當前生成式 AI 技術正以前所未有的速度爆發，AI 已能從無到有寫出深度報導、繪製大師級畫作，甚至生成高畫質影像。然而，技術發展的速度遠快於法律制度的調整，AI 與著作權之間的衝突正成為全球關注的重要議題。截至 2026 年初，全球針對 AI 企業的版權侵權訴訟已突破 70 件。當演算法與法律條文正面對撞，我們必須嚴肅自問：在這個 AI 與人類共同創作的時代，法律如何重新定義「原創」？這不僅是技術開發者的難題，更是 2026 年所有企業與創作者必須正視的重要課題。

一：訓練資料合法性成為 AI 發展的重要課題

2025 年至 2026 年，多起指標性訴訟陸續進入實質審理後，AI 產業對於訓練資料來源與授權問題的重視程度明顯提高。

在 Bartz v. Anthropic 案中，Anthropic 因被指控使用影子圖書館下載大量未授權書籍而面臨訴訟，相關案件也引發外界對 AI 訓練資料合法性的廣泛討論。法院初步認為 AI 訓練具有一定程度的轉化性（transformative use），但是否構成 fair use（合理使用）仍須依個案事實綜合判斷。相較之下，Anthropic 大量下載並保存盜版書籍的行為，則可能涉及獨立的著作權侵害問題。

Copyright Alliance 執行長 Keith Kupferschmid 指出：「這筆鉅額和解金不僅是出版商與作者的勝利，更證明了我們長期的觀點：AI 公司絕對負擔得起授權費用，這並不會損害其創新能力。」

從近期案件發展來看，大型出版集團正逐漸成為 AI 著作權訴訟中的重要原告。 過去如 Kadrey v. Meta 案中，個體作者常因難以證明「市場損害」而失利。但 2026 年的 Elsevier v. Meta 案標誌著情勢的反轉。Elsevier 等出版集團主張其擁有完整的授權市場與交易資料，較有機會提出具體證據，說明 AI 模型對既有教科書與學術授權市場可能造成的影響。此案可能成為未來法院評估 AI 訓練市場替代效果的重要指標，當具備數據優勢的「機構型原告」進場，這類案件可能影響法院未來對市場替代效果的認定方式。

二：「訓練」不等於「生成」——模型權重並非「像素複製品」

近年的生成式 AI 訴訟顯示，法院已逐漸從抽象的法律爭議，進一步進入模型訓練與生成機制的技術層面。其中一項重要發展，是將「訓練資料的使用」與「生成內容的輸出」分別進行法律評價。

Getty Images v. Stability AI 案凸顯出生成式 AI 訴訟中的一項核心問題：模型權重與原始訓練資料之間究竟應如何進行法律評價，目前較常見的技術觀點認為，模型權重儲存的是統計關聯與特徵分布，而非原始圖像內容本身：

* 技術定性： 權重檔中並不包含原始圖像的像素，它儲存的是「統計特徵與規律關聯」。因此，模型權重是否構成著作權法上的重製物，仍有待司法實務持續發展。
* 生成的輸出（Output）： 儘管模型學會了「風格」，但「風格」本身不受保護。只有當 AI 產出的圖像與原作品達到「實質相似」（如出現殘缺的 Getty 浮水印）時，才會觸發侵權與商標淡化責任。

三：機器依然不是「人」——美國法院對 AI 生成作品著作權保護的最新立場

2026 年 3 月，美國最高法院正式拒絕受理 Thaler v. Perlmutter 案的調卷令聲請，這使美國司法體系對 AI 作者資格的立場更加明確。

美國著作權局（USCO）與聯邦法院堅持 「人類原創性（Human Authorship）」 是登記著作權的必要條件：

1. Creativity Machine 不具作者資格： 機器不是自然人，無法形成「創作意圖」，亦不能作為「僱傭創作」的受雇人。
2. 權利保護上的限制： 若作品完全由 AI 生成、缺乏人類實質控制，無法取得美國著作權保護。企業將無法以此主張排他權利。

全球實務分歧： 值得注意的是，「中國北京互聯網法院於『春風送來了溫柔』AI 圖片著作權案中認為，若使用者在提示詞設計、參數調整、結果篩選等過程投入足夠智力勞動，AI 生成圖片仍可能構成受著作權法保護的作品。」這種分歧將導致跨國企業在保護 AI 生成資產時面臨嚴峻的司法邊界挑戰。

四：2026 年監管拼圖全面生效——「布魯塞爾效應」下的台灣企業壓力

2026 年是從「法律真空」轉向「強制執行」的一年。歐盟《人工智慧法案》（EU AI Act）的適用範圍不僅限於歐盟境內，也可能對向歐盟市場提供 AI 服務的境外企業產生影響。

近年來，各國司法實務也逐漸強調企業對 AI 系統所負的注意義務。 建議大型企業可建立「AI 系統登記機制（AI System Registry）」，詳細紀錄數據來源與訓練細節。雖然目前並非法律明文要求，但建立相關紀錄有助於企業進行風險管理與合規證明，更是為了在面臨類似中國「奧特曼案」（涉及生成式 AI 平台產生侵權圖片的責任認定）反映的間接侵權責任風險時，能以此證明已盡「合理注意義務」的技術防護。

五：從資料擷取到授權合作——生成式 AI 的新發展方向

近年來，Adobe、環球音樂等企業開始透過授權合作與內容來源管理機制，降低生成式 AI 的法律風險。

1. Adobe Firefly 的潔淨數據： 透過 Adobe Stock 授權與「內容憑證（Content Credentials）」技術，確保每一張生成的圖像都具備「商用賠償保障」。
2. 雙層防禦機制： 在 2026 年，創作者擁有「法律上的選擇退出（Opt-out）」權利（歐盟 AI Act 第 53 條），而 UMG 與 Udio 的合作則進一步推動了「商業上的主動加入（Opt-in）」模式。

這種轉型意味著 AI 的競爭已不再純粹是演算法的較量，而是關於如何建立兼顧創新與權利保護的內容治理機制。

結語：演算法與法律條文之間的權力重構

2026 年可能成為 AI 法律治理的重要分水嶺，隨著多起指標性訴訟進入實質審理階段，以及歐盟與各國陸續建立監管框架，企業在開發與部署生成式 AI 時，已無法再忽略資料來源、模型治理與內容責任等議題。隨著多起 AI 著作權訴訟持續推進、美國法院重申人類原創性原則，以及歐盟法案逐步生效，AI 技術的開發者與使用者都不能再心存僥倖。

從近年的訴訟與監管發展來看，資料授權、內容治理與風險管理正逐漸成為 AI 創新生態的重要基礎。無論是訓練資料的取得、生成內容的管理，或是 AI 作品的權利歸屬，企業都需要建立更完整的治理機制。

未來企業的競爭力，除了模型能力之外，也將取決於其是否能建立透明的資料治理流程、清楚的權利授權模式，以及可被驗證的合規機制。隨著 AI 技術持續發展，如何在創新與權利保護之間取得平衡，將成為各國法律制度與產業實務共同面對的重要課題。

參考文獻

* Bartz et al. v. Anthropic PBC, N.D. Cal. (2025).
* Elsevier Inc. et al. v. Meta Platforms, Inc. et al., S.D.N.Y. (2026).
* Thaler v. Perlmutter, 130 F.4th 1039 (D.C. Cir. 2025); Cert. Denied (U.S. Mar 2, 2026).
* Getty Images (US), Inc. & Ors v. Stability AI Ltd, [2025] EWHC 2863 (Ch).
* European Commission, Regulation (EU) 2024/1689: Artificial Intelligence Act (2024).
* 中華民國立法院, 人工智慧基本法 (2026).
* Copyright Alliance, AI Copyright Lawsuit Developments in 2025: A Year in Review (2026).
* Adobe Firefly, Commercial Indemnification and Safety Infrastructure Whitepaper (2026).

推廣組 簡玉菱 / 本文搭配AI工具進行寫作輔助
由於AI技術發展迅速，以上內容截至2026年6月10日整理完成，僅供參考。

這篇文章 生成式 AI 與著作權：2026 年值得關注的法律發展 最早出現於 NYCU陽明交大圖書館-陪你做研究。

EndNote 2025 帶來了多項大幅優化研究與寫作流程的新功能，其中最具代表性的是首次導入了人工智慧（AI）工具，以下為您簡介各項重要的新功能：

AI 關鍵提要 (Key Takeaway) 與 Research Assistant：
內建生成式 AI 工具，能直接從單篇 PDF 檔中提取關鍵見解與重點，並生成結構化的摘要。該功能僅分析當前文獻內容，不依賴公共大型語言模型（LLM）。
若更新至 EndNote 2025.1 版，更加入了EndNote Research Assistant，支援與雲端同步的 PDF 文件進行問答對話、快速總結選取的文字段落，以及翻譯 PDF 文件內容（中文翻譯目前僅提供簡體中文）。
(需登入個人化帳號使用)

從 PDF 直接引用 (Cite from PDF)：
可提升論文寫作效率的功能。使用者只需在內建的 PDF 閱讀器中選取並反白欲引述的文字，一鍵點擊專屬按鈕，就能將該段文字及其對應的參考文獻自動插入到 Word 文件中，節省時間並減少手動引用的錯誤風險。

推薦投稿期刊 (Find A Journal)：
使用者只需輸入稿件的「標題」與「摘要」，系統便會推薦最適合的投稿目標期刊，並顯示影響指數（Impact Factor）等資訊。(請注意：本功能僅限已安裝CWYW外掛程式之Google文件或網頁版WORD(如，Microsoft office 365等)，並需登入 EndNote Web 個人化帳號才能使用。)

重新設計與可自訂的摘要面板 (Summary Panel)： 提供更現代化、結構化的版面，使用者可透過齒輪圖示自行設定要顯示哪些詳細資訊欄位。。例如，可直接在摘要面板一目了然地查看該文獻被分類到哪些群組（Smart Groups）或自訂標籤中。

加強與 Web of Science (WOS) 整合： 針對已收錄的文獻，使用者可直接在介面中查看 Web of Science 核心合輯裡的相關記錄 (Related Records) 與引用文獻 (Times Cited)。透過一鍵串聯至 WOS 平台，研究人員能快速擴展文獻檢索範圍並鎖定高影響力研究。

查找全文與參考文獻更新功能改進 (Find Full-Text & Find Reference Updates)： 新版將這兩項實用工具設計在更顯眼易用的位置（於右側選單的 Tools 按鈕內）。系統能針對線上可取得的書目資料比對檢查，將有更新的內容以紅字對照顯示，並讓使用者能更流暢地一鍵查找單篇全文或更新參考文獻欄位。

參考資料：

• 中文官方部落格：下一代參考文獻管理解決方案：EndNote 2025。
• 英文官方介紹：Introducing EndNote 2025: The next generation of reference management。
• 圖片來源：Endnote 2025簡介與更新說明

文/推廣組 簡玉菱

這篇文章 Endnote 2025新功能簡介 最早出現於 NYCU陽明交大圖書館-陪你做研究。

隨著生成式 AI 被廣泛應用於學術研究，研究者逐漸依賴 AI 協助進行文獻搜尋與整理。然而，AI 在學術應用上仍面臨關鍵限制，例如引用來源不明確、文獻真實性難以驗證，以及無法有效判斷研究之間的支持或反駁關係。

為回應上述問題，Scite 於 2026 年 2 月推出 Scite MCP（Model Context Protocol）功能。需特別說明的是，Scite 原本即已具備查詢及 AI 功能（如文獻檢索、引用分析與 AI 問答），此次 MCP 的導入，主要在於透過標準化協定，將既有功能串接至外部大型語言模型平台（如 ChatGPT、Claude 等），使研究者得以在不同 AI 工具中直接調用 Scite 的資料與分析結果。

Model Context Protocol（MCP）本質上是一種標準化連接協定（protocol），其目的是讓 AI 系統能安全且有效地連接外部資料來源與工具，而非單一產品或資料庫。本次 Scite 的應用，則是將此協定實際導入學術文獻檢索中的案例。

透過 Scite MCP，研究者可以：

• • 直接透過外部AI工具查詢相關學術文獻
  • 取得具有來源依據的引用內容
  • 分析文獻之間的引用關係「支持 (Supported)」、「提及 (Mentioned)」還是「對比/反駁 (Contrasted)」
  • 快速掌握研究發展脈絡與學術爭議

相較於傳統僅提供「文獻列表」的檢索系統，此類整合使 AI 從資訊檢索工具，進一步參與文獻理解與初步評估的過程。

一、可用現況（Current Availability）

目前 Scite MCP 已正式上線，並可與支援 MCP 標準的 AI 平台進行整合，形成跨系統的學術研究輔助環境。

支援的 AI 工具

Scite MCP 可串接於多款主流 AI 應用，包括：

• • ChatGPT
  • Claude（包含 Claude.ai 與 Claude Desktop）
  • GitHub Copilot
  • Cursor
  • Claude Code

研究者能在既有的 AI 使用情境中直接存取學術資料庫，無需切換至傳統資料庫檢索介面。

二、核心功能與學術應用

1. 全文檢索（Full-text Search）

不同於多數 AI 工具僅能依賴標題或摘要進行檢索，Scite MCP 可於其資料庫中進行全文層級搜尋（以開放取用文獻為主），提升檢索結果的完整性與精準度。

2. 智慧引用（Smart Citations）

Scite 的核心特色在於其「智慧引用」機制。AI 回應不僅提供文獻來源，亦標示該引用在原文中的語意關係，包括：

• • Supported（支持）
  • Mentioned（提及）
  • Contrasted（對比／反駁）

此一功能有助於改善 AI 常見的「引用幻覺（hallucinated citations）」問題，並提升研究者對文獻脈絡的理解能力。

3. 館藏資源與全文取得（Access Resolution）

Scite MCP 可與既有的學術資源系統整合，例如：OpenURL，當使用者所屬機構已訂閱相關資源時，系統可自動導向可取得之全文。

三、授權模式（Pricing & Payment Mechanism）

Scite 並未針對 MCP 功能採取獨立收費，而是整合於既有訂閱架構中，以本校國立陽明交通大學為例，因已為 Scite 訂閱用戶，校內使用者可直接使用 Scite MCP 功能，無須額外支付費用。

使用與設定方式

使用者可於 ChatGPT 或 Claude 等平台中新增 Scite MCP 服務（或透過官方提供的快速安裝連結），並登入具有效訂閱之 Scite 帳號後，即可於對話介面中啟用文獻檢索與引用驗證功能（例如使用 @Scite 指令）。

四、對學術研究與圖書館服務的意涵

Scite MCP 所代表的，不僅是單一工具的功能提升，更反映出學術資訊服務模式的轉變：

• • 文獻檢索由「資料庫導向」轉向「AI 導向」
  • 研究流程由「人工篩選」逐漸轉為「人機協作」
  • 引用查證從事後驗證轉為即時輔助

對圖書館而言，亦帶來幾項值得關注的發展方向：

• • 資源整合角色提升：如何將訂閱資料庫與 AI 工具有效串接
  • 資訊素養教育轉型：強化使用者對 AI 引用判讀與資料來源評估的能力
  • 授權與使用規範：釐清 AI 存取與使用學術資源的法律與合約限制

五、限制與注意事項

儘管 Scite MCP 提供新的應用可能，其使用仍存在若干限制：

• • 文獻覆蓋範圍仍以開放取用內容為主(即有掠奪性期刊的可能)，也未涵蓋所有重要出版資源
  • 功能仍依賴機構訂閱與授權條件
  • AI 對文獻內容的理解仍可能產生誤判，需由研究者進行最終確認

因此，Scite MCP 應被視為研究輔助工具，而非取代傳統學術判讀的解決方案。

六、參考資源

Scite MCP 官方設定指南 (ChatGPT 與 Claude)
這段官方教學影片詳細說明了如何在 ChatGPT 與 Claude 中設定並實際應用 Scite MCP，能幫助您了解在研究工作流程中的運作方式。

七、參考資料（References）

Nicholson, J. M., Mordaunt, M., Lopez, P., et al. (2021).
scite: A smart citation index that displays the context of citations and classifies their intent using deep learning. Quantitative Science Studies, 2(3), 882–898.
https://doi.org/10.1162/qss_a_00146
Sterner, E. (2021).
scite: Providing additional context for citation statements. Issues in Science and Technology Librarianship, (98).
https://doi.org/10.29173/istl74
Brody, S. (2021).
Scite. Journal of the Medical Library Association, 109(4), 707–710.
https://doi.org/10.5195/jmla.2021.1328
Scite. (2026).
AI for research. https://scite.ai/
Pawlik, L., & Deniziak, S. (2026).
Reducing hallucinations in medical AI through citation enforced prompting in RAG systems. Applied Sciences, 16(6), 3013.
https://doi.org/10.3390/app16063013
Hou, X., Zhao, Y., Wang, S., & Wang, H. (2025).
Model Context Protocol (MCP): Landscape, security threats, and future research directions. ACM Transactions on Software Engineering and Methodology, Accepted on 30 December 2025
https://doi.org/10.1145/3796519
Huang, C., Huang, X., Tran, N. P., & Milani Fard, A. (2026).
Model Context Protocol: Threat modeling and vulnerabilities.arXiv preprint arXiv:2603.22489.
https://arxiv.org/abs/2603.22489

推廣組  簡玉菱 / 本文搭配AI工具進行寫作輔助
由於AI技術發展迅速，以上內容截至2026年5月7日整理完成，僅供參考。

這篇文章 Scite MCP (Model Context Protocol)學術文獻檢索與 AI 工具的結合 最早出現於 NYCU陽明交大圖書館-陪你做研究。

關於上傳文章至 AI 的侵權與倫理風險

將文章上傳至生成式 AI（如 ChatGPT、Gemini）進行摘要、翻譯或分析，主要牽涉學術倫理、著作權法以及商業合約三個層面的規範。

一、 依據《中央研究院使用生成式 AI 之參考指引》

中研院對於研究與行政人員使用 AI 的核心態度是「負責任的研究行為」，並強調以下三大準則：

1. 嚴守機密與隱私（紅線）： 嚴禁將「未公開的研究成果」、「機密資訊」、或「應保密之資訊（如同儕審查的論文、尚未公開的計畫書）」上傳給外部 AI，以免資料被納入 AI 訓練庫，造成營業秘密外洩或違反學術倫理。

2. 資訊揭露與課責： 若研究過程實質依賴 AI 協助，必須依學術慣例明確揭露。研究人員須對最終產出的內容負擔完全的學術與法律責任。

3. 人工檢核： 必須確保 AI 生成內容的正確性，避免「幻覺」或錯誤引用。

二、 上傳不同來源文章的風險解析

三、資料來源與法規依據

本份總結報告的分析基礎來自以下官方指引與現行法規：

1. 官方學術指引

• • 資料來源： 《中央研究院使用生成式 AI 之參考指引》（2025.12.29)

  • 核心規範： 明訂研究人員的保密義務、透明揭露原則，以及對 AI 生成內容的最終責任歸屬。

2. 台灣《著作權法》

• • 《著作權法》第 22 條（重製權）： 將資料上傳至雲端 AI 伺服器，在技術上屬於「重製」行為，原則上專屬於著作財產權人。

  • 《著作權法》第 65 條（合理使用原則）： 判斷未經授權的重製是否豁免侵權的四大基準：(1) 利用目的（商業或非營利教育/研究）、(2) 著作性質、(3) 利用質量與比例、(4) 對原著作潛在市場的影響。個人研究輔助通常符合此豁免條款。

3. 經濟部智慧財產局（TIPO）見解

• • 資料來源： 智財局針對 AI 與著作權議題的相關函釋與公眾宣導。

  • 核心規範： 明確指出將受保護著作輸入 AI 進行訓練涉及重製；且若直接將 AI 產出（若與原著作高度相似）當作原創發表，將侵害他人的重製權與改作權。

4. 國際學術資料庫授權條款 (Standard Database Licenses)

• • 資料來源： 各大資料庫（如 Elsevier、EBSCO、IEEE、Project MUSE 等）與學術機構簽署的 B2B 授權合約（Terms and Conditions）。

  • 核心規範： 通常禁止將付費取得的文獻上傳至公用 AI 模型進行機器學習（Machine Learning）、模型訓練（Training）或文字與資料探勘（Text and Data Mining, TDM）。

四、上傳文章的法律與資安問題：

• • 著作權：上傳「他人」的期刊論文進行私下摘要，通常屬於合理使用；但若將 AI 產出的摘要直接公開發表，仍有侵權風險。
  • 風險： 若 AI 平台將您上傳的資料納入訓練集，並在未來產出與原著作「高度相似」的內容，則可能構成侵權。
  • 機密性：若文章包含未發表的專利技術或個人隱私，即便關閉訓練功能，上傳至任何雲端平台工具仍存在低機率的資安風險。

五、實務建議做法：

• • 「複製貼上」優於「上傳全檔」：
    不要直接把整份 PDF 丟給 AI。可以先在自己的電腦上打開論文，遇到看不懂的段落或結論，再把局部文字複製貼上到 AI 平台請它翻譯。這樣既滿足了研究需求，又沒有上傳實體檔案，大幅降低了侵權疑慮。
  • 善用學校提供的 AI 工具：
    若學校有採購具有資料保護協定的企業版 AI（會明確承諾「不會保留對話、不會用於模型訓練」），那麼因為資料不會外洩給第三方做二次利用，爭議與風險就會大幅降低。
  • 使用圖書館資料庫提供的AI工具：
    已整合在資料庫平台內的 AI 功能（例如 Web of Science Research Assistant ），在這些環境下的探勘完全符合合約規範，且較無版權爭議。
  • 注意未公開的研究數據(重要)：
    特別提醒研究生或教授，如果論文裡包含還沒發表的研究數據、實驗結果或是敏感的個人資料，絕對不要上傳到公開版本的 AI，這牽涉到的不只是出版商版權，還有更嚴重的學術倫理與機密外洩問題。

推廣組  簡玉菱 / 本文搭配AI工具進行寫作輔助
由於AI技術發展迅速，以上內容截至2026年4月23日整理完成，僅供參考。

這篇文章 上傳文章至 AI 的侵權與倫理風險 最早出現於 NYCU陽明交大圖書館-陪你做研究。

目前市面上還沒有一個可以「一鍵百分之百自動抓出所有 AI 假文獻」的完美工具，但可以透過以下幾種具備「批次查詢」或「自動比對」功能的工具與資料庫，大幅提高查核效率：

1. 利用 DOI 批次查核工具 (最推薦且免費)
這是目前最直接的解法。真實存在的學術文獻絕大多數都有專屬的 DOI（數位物件識別碼）。
Crossref Simple Text Query：用法：可以直接將論文最後的參考文獻列表（Reference List）複製、貼上到這個網頁工具中。

效果： 系統會批次比對資料庫，並自動在每筆文獻後方附上對應的 DOI 連結。如果某篇文獻查無 DOI，或者點擊 DOI 後連向了完全不同的文章，那這筆書目就有極高的機率是 AI 捏造的，值得進一步抽查。

限制：可批次處理，但無 DOI 的文獻（書籍、學位論文、部分舊文）較難驗證。

2. 利用 Endnote 或 Zotero 等書目管理工具

1. 1. 若作者本身有使用書目管理工具，可要求其匯出 RIS / BibTeX 檔案並進行查核。
   2. 匯入 EndNote / Zotero
   3. 啟用以下功能：
      Find Reference Updates (桌面版)
      DOI lookup / metadata refresh (Web版)
   4. 系統會自動比對： 作者、 年份、期刊名稱、 文章標題

限制：可批次處理，但無 DOI 的文獻（書籍、學位論文、部分舊文）較難驗證。

3. 引用文獻分析及進階學術查核工具
scite_：
是一款強大的引用文獻分析工具，透過 Smart Citations 功能看出這篇文獻是如何被其他研究引用的（支持、對比/反駁或提及），並提供Reference Checks的功能可驗證文獻的真實性。
效果： 它可以上傳文檔進行檢查（Reference Check），系統會自動抓取文內的引用並核對其真實性。

請注意：scite_所收錄的資料範圍龐大，會有收錄到掠奪性期刊文章的風險。

4. 善用專業學術資料庫進行驗證
如果透過上述工具抓出了幾筆「可疑書目」，就可以進一步利用專業的引文索引資料庫來確認。
Web of Science (WoS) ： AI 經常會把「真實作者」與「真實期刊」拼湊出一個「假篇名」。可以直接在 WoS 中利用「作者 (Author)」與「出版年份 (Year)」進行限縮檢索。若資料庫中無該作者於該年份的紀錄，即可懷疑該文獻不存在。。

JSTOR 等特定領域資料庫：
對於人文社科領域，若書目聲稱收錄於特定期刊，可以直接進入 JSTOR 等資料庫，按卷期（Volume/Issue）目錄進行快速瀏覽比對。假書目的頁碼和卷期通常是隨機生成的，一對照就會露出破綻。

ProQuest系列資料庫：
目前本校有訂購Ebook Central、Linguistics and Language Behavior Abstracts (LLBA)、ProQuest Dissertations and Theses等資料庫，可透過查詢proquest書籍、期刊及學位論文的正確性。

臺灣博碩士論文知識加值系統：
可查詢台灣各大學研究所的學位論文，臺灣博碩士論文知識加值系統收錄台灣各大學研究所的博士、碩士畢業論文索引、摘要及部分電子全文。

注意：以上特定領域或特定類型資料庫均有收錄範圍限制，所以會有查詢不到的狀況，查詢不到的話須再使用其他工具查詢。

5.實務防範建議

為了減少後端查核的負擔，建議可以建立以下規範：
1. 強制要求提供 DOI 或 URL：規定所有參考書目都必須附上有效的 DOI 連結或可連回資料庫（如 WoS、JSTOR 等）的永久連結。這能將舉證責任轉移回作者身上。
2. 請作者提交書目管理軟體檔案：提供 EndNote 或 Zotero 的 `.ris` 或 `.enl` 原始檔。AI 生成的純文字書目很難自動匯入這些軟體中並夾帶完整的 metadata。

面對 AI 的衝擊，結合 Crossref 的批次 DOI 查詢，再加上針對可疑文獻運用專業資料庫進行查核，是目前相對高效率且嚴謹的實務做法。

推廣組  簡玉菱 / 本文搭配AI工具進行寫作輔助

這篇文章 如何批次查詢論文參考書目的正確性 最早出現於 NYCU陽明交大圖書館-陪你做研究。

使用方式：

1.請先在校園網域內註冊個人帳號(左上角)，收啟用信後即可借閱電子書；

2.每本書限3人借閱，每人一次可借3本書，借閱期7天；
3.借書時，點選「check out」，將書籍暫存在帳號下，再點選「read」；(若未出現「check out」字樣，表示該書已被3人借出)

4.為了讓其他師生也有機會使用，看完書請點選「check in」還書，7天期滿會自動還書。
線上課程（YouTube 教學）

文/簡玉菱

這篇文章 Wiley digital textbook 特色與使用方法 最早出現於 NYCU陽明交大圖書館-陪你做研究。

🌐️ 想不到 IEEE 也來 OA？三大重點，讓您的研究全球「零距離」：

• 全方位出版路徑：提供 Fully OA（(Gold OA） 與 Hybrid OA 雙軌選擇，滿足各種投稿需求。
• 學術品質不打折：維持 IEEE 一貫嚴格的同儕評審制度，權威性與開放性兼具。
• 影響力極大化：全文全球免費讀取，突破付費牆限制，大幅提升曝光度與引用次數。

🌐️ 更驚喜的是NYCU 的投稿優惠方案你一定要知道！

雖然 Open Access 模式讓讀者免費讀取，但作者發表時通常需要支付「文章處理費（Article Processing Charge, APC）」。不同於以往的是，自 2026 年起，只要作者是本校教職員或學生，投稿到IEEE的開放取用期刊（Fully OA 或 Hybrid OA） 都可以享有APC 優惠。

🌐️ 換句話說：

• 不論是像 IEEE Access 這樣的跨領域 OA 期刊，或是 IEEE 其他OA 刊物，都可以透過優惠方案節省投稿成本。
• 優惠方案提供台幣刷卡付款，並可於工作日立即取得電子發票，核銷更方便快速。

🌐️ 在 2026 年的方案中，陽明交通大學的 IEEE 優惠不只是單純的「20% 減免」，而是更優化的💡「聯盟均一價」💡。

2. 如何確保拿到優惠？文章完成，同時也確定投稿的期刊，只差臨門一腳，提醒幾個容易誤踩的雷區：

💡身份辨識雷區：錯失 20% 以上減免💡

• 雷點： 使用私人 Email（如 Gmail）投稿，或通訊作者（Corresponding Author）非 NYCU 成員。
• 避雷針： 務必使用 NYCU 官方 Email 投稿。IEEE 的 RightsLink 系統是透過「Email 後綴」或「投稿時選擇的機構」來自動判定 20% 減免。如果系統沒出現折扣就刷卡，事後追回極其困難。

💡 範本與格式雷區：第一眼就被退💡

• 雷點： 使用過時的範本、圖表解析度不足、或是參考文獻格式不符。
• 避雷針： 投稿前務必去 IEEE Author Center 下載該期刊最新的 LaTeX 或 Word 範本，並使用 IEEE PDF eXpress 檢查 PDF 相容性。

💡 範疇（Scope）不符：白忙一場💡

• 雷點： 文章寫得很棒，但投錯了期刊。
• 避雷針： 仔細閱讀期刊的 “Aims & Scope”。如果不敢確定，可以先寫一封簡短的 Pre-submission Inquiry 附上 Abstract 給主編，詢問是否符合該刊方向。

💡 自我剽竊（Self-Plagiarism)💡

• 雷點： 複製了自己之前發表的文章內容超過某個比例的%(依期刊而異)，且沒有標註引用或說明延伸研究。
• 避雷針： 作者使用工具進行查重。確保期刊版本與研討會版本有顯著的「實質改進」（如增加實驗、深化的理論證明），並在文中明確引用前作。

🌐優惠再加碼，投稿文章再上傳至Dataverse有機會享免付費

投稿文章刊登前，學科館員收到ccc(Copyright Clearance Center)平台發送的通知信後，將主動寄送給作者的IEEE OA APC繳款通知信中，除了提供請透過方案專屬之藍新金流繳費連結之外，同時圖書館致力支援老師展現本校卓越研究成果，透過NYCU Dataverse更可提高影響力及能見度，因此只要投稿IEEE OA獲選的作者能將該篇文章上傳至NYCU Dataverse，便有機會享有該篇文章APC全免之優惠。

參考資源：

1.IEEE Author Center. https://ieeeauthorcenter.ieee.org/

2.【支援發表】IEEE OA期刊投稿優惠方案【Research Support】IEEE Open Access Publish Support.

https://news.lib.nycu.edu.tw/researches/ieee-fully-oa%e6%9c%9f%e5%88%8a%e6%8a%95%e7%a8%bf%e5%84%aa%e6%83%a0%e6%96%b9%e6%a1%88/

3.【支援教研】發掘知識的力量：NYCU Dataverse.

https://news.lib.nycu.edu.tw/researches/dataverse2024/

推廣組 湯春枝 / 本文搭配AI工具進行寫作輔助

這篇文章 2026年IEEE OA投稿優惠新方案 最早出現於 NYCU陽明交大圖書館-陪你做研究。

身為研究者，你是否曾陷入這樣的困境：瀏覽器開啟了數十個文獻分頁，桌面堆滿了標記混亂的 PDF，卻在寫作時突然記不起哪個觀點出自哪篇文章？這種讀完即忘的「金魚腦」現象（Goldfish Brain），往往源於低效的「垂直閱讀」——即孤立地閱讀單篇文獻。

進入 2026 年，文獻回顧（Literature Review）的遊戲規則已經徹底改變。AI 不再只是幫你總結摘要的工具，它正在將研究者從機械式的數據提取中解放出來。我們正從單篇分析轉向「水平綜述」（Horizontal Synthesis）：利用 AI 跨越數百篇論文，同時比較不同來源的主題與方法論。本文將介紹4 個關於 AI 重塑研究流程的方法，助你將混亂的分頁轉化為高效能的學術產出。

——————————————————————————–

一：別再只是「搜尋」，你需要的是「文獻地圖」

傳統的關鍵字搜尋（Keyword-based search）常會產生兩個極端：結果過於零散，或是產生壓倒性的資訊過載。在 2026 年，資深研究者會區分兩類工具：利用 SciSpace 或 Elicit 的「語意搜尋」（Semantic Search）來精準捕捉研究意圖並定位「種子文獻」（Seed Papers）；隨後，再將這些種子導入 Litmaps、ResearchRabbit 或 Connected Papers 等「引用導向搜尋工具」。

這種策略性工作流能透過視覺化網路，揭示論文間的引用脈絡與演進趨勢。

「視覺化文獻地圖能讓你一眼看清研究景觀，發現原本被忽視的學術關聯。」

透過這種方式，你不再只是羅列文獻清單，而是能識別出領域內的關鍵節點。語義搜尋幫你找到「對的起點」，而文獻地圖則幫你擴張出整個「學術網路」，讓你快速掌握領域全貌。

——————————————————————————–

二：終結 AI 幻覺的關鍵——可追溯的原文驗證

學術嚴謹性的核心在於「信任但驗證」（Trust but verify）。為了應對 AI 虛假引用的風險，Anara（原名 Unriddle）等專業工具提供了「來源重點顯示」（Source Highlighting）功能。當 AI 提取研究發現時，會同步提供點擊連結，一鍵定位至 PDF 原文的對應段落，徹底終結「查證地獄」。

——————————————————————————–

三：警惕「零重疊」現象——為什麼你至少需要兩個 AI 助手

即使在同一天搜尋相同的資料庫（如 PubMed），ChatGPT 與 Claude 的檢索結果也可能出現完全不重疊的狀況，這被稱為 「零重疊現象」（Zero-Overlap Phenomenon）。

這種發散性並非偶然，而是源於不同模型背後的演算法偏見、關鍵字公式化（Keyword Formulations）邏輯以及相關性排序算法的差異。因此，「多策略方法」（Multi-strategy approach）是 2026 年的標準規範。研究者必須同時使用至少兩個 AI 助手（如 Elicit 搭配 SciSpace），並結合傳統資料庫檢索，才能確保關鍵文獻不被特定演算法的盲點所遺漏。

——————————————————————————–

四：文獻矩陣——將散亂筆記轉化為「研究指揮中心」

「運算合成」（Computational Synthesis）的核心工具是文獻矩陣（Literature Matrix）。利用 Elicit 的或 SciSpace 的Extract Data（資料擷取工具），研究者可以從非結構化的 PDF 中提取結構化數據。

——————————————————————————–

「AI 是一項工具，而非學術能力的替代品。將其功能與個人洞察結合，才能產生真正突破性的成果。」—— 摘自 Galaxy.ai

 結論：人類洞察力的最後陣地

AI 雖然能處理 75% 以上的資料擷取與初步歸類，並顯著縮短系統綜述的週期（從數月縮短至數週），但最高層次的「理論創新」與「批判性評估」仍是大腦的專屬領地。AI 能幫你填補文獻矩陣的空白，卻無法告訴你這些空白背後的學術意義。

當 AI 幫你處理了絕大部分的機械閱讀量後，你將如何利用節省下來的時間，去挖掘文獻中更深層次的學術斷層，進而提出真正具有創新意義的研究問題？

建議參考資料：

1. How to Build a Literature Matrix for Your Research, academiquirk.com
2. What Is a Literature Review Matrix? The 7-Step Secret Weapon Top Researchers Use, theacademicpapers.co.uk
3. How to write a literature review – University of Sheffield, sheffield.ac.uk
4. A Literature Review Matrix – University of Scranton Sites, sites.scranton.edu
5. The Matrix Method for Literature Reviews | Writing Handouts – Brandeis University, brandeis.edu
6. How To Use ChatGPT For Literature Review In 8 Simple Steps — Otio Blog, otio.ai
7. Top 12 AI Tools for Literature Review in 2025 – RichlyAI Hub, richlyai.com
8. Elicit: AI for scientific research, elicit.com
9. Summarize papers, extract data, and synthesize your findings – with Elicit – Creativerly, creativerly.com
10. How to Use AI for Literature Review in 2026 – The Effortless Academic, effortlessacademic.com
11. Elicit vs. SciSpace: AI research assistant for effortless literature review, scispace.com
12. Elicit vs. Scispace: Comparing AI Research Tools (2026), paperguide.ai/li>
13. How to Use SciSpace to Write Research Papers Faster in 2026 – Fahim AI, fahimai.com
14. AI Tools for Literature Review: Complete Guide – Anara, anara.com
15. Top 11 AI Tools for Document Analysis in 2025 – Anara, anara.com
16. 2025’s Best 5 Intelligent Literature-Filtering Tools: Precision at Its Finest | Alex Chen, medium.com
17. AI-Powered Data Extraction from Research PDFs | SciSpace, scispace.com
18. Using Claude AI for Literature Searches – Galaxy Community Hub, galaxyproject.org
19. PDF Data Extraction Benchmark 2025: Comparing Docling, Unstructured, and LlamaParse, procycons.com
20. Which AI Chatbots Can Extract Tables From PDF Files – AI & Finance, datastudios.org
21. SLR Data Extraction Using AI – SciSpace, scispace.com
22. Harnessing Large‐Language Models for Efficient Data Extraction in Systematic Reviews, PMC
23. Best AI Tools for Academic Research: ScholarAI, Elicit, SciSpace, and Claude, Data Studios
24. AI-Powered Summarizers for Academic Articles Compared in 2025, citycollegelibrary.org
25. Notion AI for databases – Notion Help Center, notion.com
26. 5 AI prompts to surface fresh insights from your databases – Notion, notion.com
27. 5 ways to get more value out of your reading list with Notion AI, notion.com
28. Supercharge AI Prompts with Markdown for Better Results, tenacity.io
29. 29 ChatGPT Prompts for Literature Review – Galaxy.ai Blog, galaxy.ai
30. LeSinus/chatgpt-prompts-for-academic-writing, GitHub
31. Monkt: Transform Documents into AI-Ready Markdown or structured JSON, monkt.com
32. Prompting best practices – Claude API Docs, anthropic.com
33. Using AI for Literature Review in 2025 – The Effortless Academic, effortlessacademic.com
34. Chat with Multiple PDFs: Analyze Research Papers Faster – Paperpal, paperpal.com
35. Imagine if your literature review organized itself Template, Notion Marketplace

簡玉菱/本文搭配 AI工具 進行寫作輔助。

這篇文章 從「金魚腦」到「學術大神」：利用 AI 重塑文獻回顧 最早出現於 NYCU陽明交大圖書館-陪你做研究。

陽明交通大學目前可使用以下專輯 ：

Archive Journal Collections
⚫ Arts & Sciences I-XV
⚫ Business IV
⚫ Hebrew Journals
⚫ Ireland
⚫ Life Sciences
⚫ Public Health Journals
Thematic Collections
⚫ Lives of Literature
⚫ Security Studies
⚫ Sustainability
Primary Source Collections
⚫ 19th Century British Pamphlets
⚫ World Heritage Sites: Africa
⚫ Struggles for Freedom: Southern Africa
⚫ Global Plants

• Text Analyzer（文本分析工具）：允許使用者上傳檔案、拖曳文件、貼上網址，甚至是用手機拍攝文章截圖。系統會自動判讀並分析文章中的核心概念與關鍵字（支援包含繁體中文在內的 15 種語言），進而精準推薦 JSTOR 中相關的文獻。
• JSTOR 理解系列（Understanding Series）：這項工具將原始文學文本（如莎士比亞全集、英國文學名著、聖經等）與 JSTOR 內引用了這些段落的期刊文章和書籍章節直接連結。使用者只要點擊原著中的特定段落，就能看到哪些學術文章討論過這段文字。

推廣組 簡玉菱 / 本文搭配 AI工具 進行寫作輔助。

這篇文章 Jstor資料庫特色 最早出現於 NYCU陽明交大圖書館-陪你做研究。

• 輸入提示功能升級：現支援更長短語。
  輸入時系統會即時顯示詞語建議，可一鍵點擊添加到查詢中，幫助使用者更快、更準確地搜索。 只需正常開始輸入，建議提示即會出現於下方。 選擇任意建議可立即將其添加到搜尋語句中，然後繼續輸入或選擇建議，特別是主題，直到查詢完整。

           

• Research Assistant 尋找期刊 (Find a Journal)：期刊數量增加。
  現已支援最多 20 本期刊推薦。 預設返回5 本相關期刊，可再向RA要求增加 15 本，總計 20 本。  會將最初的 5 本置頂，並與額外 15 本一併回覆。

 

• 確認 Web of Science Researcher Profile 個人資訊自動添加的出版物是否為您本人所著。
  已增強 Web of Science Researcher Profile個人資訊的出版物管理功能，以提高準確性並簡化審核流程。 現在，您可以明確確認自動添加的出版物是否為您本人所著; 一經確認，它們將永久保留在您的個人資訊中，否則系統可能會將其移至更匹配的資訊。

• Preprint Citation Index（預印本索引）將新增五家預印本典藏庫的回溯內容
  2025年第四季起，Preprint Citation Index（預印本索引）將新增來自五家預印本平台的回溯內容，首先從較早期資料開始。 截至 2020 年的內容已從以下來源索引：EdArxiv、SocArxiv、PsyArxiv、TechRxiv

這篇文章 Web of Science 新增功能介紹 最早出現於 NYCU陽明交大圖書館-陪你做研究。