有关的，审稿意见只会说“图表可提升”“流程需更清晰”，但不会提到：

• PCA 的方差解释比例
• PLS-DA 的交叉验证方式
• 批次效应校正的参数
• 多组学网络中的阈值选择
• 变量选择的稳定性分析

一旦审稿意见的表达全部停留在笼统层面，而不涉及任何定量细节，基本可以判断没有阅读图表本身。

6 出现大量“参数罗列”和“名词堆叠”却不提出具体理由

这是当前最具代表性的 AI 审稿痕迹。

常见表现包括：

• “建议补充更多数据分析方法，如随机森林、XGBoost、LSTM、贝叶斯网络等。”
• “建议增加更多统计指标，例如 F1、AUPRC、均方误差、R²、准确率等。”
• “建议进行更多类型的模型对比，以增强分析的多样性。”

在人类审稿中，几乎不会出现这种“报菜名”式的反馈。 在 AI 生成的审稿意见中，这类“堆词法”非常常见。

小结

近年来AI审稿越来越泛滥，大家都在浪费时间，用AI的审稿人，那证明肯定是没有时间去看文章，实际上还是大家的工作压力太大了，如果你能识别 AI 自动生成的意见，有助于减少无效的修改时间。也不用紧张，大概率这种审稿人是不会给你拒稿的，好好修改吧！

感谢关注，你的支持是我不懈的动力！