作者：HONG ZHOU

译者：罗曦阳

校译：王一雪

来源：https://scholarlykitchen.sspnet.org/2025/11/20/reimagining-scholarly-publishing-workflow-a-high-level-map-of-what-changes-next/

近年来，学术出版正承受着持续加剧的系统性压力。随着论文投稿量的持续攀升与学术诚信风险的不断演化，审稿人数量却未能同步增长，导致同行评审系统愈发难以满足需求。学术产出与投稿量呈爆发式增长趋势——2022年索引论文较2016年增加约89.7万篇（年均增长率约5.6%），这既源于全球科研参与度的扩大、跨学科协作的深化与科研工具的加速发展，也与论文工厂推动的低质量研究和虚假成果增多密切相关。与此同时，人工智能（Artificial Intelligence，AI）正从精巧的实验性原型演变为工作流程伙伴，在细分领域拥有更丰富的知识储备，具备更强的推理能力，多模态特性日益突出，并逐步具备执行复杂任务的自主工作能力。

在这一背景下，真正的机遇不在于将AI功能生硬地附加到既有系统上，而在于重新思考并设计“人机协作”的出版模式：从基于规则和经验的工作流程，转向由数据和智能体驱动的流程，并配以可大规模稳定运行的防护机制。这一转变不仅涉及技术、产品和运营，更关乎出版行业的愿景、战略和文化。那么在实践中，这将呈现怎样的图景？以下是我的思考。

预印本：从存储库到科研加速器

预印本在开放科学和作者主导的出版模式中日益占据核心地位。以arXiv和openRxiv为代表的许多预印本服务平台，仍依赖志愿者专业知识、捐赠/会员费/科研资助以及最低限度的基础设施运行。这种模式小规模运作尚可，一旦大规模扩展则脆弱不堪。如今，预印本平台的可持续发展愈发依赖自动化技术，以在降低运营成本的同时维护信任框架。而当平台遭遇低质量或AI生成稿件的涌入时，其信任基础也随之动摇。例如，arXiv已宣布不再接受未经同行评审的综述类或观点类文章。在通过自然语言提问即可获得即时整合答案的时代，“搜索—下载—阅读”式的传统文献发现方式已经显得滞后。

真正的关键转变在于将预印本视为丰富内容、验证信息并促进发现的枢纽，而非单纯的托管平台。翻译与摘要功能可拓宽访问渠道，自动化或社区化的质量与完整性检查应直接关联至记录本身（而非滞留在邮箱中），并顺向传递以加速期刊分拣流程。自动期刊推荐与结构化交接机制能显著提升作者“寻找投稿去向”的效率。如果平台在稿件接收阶段就使用统一的元数据标准和JATS XML格式，也能避免后期反复的格式转换成本。

预印本同样是促进社区参与的理想载体，而社区参与对开放科学至关重要。通过对可靠性、创新性、可重复性等维度的评分，并配以轻量化评论，编辑与读者可以更快识别真正有价值的内容。再加上可按需执行的“可重复性胶囊”（数据+代码+环境），科研验证流程将更加透明。此外，平台还支持兴趣小组、工具演示与试用的供应商沙盒、跨学科合作匹配，以及用于识别新兴研究假说和科研动向的趋势分析。在合成内容增多及AI生成研究价值提升的背景下，为AI辅助或AI生成文章设置明确标识的专属通道和空间，有助于读者清晰评估其价值。

值得注意的是，所有这些功能都需依托清晰的政策体系（包括AI披露要求）和具备弹性扩展能力的平台才能高效运作，使得预印本不再只是被动存储研究成果的档案库，而是成为推动科研进程的加速器。

投稿：从优化体验迈向真正的处理能力

许多投稿系统虽然在界面和交互体验上实现了现代化，但依旧架构于传统流程之上，需依赖编辑和审稿人事后发现问题。而我们完全可以做得更好。设想一个90秒的投稿前智能助手：它能检查研究范围契合度、写作质量及期刊指南合规性，让作者在编辑审阅前完善稿件。如此一来，编辑后续审阅的将是更规范、更完整、质量更高的稿件。这样的改进不是科幻，而是一种可实现的系统设计选择。

那么，哪些措施能真正提升投稿处理能力？笔者认为以下措施将共同提升投稿流程的整体处理能力，并让作者真正感受到被理解、被支持：第一，互动式投稿指导，配合清晰的示例（尤其是围绕AI伦理使用与信息披露的示例）；第二，将早期筛选嵌入投稿流程而非后期附加；第三，对变革性协议（Transformative-Agreement, TA）资格进行精准预先判定，避免因计费、豁免及合规等问题引发长达数周的邮件往来；第四，即便退稿，也能通过自动转投关联期刊以维系良好的关系，并保留可能流失的投稿； 第五，如同预印本平台一样，在必要时生成标准化格式（如JATS XML），确保后续网页、PDF、EPUB及无障碍阅读等多种呈现形式可以基于同一数据源生产；第六，为作者提供关于AI使用伦理及准确透明披露相关培训。

筛查与诚信：从被动检测到主动保障

学术诚信工作虽已从单一核查发展为多信号、多阶段筛查，但该领域仍存在碎片化与被动性的问题。尤其在区分“AI生成内容”与“AI润色内容”时常出现误报，既浪费时间又削弱信任，这表明追查“AI内容”本身很可能是一个错误的目标。

更合理的目标在于建立保障机制，明确以下几个问题：作者（及编辑、审稿人）是否遵循明确的AI使用政策？来源信息是否完整记录？必要披露是否到位？各类成果（文本、图像、数据、代码、视频）是否相互匹配？我们能否公开展示工作流程？

这意味着需要建立一种新的运作模式：

·政策清晰化。允许合法使用AI；要求作者、审稿人和编辑进行信息披露，并提供自动化合规与披露检查工具。

·预防优于检测。将行业倡议或检测工具，例如谷歌的SynthID、微软的Project Origin以及ORCiD的Trust Marker，前置到创作阶段以预防问题，而非依赖事后被动检测。

·工具协同。以通用诚信工具包取代静态检查清单，让AI基于当前信号（文本相似度、图像伪像、数据异常）中的模式与关联性选择最佳后续检测方案，实现从被动检测向预测性自动化流程的转变。

·通用分类与基准体系。构建涵盖80余种学术诚信案例的动态化综合性共享术语库，以优化沟通与监测机制（当前相关举措，如出版伦理委员会COPE和United2Act仅覆盖部分核心议题）。同时设立独立的公开排行榜，评估市面上50余种诚信检测工具，使客户明确各工具的适用场景。

·持续优化解决方案。利用公开或内部的人工验证筛查报告及沟通机制，持续优化AI驱动的检测能力。

·生态系统角色定位。政府制定政策与治理框架；机构承担教育职能，激励良好行为并承担不当行为后果；出版商坚持质量优先原则，将诚信元数据作为核心信息予以发布。

整体而言，上述运行机制的关键不在于“是否抓到违规”，而在于“我们是否构建了一个让违规难以发生、且一旦发生就无所遁形的系统？”

同行评审：以AI速度实现人类判断

同行评审仍是质量保障的支柱，但其效率低下且往往受制于人力容量。事实上，AI除了驱动评审人匹配与筛选的功能外，还能在诸多环节降低管理成本、加速流程，同时确保人类始终掌握主导权。

在评审初期，AI可验证引用的数据集是否存在且引用规范。评审过程中，它能呈现相关文献并核查参考文献。评审结束后，它可协助润色反馈意见并整合评审报告，使编辑清晰掌握意见的共识点、分歧点以及背后的原因。

随着AI知识储备与推理能力的提升，其对创新性、方法论及原创性的评估也将日益精准。政策制定应为“人机协同评审”预留空间：明确允许范围、披露义务及保密机制。而评审员和编辑应该通过培训掌握AI的价值边界，确保评审判断聚焦于研究本身而非工具本身。

展望未来，基于代理机制、注重可重复性的评审将成为可能，即在沙盒环境中控制性地重运行代码和分析，在必要时验证研究结论。消息和邮件可实现个性化自动化处理，自动状态追踪将触发相应操作，从而在投稿和同行评审阶段为编辑、作者和审稿人节省精力并提升用户体验。随着时间推移，匿名化历史报告将助力模型更接近专家评审者的推理模式，同时避免削弱人类的判断力或模糊责任归属。评审者不仅应通过Web of Science评审者认可服务、评审者积分等技术服务获得认可与奖励，更应通过政策调整、职业晋升标准及研究追踪系统等机制，将评审工作纳入学术贡献评估体系。多阶段评审将持续扩展，不仅限于同行评审，更将延伸至预印本阶段的开放评审及刊后社区评审。

生产：自动化与人工把舵的结合

生产供应商正通过AI实现文稿编辑、排版和校对的自动化。出版商也在评估和开发内部解决方案，以降低成本并减少对供应商的依赖。而这些举措的关键就在于结构优先，明确由AI进行初审，人工负责质量把控。

为了让这一模式真正可行，实践中需要明确人机协同的分工边界：在预印本/投稿阶段审核标准格式生成结果，确保信息源唯一性，并将人工精力集中到模型置信度较低或风格取舍关键的环节。为避免生成式工具导致作者/品牌声音同质化，应在风格辅助中设置必要的边界，并要求作者对所有实质性语言修改进行最终确认。

在明确流程与边界后，出版输出形式也迎来了质的提升，更丰富的输出形式现已实现规模化应用：经人工抽检的多语言版本；无障碍格式与替代文本；通俗摘要与重点章节；经领域专家审核的图形摘要；针对特定论点与方法的精细化纳米出版物。这些成果既是读者信任的信号，也是机器可见性的标识，对下游传播与发现至关重要。

最终，这些实践共同指向清晰明确的核心目标：AI承担繁重的重复性工作，人类则作出精细可追溯的决策——这体现在更低的错误率与返工率、更快的出版周期，以及可验证的无障碍机器可读内容。

发布平台：从读者网站到机器优先的证据层

内容发现正从传统的出版商网站转向ChatGPT等“超级应用”及各类助手。在这样的新环境中，仅服务人类读者已不足够，机器成为了主要内容消费者。这预示着向多层架构的转变：

·API 优先的内容层将成为唯一可信的数据源，统一承载版本、表述、更正与撤稿等全部内容状态，并确保每一状态都有可追溯的持久标识符。

·共享式多租户读者应用将统一处理跨内容集的通用用户体验、内容管理及发现需求。

·少量定制化品牌网站会通过专属设计与解决方案实现差异化竞争。

随着平台结构的演化，新的服务形态也将顺势而生。例如，发布前的内容完整性检查可以作为最终质量关口；按需内容打包（如关联内容合集 + 自动摘要）也能依据平台侧需求或用户查询即时生成，进一步提升内容可用性。。

相应地，衡量成功的指标也将发生变化。除点击率和页面浏览量外，将优先考量机器可读性与AI归因能力，包括结构化数据、嵌入向量、来源与许可透明度、参考文献完整性及语义覆盖率等。站内助手虽然部署成本越来越低、实现更便捷，但其主要价值仍在于维护用户留存；真正的增量价值，将来自服务、授权与互操作性的拓展，以及平台作为“可信答案锚点”的持续强化。

传播与发现：从点击到可见性

受众行为正快速转变。麦肯锡报告显示，约44%的用户已将AI搜索作为主要信息来源，尽管目前AI驱动的引流比例仍不足1%。传统渠道依然具有信誉优势，但在速度与个性化方面已显乏力。在这一新环境中，出版机构需要同时面向专家与大众拓展内容形态、加强多语种传播，并密切关注开放网络上的实时影响信号。同时，AI 也在加速连接跨领域的问题与方法，为内容带来更广泛的跨学科触达能力。

更深层的变革在于思维模式的转变：从“点击经济”转向“可见性经济”。在此格局下，GEO（生成式AI引擎优化）与传统SEO（搜索引擎优化）形成互补：

·SEO通过优化结构与关键词提升排名和流量；

·GEO通过提升语境契合度、语义覆盖率及机器可读信号提高内容被 AI 纳入答案的概率。

在实践层面，这意味着：需要构建清晰的要点模块与直接回答段落；系统性地关联实体（如 ORCID、ROR、资助ID）；暴露schema.org 等结构化数据；明确标注数据、代码与授权信息；并在指标体系中加入AI相关指标，例如提及次数、答案收录率、提及情绪、首次AI引用时间等，而不仅仅依赖传统的点击数据。未来，类似COUNTER 的统计报告也将纳入AI内容消费情况。

在充斥大量衍生内容的生成式AI时代，能够真正回答实际问题的可信、独特信息仍然是稀缺资源。这样的内容不仅更容易被AI系统频繁调用并嵌入回答，从而提升GEO表现；其结构化、可靠且独具价值的特点，也让其在用户与机器之间被反复使用——这正是新的价值倍增器。

未来展望

我们正从纯人工工作流程转向以人为本、AI辅助的工作模式，并进一步推动出版与研究工作流程中的AI协同合作。上述变革的前提，是构建一套全新的出版工作流/基础设施——该体系应具备开放性、互操作性及日益增强的自主性，同时保持人类治理主导，确保大规模应用时的可靠性、安全性与经济性。这将催生更丰富、更深邃、更广博的知识（而非内容）产出，服务于人类读者与机器系统。若能妥善运用，AI将以系统所需的速度、语境与一致性增强人类专业能力，而非取代让学术体系的以运作的人。