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. 將作者的reference 匯出為（RIS / BibTeX）檔案。
   2. 匯入 EndNote / Zotero
   3. 啟用以下功能：
      Find Reference Updates (桌面版)
      DOI lookup / metadata refresh (online web版)
   4. 系統會自動比對： 作者、 年份、期刊名稱、 Title

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. 進階學術查核與文獻分析工具
scite.ai：
這是一款強大的 AI 學術工具，它不僅能驗證文獻的真實性，還能透過 Smart Citations 功能看出這篇文獻是如何被其他研究引用的（支持、對比或提及）。
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快速驗證
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。如果這位學者在那一年根本沒有發表過該篇名或相關主題的文章，就能立刻證偽。
JSTOR 或特定領域資料庫：
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。

注意：由於WOS 、JSTOR 或特定領域資料庫均有收錄範圍限制，所以可能會有查詢不到的狀況，查詢不到的話須再另外查詢。

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。

Zotero原本是一個專為研究人員設計的開源且免費的個人化研究助理軟體，發展為多人團隊協作的書目管理工具，旨在簡化文獻處理的繁瑣流程。該平台具備高度自動化功能，使用者只需點擊即可收集與分類各種學術資源，並能跨裝置同步資料以利隨時存取。最核心的優勢在於其強大的引文生成能力，支援超過九千種格式，並可直接整合進常見的文書處理軟體。

深厚底蘊： 由美國維吉尼亞州的喬治梅森大學Roy Rosenzweig Center for History and New Media於 2006 年首創。現由獨立的非營利組織 Digital Scholar 以及全球社群共同開發的開源專案。

跨平台支援： 從早期的 Firefox 外掛發展至今，第 8 版已支援 Chrome、Safari、Edge 等多種瀏覽器。

高效蒐集： 與瀏覽器環境緊密結合，一鍵即可完成各類文獻資料的蒐集。

開源生態： 採開放原始碼模式，不僅主程式免費，更具備強大的外掛擴充性，由全球開發者共同維護優化。

1. 瀏覽器一鍵蒐集書目：無論您需要 JSTOR 的期刊文章、arXiv.org 的預印本、紐約時報的報導，或是直接擷取全文 PDF 檔案與網頁截圖，都能直覺且輕鬆地完成收集。若已取得所需文件的DOI，在文獻庫中使用「依識別符號新增」功能，輸入DOI、ISBN或PubMed ID等，即可直接匯入書目資訊。
2. 個人化彈性管理：依照個人習慣來整理研究資料，例如將文獻分門別類 (collections)、加上關鍵字標籤，或是建立「儲存的搜尋 (saved searches)」，讓系統在您工作時自動匯集相關的文獻。
3. 多元引用格式：支援直接在 Word、LibreOffice 和 Google Docs 等文書軟體中快速生成文中引用與參考文獻目錄。
4. 跨平台同步與雲端資源整合：為了讓協作更加順暢， 支援跨裝置的資料同步功能，確保您的檔案、筆記與書目記錄能隨時保持在最新狀態。對於有大量文獻附件儲存需求的團隊，也允許使用者利用 Google Drive 等外部雲端空間來同步附件，突破原本空間限制。
5. 免費團隊協作 ：透過群體文獻庫(group libraries) 支援多人協作研究，可以與同事協作管理文獻與研究資料、發放課程書目資料給學生，或是建立團隊專屬的協作書目。此外， 文獻庫分享給無限多的人，且完全不需要支付任何費用。
6. 開源與隱私保障：自由及開放原始碼的軟體，隱私資訊獲得保障，確保能完全掌握與控制自己的研究數據。

另外，還有一個免登入手動單筆快速取得引用文獻的zoterobib功能喔！針對取得的引用書目進行修編後複製、下載、儲存到Zotero剪貼簿。

接下來，操作以下安裝步驟一起來探索Zotero！✨ 

1. 請至Zotero官網，根據作業系統下載合適的安裝檔，打開安裝檔(.exe或.dmg) 檔，依指示步驟完成安裝。

下圖是選擇「Zotero Connector」安裝時加至Chrom的擴充功能。

2. 安裝完成後，點選Zotero開啟文獻庫畫面，確認成功安裝。

工欲善其事，必先利其器」，讓強大的書目管理軟體Zotero使繁複的管理書目過程變得事半功倍！✨

參考資源：

1.Zotero官網.https://www.zotero.org/download/

2..Chien Ju Chiang(2026)。書目管理軟體-Zotero簡介與安裝

。國立臺灣大學圖書館參考服務部落格。https://tul.blog.ntu.edu.tw/archives/23581

推廣組 湯春枝 / 本文搭配AI工具進行寫作輔助

這篇文章 Meet Zotero 最早出現於 NYCU陽明交大圖書館-陪你做研究。

一、從一篇「轟動全球」的論文說起

2023 年 11 月，Google DeepMind 在《Nature》期刊發表了一篇引發廣泛討論的研究（Merchant et al., 2023）。該論文描述了一套以圖神經網路（Graph Neural Networks）大規模訓練的模型 GNoME（Graph Networks for Materials Exploration），宣稱發現了 220 萬種晶體結構，其中約 38.1 萬種為新穩定材料，代表人類已知穩定材料數量的數量級擴張。媒體報導鋪天蓋地，甚至將其稱為「等同 800 年的知識積累」。研究生看到這樣的標題，很自然地會產生一種印象：這個領域是否即將被 AI 顛覆？

然而，故事並未就此結束。

來自加州大學聖塔芭芭拉分校的材料科學家 Anthony K. Cheetham 與 Ram Seshadri 在《Chemistry of Materials》發表評析（Cheetham & Seshadri, 2024），指出該研究鮮有證據顯示其提出的化合物能同時滿足新穎性（novelty）、可信度（credibility）與實用性（utility）三項標準，並強調仍需更多材料合成與晶體學的專業介入。

這引出本文的核心問題：當一篇發表於頂尖期刊的論文聲稱重大突破時，我們應如何閱讀與判斷，而非照單全收？

二、「看起來很厲害」的幾種常見模式

2.1 數字越大，越要小心

GNoME 的案例提醒我們：宏大的數字不等於宏大的貢獻。批評者指出，其資料庫中許多「新材料」實際上為已知材料的衍生或延伸，例如大量屬於既有硼化物體系的結構。這些結構在計算上或許合理，但在新穎性上未必具有突破性。

因此，當我們讀到「發現X萬種新材料」時，應追問：「新」的定義為何？是計算上的熱力學穩定性，還是已經完成實驗合成與驗證？兩者意義差異甚大。

2.2 計算預測 ≠ 實驗驗證

近年研究顯示，生成式 AI 能產生與真實資料極為相似的科學影像，甚至連專家也難以可靠分辨（Hartung et al., 2024）。同時，AI 也能快速生成資料處理程式碼，但其中可能包含違反基本物理原則的錯誤，而這些問題常常無法在同儕審查中被立即察覺（Reeves-McLaren & Moth-Lund Christensen, 2026）。

這並非否定計算材料學的價值，而是提醒研究者：閱讀論文時必須區分「計算預測」與「實驗實證」。一篇宣稱「發現」材料的研究，究竟停留於理論預測，或已完成合成與表徵，其學術意義截然不同。

2.3 可重現性危機已波及材料化學

一項由《Nature》進行的調查指出，約 70% 的科學家曾無法成功重現他人的研究結果（Baker, 2016）。此現象並非材料化學所獨有，但在 AI 驅動的高通量研究中尤為顯著。

進一步研究顯示，在材料資訊學領域中，重現性困難常來自於：軟體依賴未說明、版本控制不足、程式碼結構不清，以及論文描述不完整（Persaud et al., 2024）。

這意味著，即使是發表於高影響力期刊的研究，也可能因方法描述不足而難以驗證。因此，讀者應主動思考：這項研究是否具備可重現性？

三、研究生的四大閱讀策略

策略一：先讀批評，再讀原文

這是反直覺但非常有效的閱讀順序。透過引用追蹤，找到針對一篇論文的後續評論、回應或批判性評析，先了解爭議所在，再回頭閱讀原文，往往能更快抓住關鍵問題。

以 GNoME 為例，除了原論文（Merchant et al., 2023）之外，Cheetham 與 Seshadri 在《Chemistry of Materials》發表了題為〈Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery〉的評析（Cheetham & Seshadri, 2024），系統性討論該研究在新穎性、可信度與實用性之間的落差。這篇評析是理解 GNoME 爭議不可錯過的對照讀物。

圖書館資源提示： 使用 Web of Science 或 Scite 資料庫，可以快速找到引用某篇論文的後續文獻，包括批評性評析與回應文章。

策略二：建立「主張—證據—限制」架構

每次閱讀一篇材料化學論文，不妨在筆記中明確區分三個層次：

主張（Claim） 是什麼？論文聲稱發現了什麼、達到了什麼性能、解決了什麼問題。注意摘要和標題往往是最「行銷化」的部分，需要和正文對照。

證據（Evidence） 是什麼形式的？是計算預測、理論模擬，還是實驗數據？使用了哪些表徵技術？樣本數量是否足夠？控制組設計是否合理？

限制（Limitation） 作者自己說了什麼？許多高品質論文會在Discussion或末尾主動說明研究的局限性。若一篇論文完全沒有提及任何限制，反而值得提高警覺。

策略三：善用資料庫篩選

優先使用如 Web of Science、Scopus 與 SciFinder等資料庫，以確保文獻品質，並謹慎使用未經同儕審查的預印本。

策略四：追蹤撤稿動態

近年材料科學領域亦出現多起撤稿事件。以《Nature》曾刊登的摻氮氫化鑥超導研究為例，其後被標記為「撤稿文章（RETRACTED ARTICLE），成為研究誠信的重要案例。

定期關注 Retraction Watch 平台，該平台持續追蹤學術論文撤稿事件，並提供相關背景與分析有助於建立資訊判讀能力。

四、生成式 AI 的應用：工具，而非替代判斷

生成式 AI（如 ChatGPT、Claude、Gemini）已廣泛進入研究過程。

研究者可將其用於文獻整理、語言潤飾與程式輔助，但仍需遵守揭露原則，並避免將判斷工作外包。

核心原則在於：AI 可以輔助研究，但不能取代批判性思考。

五、好的材料化學研究，長什麼樣子？

批判不等於否定。我們需要學會識別不可靠的研究，同樣也需要知道，值得信賴的研究通常具備哪些特徵。

現有 AI 材料科學綜述指出，資料品質（data quality）與可重現性（reproducibility）是影響研究可靠性的關鍵挑戰之一（Osaro et al., 2025）。

優質研究通常具備：方法論描述詳盡透明、數據集與代碼公開可取用、承認研究的侷限性、與既有文獻有清晰的對話，以及計算預測有對應的實驗驗證。

六、結語

在 AI 加速科學發現的時代，材料化學研究正以前所未有的速度擴展。然而，資訊的增加並不必然等於知識的累積。

對研究生而言，關鍵不在於是否相信論文，而在於是否具備判斷依據。透過批判性閱讀，我們才能在資訊洪流中維持清晰的學術判斷。

最終，AI 不會取代研究者，但會放大研究者的判斷力。批判性閱讀，正是建立學術立場與參與知識生產的基礎能力。

📚 References

Baker, M. (2016). 1,500 scientists lift the lid on reproducibility. Nature, 533(7604), 452–454. https://doi.org/10.1038/533452a

Cheetham, A. K., & Seshadri, R. (2024). Artificial intelligence driving materials discovery? Perspective on the article: Scaling deep learning for materials discovery. Chemistry of Materials, 36(8), 3490–3495. https://doi.org/10.1021/acs.chemmater.4c00643

Hartung, J., Reuter, S., Kulow, V. A., Fähling, M., Spreckelsen, C., & Mrowka, R. (2024). Experts fail to reliably detect AI-generated histological data. Scientific Reports, 14, Article 28677. https://doi.org/10.1038/s41598-024-73913-8

Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G., & Cubuk, E. D. (2023). Scaling deep learning for materials discovery. Nature, 624(7990), 80–85. https://doi.org/10.1038/s41586-023-06735-9

Osaro, E., Karpinski, N., Alornyo, S., & Ighalo, J. O. (2025). Artificial intelligence in chemistry and materials science: Current applications and future directions. Materials Today Chemistry, 49, Article 103115. https://doi.org/10.1016/j.mtchem.2025.103115

Persaud, D., Ward, L., & Hattrick-Simpers, J. (2024). Reproducibility in materials informatics: Lessons from a general-purpose machine learning framework. Digital Discovery, 3, 281–290. https://doi.org/10.1039/D3DD00199G

Reeves-McLaren, N., & Moth-Lund Christensen, S. (2026). Data integrity in materials science in the era of AI: Balancing accelerated discovery with responsible science and innovation. Journal of Materials Chemistry A, 14, 276–283. https://doi.org/10.1039/D5TA05512A

推廣組 巫惠屏 / 本文搭配AI工具進行寫作輔助

這篇文章 當 AI 遇上材料化學：研究生如何不被「看起來很厲害」的論文誤導？ 最早出現於 NYCU陽明交大圖書館-陪你做研究。

1.掃描 進出館處之QRcode圖示，進入申請網站

以交大校區圖書館示意

2.依照 網站指引操作直至「註冊申請完成」

3.點選 返回登入後，再次輸入手機號碼，取得 「入館審核專用QRcode」

4.感應 QR Code 進館 小提醒：手機請調亮螢幕並與感應器保持約 5 公分距離，以提升感應成功率

5.親持 身分證件正本至借還書櫃檯審核身分 小提醒：未完成審核將無法取得離館QRcode，入館後請儘速辦理

6.完成 身分審核後，即可依下圖示取得進出館QRcode

更多關於取QRcoed進出館

這篇文章 訪客手機入館流程 最早出現於 NYCU陽明交大圖書館-陪你做研究。

Google Scholar 之後，你可以多走一步：也來認識 Semantic Scholar

從「找得到文章」到「開始學會判讀文章重不重要」，讓文獻蒐集不只停在第一步

先承認一件事：大家都是從 Google Scholar 開始的

如果你現在是研究生，或至少是個會寫報告、做專題、交文獻回顧的人，那你第一次找資料，很高機率就是打開 Google Scholar。

這件事很正常，真的不用裝。
因為 Google Scholar 就是方便、直覺、熟悉，像研究旅程一開始發給你的新手裝備：先讓你能出門，不會赤手空拳站在村口發呆。

而且說句公道話，Google Scholar 也不是沒本事。它涵蓋廣，常常連灰色文獻、學位論文、預印本都撈得到，對剛開始摸索主題的人來說，確實很好用。

問題不是它不能用，問題是，很多人會在這裡停太久。

真正的問題不是找不到，而是你太早以為自己找夠了

Google Scholar 最大的優點，是讓你很快找到幾篇看起來很像的文章。但研究最麻煩的地方，通常不是完全找不到，而是你太快進入一種「嗯，我大概抓到了」的狀態。這種感覺很常見：你搜尋一個主題，點進前幾篇標題很對味且有全文的文章，掃一下摘要，再順手看一下被引用次數。然後腦中就開始浮現一句話：

「好，這主題的文獻我找得差不多了。」

小等一下(Sió-tán–tsi̍t-ē)！這通常只是研究起步時很常見的錯覺。
找到幾篇文章，跟找到核心文獻，甚至跟看懂研究脈絡，完全不是同一件事。

而且 Google Scholar 本身也有一些很現實的限制，我猜你不知道！就是單一查詢最多只顯示 1,000 筆結果，雖然也知道不可能看到第1,000筆檢索結果；但如果你做的是比較正式的文獻整理，這其實默默產生影響。再加上它的書目與引用資料主要來自自動解析，可能會出現錯誤、重複或辨識不完整的情況。

換句話說，Google Scholar 很適合當入口，但它不太適合單獨扛起「完整、可交代、可重現」的文獻回顧工作。

這時候，Semantic Scholar 很適合當一張過渡地圖

如果說 Google Scholar 是研究起步時附上的簡易地圖，那 Semantic Scholar 比較像便利商店買到的環島地圖：資訊比前者多一點，路線也清楚一點，至少會讓你開始知道哪些地方值得停下來看；但它還不是最完整、最穩、最能拿來正式規劃路線的導航系統。

不過，Semantic Scholar的定位並非「更強的 Google Scholar」，也不是「圖書館資源替代品」，而是「一個過渡資源」。它的價值不在於幫你一步到位，而在於幫你從「先找到文章」往前跨一步，開始學會看文章內文之外的資訊。

這一步，其實很重要。因為多數人都會看標題、看摘要、看關鍵字、看引用次數，但還不太習慣看：

• 這篇被引用的狀況怎麼樣
• 它在這個主題裡可能扮演什麼角色
• 它是不是值得優先花時間讀的那篇

而 Semantic Scholar 的好處，就是它會把一些這類線索整理得比 Google Scholar 再明確一點。

真正要學的，不只是看內文，還要學會看「文章外部資訊」

很多人以為文獻判讀就是看內文：研究問題是什麼、方法是什麼、結果是什麼。這當然重要。但如果你正在做文獻蒐集，還有一層功課也得慢慢學，就是看文章外部資訊。

例如：

• 這篇被引用很多次，是因為真的很重要，還是只是常被當背景引用？
• 這篇在這個主題裡，是方法基石、綜述文，還是補充材料？
• 這篇是不是你現在最該優先讀的那篇？

這種判斷，不是只靠標題和摘要就能完成。

Semantic Scholar 可以提供一些比較結構化的線索，例如 citation count、Highly Influential Citations、TLDR，以及部分排序資訊。這些東西都不是答案，更不是品質保證，但它們至少會提醒你：

文獻不是只有「有沒有對題」，還有「它在這個領域裡站在哪裡」。

這件事很重要。因為一旦學生開始在意「位置」和「重要性」，他就不再只是撿文章，而是真的開始做文獻判讀。

TLDR 很方便，但它比較像第一層篩選，不是最後裁判

這裡特別想講一下 Semantic Scholar 的 TLDR( Too Long; Didn’t Read )，也就是太長不看專用的懶人包，這功能很好用，但千萬不能過度依賴，TLDR可以理解為 AI自動生成的摘要的摘要。TLDR 最適合的用途，不是替你讀文獻，也不是替你做最終判斷，而是當作第一眼篩選工具。你可以先用它快速看一下：這篇大概在談什麼？值不值得先點開摘要？再決定要不要往下看全文。

所以它真正對研究者有幫助的地方，不是讓你少讀，而是讓你比較不會一上來就把時間砸在不必要的全文上。

順序大概是這樣：

TLDR → 摘要 → 全文 → 最後才是要不要引用、要怎麼引用的判斷

如果把 TLDR 當成最終理解，真的是大可不必，但如果把它當成第一層分流，它其實很好用。

認清工具的邊界：Semantic Scholar 的侷限性

講到這裡，還是要峰迴路轉一下！Semantic Scholar 雖然比 Google Scholar 多給你一些判讀線索，但它不是正式學術資料庫，也不是全文取得平台，更不是那種可以直接把引用網路用圖像化方式攤在你面前的工具。

而且它目前仍以英文文獻為主。如果你的研究高度依賴中文文獻、臺灣在地研究、中文期刊或學位論文，那 Google Scholar、在地資料庫與圖書館資源還是不可或缺。

所以，Semantic Scholar 很適合扮演學習判讀文獻的橋梁，卻不適合扮演文獻蒐集的終點。

為什麼最後還是得回到圖書館？

因為真正要把研究做好做滿，最後還是會遇到幾個逃不掉的問題：

• 我有沒有漏掉關鍵文獻？
• 我能不能穩定拿到全文？
• 我怎麼建立正式而可交代的檢索策略？
• 我怎麼處理重複、錯誤與書目品質問題？

這時候，圖書館的價值就會非常清楚。

如果 Google Scholar 是起手用的簡易地圖，Semantic Scholar 是資訊多一點的過渡地圖，那圖書館的資料庫與工具更像是真正可靠、更新快、還能依研究需求規劃路線的導航系統。它提供的不只是「找到幾篇文章」，而是更完整的全文取得、更穩定的書目品質、更正式的檢索策略，以及更有把關的學術資源環境。

所以這篇文章真正想幫同學跨過的，不只是「多認識一個工具」，而是這一步：從「我找到了幾篇文章」走到「我開始學會判斷哪些文章真的值得優先讀」而這一步，通常就是你真正開始做研究的起點。

陪你做研究的最後

Google Scholar 很方便，這件事沒有問題。Semantic Scholar 也值得認識，因為它能幫你從「找到文章」再往前走一步，開始練習看文獻的重要性、引用狀況與外部位置。但說到底，這些都不是終點。

如果 Google Scholar 是研究的第一站，Semantic Scholar 可以是一座橋。那麼當你真的開始在意文獻的重要性、引用脈絡、全文取得與檢索策略時，你最後還是會發現：圖書館，才是研究真正的主場。

參考資料

Semantic Scholar. (n.d.). Frequently asked questions. Retrieved March 30, 2026, from https://www.semanticscholar.org/faq

推廣組 柯文仁 / 本文搭配AI工具進行寫作輔助

這篇文章 Google Scholar 之後，你可以多走一步：也來認識 Semantic Scholar 最早出現於 NYCU陽明交大圖書館-陪你做研究。

一、ORCID 2030 的五大核心策略重點

1. 賦能研究人員 (Empowering Researchers)： ORCID 計畫透過提升系統的智慧化程度，協助研究人員在多元學術活動中獲得應有的認可，並致力於簡化資料維護的繁瑣程序。
2. 連結研究資訊 (Connecting Research Information)： 強化 ORCID 作為可驗證身分與貢獻數據樞紐的角色。透過提升數據的完整性與準確性，確保研究人員、所屬機構與其學術產出之間有透明且值得信賴的連結。
3. 拓展社群 (Broadening our Community)： 除了既有的學術範疇，ORCID 將推動全球參與，並將應用場景擴展至研究安全 (Research Security) 與研究行政等新興領域。
4. 推進信任與誠信 (Advancing Trust and Integrity)： 針對學術誠信的挑戰，ORCID 扮演著領導者的角色，透過公開傳播「信任標記 (Trust Markers)」來協助識別真實的研究資訊，維持學術生態的中立與透明。
5. 加強組織韌性 (Strengthening ORCID’s Resiliency)： 為了確保長期永續營運，ORCID 將專注於財務穩健、資訊安全，以及審慎地導入AI技術以提升營運效率。

二、對研究人員的實質效益

從圖書館服務的角度來看，這些策略發展將為研究人員帶來以下幾點具體價值：

🔵唯一身分識別：無論姓名拼音如何相似，持久性識別碼 (PID) 能確保您的學術貢獻不會被誤植。

🟢降低行政負擔：透過系統間的自動化整合，研究人員可以共享紀錄，減少重複輸入資料的時間，將心力專注於研究上。

🟡提升成果能見度：高品質的連結數據有助於提升研究成果在各類探索系統 (Discovery Systems) 中的易尋性 (Discoverability) 與國際影響力。

三、現在就申請ORCID ID

隨著學術環境日益複雜，可驗證的數位身分已成為研究人員不可或缺的工具。誠摯建議每一位研究者，無論是剛起步的研究生還是資深教授都可申請（申請步驟）並擁有自己的 ORCID ID。

參考來源：

1.ORCID官網.https://orcid.org/

2.Petro,Julie (2026).ORCID 2030: Advancing the Future of Research ,.https://info.orcid.org/orcid-2030-advancing-the-future-of-research/

3.何佳欣(2023)。ORCiD臺灣聯盟。國立陽明交通大學圖書館。

https://news.lib.nycu.edu.tw/researches/orcid%e8%87%ba%e7%81%a3%e8%81%af%e7%9b%9f/

推廣組 湯春枝 / 本文搭配AI工具進行寫作輔助

這篇文章 5分鐘懂ORCID 2030新策略計畫藍圖 最早出現於 NYCU陽明交大圖書館-陪你做研究。

在 2026 年的今天，AI 已經是研究者的加速器，但如果你不知道如何正確「標註」它，它就可能成為你畢業路上的絆腳石。根據 Committee on Publication Ethics (COPE出版倫理委員會) 的相關指引，『未揭露的 AI 生成內容』可能被視為學術不當（misrepresentation），在嚴重情況下，影響研究可信度或涉及誤導，可能會被撤稿。主流學術出版社與組織，像是COPE、IEEE、Elsevier、ACS、AIP 等，對於人工智慧（AI）工具在學術寫作中的規範與倫理要求皆有相關規定，這裡整理了「防踩雷重點」，讓你安心用 AI，順利過關！

一、AI 不能成為作者是核心共識：

這是所有國際期刊與組織的一致共識。

AI 不能擔任學術論文作者的主要原因在於 AI 無法承擔責任（Accountability）與問責（Responsibility）。學術出版界認為作者身分不僅是榮譽，更是一項任務與責任，作者身分要求必須能對研究內容的準確性、完整性與誠實性負責。當研究出現錯誤或涉及倫理問題時，必須承擔法律及專業上的責任。

COPE的聲明指出，AI 工具無法滿足成為作者的條件，因為它們無法為提交的研究負起責任。作為非法律實體，它們無法聲明是否存在利益衝突，也無法管理版權和授權協議。

二、透明揭露（Disclosure）是最重要原則

「用了 AI，就要說出來。」這是學術誠信的基本要求。

各主要學術出版社對於 AI 使用的具體規範通常在專屬的 AI 政策頁面（AI Policy）、作者指引（Author Guidelines/Guide for Authors）以及出版倫理規範（Ethical Guidelines）中，投稿前建議查閱該期刊最新指引。 Guidelines）

以下整理4家出版社的披露規定：

三、圖像與資料使用的嚴格限制

針對 AI 生成圖片、圖像與數據，出版社的核心原則在於嚴禁竄改科學事實、確保透明披露以及作者承擔最終責任。

• 數據與研究結果的「紅線」: 各出版社對於使用 AI 處理數據有極為嚴格的限制，絕對禁止使用 AI 偽造、虛構、操縱或竄改研究數據、程式碼、實驗結果或影像。
• 圖片與圖像的使用規定：各出版社對於「科學影像」與「說明性圖像」有不同程度的規範。Elsevier原則上不允許使用生成式 AI 創建或更改提交稿件中的圖像，除非該用途本身即為研究方法的一部分，並需完整揭露；IEEE允許使用 AI 生成用於說明目的的圖像（如對未來技術的構想圖），須加註說明並提供生成提示詞（Prompt）

四、作者責任不可轉移

AI 可能會產生「幻覺（Hallucination）」，編造虛假的數據、文獻引用或事實。

• 查核義務： 作者必須親自核對 AI 產出的每一條內容、引用文獻的正確性，並確保文中沒有抄襲嫌疑。
• 學術責任： 無論論文內容是由 AI 協助生成還是潤飾，最終所有的學術錯誤、版權爭議或研究倫理問題，均由全體人類作者共同承擔。

五、哪些可以用？哪些要小心？

幫大家整理一個超實用版本👇

六、圖書館建議：學術寫作中的 AI 使用原則

綜合各大機構政策，建議研究人員遵循以下原則：

🔑 1. 誠實透明：明確揭露 AI 使用情況，不隱瞞、不模糊。

🔑 2. 人類主導：AI 僅為輔助工具，核心內容須由研究者產出。

🔑 3. 嚴格審查：檢查事實正確性，避免引用錯誤或虛構資料。

🔑 4. 避免倫理風險：不使用 AI 進行抄襲或改寫逃避查重。

🔑 5. 遵循期刊規範：投稿前確認期刊 AI 政策，不同期刊要求可能不同。

七、結語：從「工具使用」走向「學術責任」

AI 正在改變學術寫作，但並未改變學術的核心價值：👉 誠信、透明、責任

未來學術寫作將不只是「會不會用 AI」，而是：

✔ 是否能「正確使用 AI」
✔ 是否能「負責任地使用 AI」

當 AI 能夠生成看似完美的論文時，我們該如何重新定義一個研究者的真正價值？答案或許就在你對每一行數據、每一篇引用所展現出的那份「人類獨有的責任感」之中。

參考文獻 (References)

AIP Publishing. (n.d.). AI policy. https://publishing.aip.org/resources/researchers/policies-and-ethics/ai-policy/

Committee on Publication Ethics. (2019). Retraction guidelines. https://doi.org/10.24318/cope.2019.1.4

Committee on Publication Ethics. (2023, February 13). COPE position: Authorship and AI tools. https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools

Elsevier. (n.d.). Policies and standards: Generative AI policies for journals. https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

IEEE. (n.d.). Submission and peer review policies. IEEE Author Center. https://journals.ieeeauthorcenter.ieee.org/become-an-ieee-journal-author/publishing-ethics/guidelines-and-policies/submission-and-peer-review-policies/

IEEE Robotics & Automation Society. (n.d.). Guidelines for generative AI usage. https://www.ieee-ras.org/publications/guidelines-for-generative-ai-usage/

推廣組 巫惠屏 / 本文搭配AI工具進行寫作輔助

這篇文章 用AI寫論文會被退稿嗎? 搞懂「AI 貢獻聲明」，別踩學術誠信紅線 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。

先說清楚，這不是一篇反 AI 文章。

如果今天還在討論「研究生到底該不該用 AI」，真的是為時已晚。現實是大家都在用，而且只會越用越多。問題早就不是要不要用，而是——你跟 AI 之間，現在到底是什麼關係？一開始通常都很單純。請它幫忙摘要文獻、整理逐字稿、列出可能的研究問題，省一點時間，也少一點手忙腳亂，這些都很合理。真正麻煩的是，它的影響往往不是立刻爆發，而是循序漸進、暗度陳倉。

你不會在第一天就突然把研究判斷全交出去，但你跟AI合作了幾次，覺得它抓重點抓得不錯、整理得也順，慢慢地，就開始覺得：AI 好像真的蠻懂我現在在做的研究。但當你開始覺得它「好像真的很懂我」時，反而該停下來想一下：這是可信賴的協助，還是你已經開始對它暈船了？

很多人以為自己一開始會對 AI 保持警戒，但研究指出，人面對科技時其實常常帶有某種正向偏見，容易先預設它是有效、可靠、值得一試的，一次摘要得不錯、一次分類看起來很合理、一次改寫甚至比自己原稿還順。

久了之後，你不一定會承認「我完全相信它」，但你的行為會先透露出來：你開始比較少回頭查原文，也比較快接受它整理過後的版本。換句話說，你不是一開始就相信 AI，而是被一次次「看起來沒問題」的互動，慢慢 fine-tune 成開始相信它。說得直接一點，你可能已經開始變成一個數位暈船仔。

問題不是 AI 有沒有幫助，它當然有，真正的問題是：這種信任，什麼時候是合理依賴，什麼時候開始變成過度信任？

為什麼人會開始相信 AI？

Glikson 與 Woolley 在回顧人類信任 AI 的研究時指出：人對 AI 的信任，不是單一感受，也不是只憑「它準不準」就能解釋。信任會受到很多因素影響，例如系統是否穩定、介面是否清楚、呈現方式是否讓人覺得專業、過去使用經驗好不好，甚至連它有沒有一點「像個可以合作的對象」，都會影響我們怎麼看它。

這件事放到研究現場，特別有感。你相信它，不一定是因為你真的驗證過它每次都正確。很多時候，比較像是它呈現出一個值得信任的助手樣子：不急、不亂、會整理、會條列、會把很亂的東西排得乾乾淨淨。於是，在你還沒意識到之前，你就已經先對它放低戒心了。

所以，對 AI 產生信任，從來不只是理性評估後做出的純粹判斷，而是在一次次互動中慢慢累積出來的；也就是說，人不一定是因為 AI 值得信才相信它，有時候，只是因為它表現得很像值得信任。

在質化分析裡，這種信任是怎麼長出來的？

如果把這件事放到質化分析現場，就更明顯了；Hitch 在談 AI 進入質化分析時，重點其實不是「AI 能不能取代研究者」，而是提醒：這類工具可以協助整理、摘要與初步主題生成，但它缺乏對社會脈絡、文化意義與反思思辨的能力，因此不能被當成分析的捷徑。

順著這個提醒往下想，質化分析現場真正麻煩的地方在於：當 AI 開始幫你整理逐字稿、生成初步主題、提供分類架構時，研究者很容易因為這種「已經被理清」的外觀，而逐漸放下戒心。這點在質化分析裡尤其明顯。因為質化分析本來就不是有標準答案的研究類型，它很依賴判斷、取捨，以及你怎麼理解脈絡、矛盾與例外。

想像一個很熟悉的場景：你把逐字稿丟進去，它很快整理出條列重點和摘要；你原本還在一堆雜亂語句裡打轉，它已經幫你列出幾個看起來很像樣的類別；你還在想「這段到底算不算某個概念」，它已經幫你把幾十頁內容收斂成一張乾淨的清單。

這時候，你真的很難不被說服；研究者開始相信 AI，不一定是因為它每次都完全正確。很多時候，反而是因為它太像一個已經幫你理清的人。它把原本一塌糊塗的東西整理得有條不紊，把你還說不清楚的直覺先寫成幾句完整的句子。於是你很容易把它提供的結果，誤認成自己的判斷。

什麼叫合理依賴？什麼叫過度信任？

真正的問題，不是信不信 AI，而是：怎樣算合理依賴，怎樣算過度信任。

合理依賴其實一直都在發生，而且沒有問題。你可以讓 AI 先掃過整體資料，看看哪些主題反覆出現；請它整理一版初步歸納或分類；幫你列出幾個可能的比較方向；甚至把它當成第二雙眼睛，協助發現你原本沒注意到的細節。這些都很好，因為它是在幫你省力，最後的判斷還在你手上。

但是，過度信任就不同了。你直接接受 AI 給你的分類框架；把它的摘要當成自己對研究文獻的理解；還沒重讀逐字稿，就先採納它對某段對話的意義判讀；甚至在自己都還沒形成推論之前，就先讓它替你決定哪些東西重要、哪些東西可以忽略。

這裡真正的差別，不是你用得多不多，而是：你把什麼樣的判斷權交給了 AI ？要知道－合理依賴是借力，過度信任則是失衡。

為什麼過度信任會發生？

過度信任之所以麻煩，不是因為 AI 常常明顯出錯。明顯的 hallucination 反而容易讓人警覺，真正危險的是另一種情況：它沒有錯得很誇張，甚至整理得還蠻像一回事，內容扎實、條理清楚、語氣穩定，還剛好和你的直覺差不多。這時候，人最容易放下防備。

你會想：「這版整理大致可用。」然後就從「先參考一下」慢慢轉變「應該差不多就是這樣」，再往下走一點，內心就會變成：「我其實已經掌握這段內容了。」

但你真的掌握了嗎？還是只是因為 AI 把東西說得太順，所以你不再追問了？現階段最危險的，真的不是它錯得離譜，而是它看起來剛剛好，好到你覺得沒有繼續追問或檢查的必要。

研究者真正不能外包的是什麼？

說到底，問題已經不是「能不能用 AI」，而是哪些工作你可以放心交給它，哪些不行？有些工作的確很適合交給 AI 處理，像是初步資料彙整、內容摘要、整理比較表、產生候選分類、協助腦力激盪並收斂想法等。這些地方，AI 很有價值，也真的能省下不少力氣。

但有些事情，研究者最好不要外包，例如：

• 決定哪個分類真的有意義
• 判斷哪個概念值得留下
• 辨認例外、矛盾與反例
• 對引用、詮釋與結論負責

這些事情之所以不能外包，不是因為 AI 完全做不到，而是因為一旦這些判斷不再由你承擔，你的研究也就不再真正是你的研究；所以說白了，研究者真正不能外包的，不是輸入文字，而是判斷與承擔。

陪你做研究的最後

信任AI 所衍生的問題，從來不只是準不準而已；真正麻煩的是：你自己有沒有意識到，現在是基於什麼理由在相信它？一個成熟的研究者，從來不是完全不信或不使用工具，而是知道什麼時候可以借助工具帶來的便利，也知道什麼時候必須把判斷權收回來。

你可以讓 AI 幫你整理、幫你歸納、幫你發掘一些原本沒看見的東西；但你不能讓它替你決定：哪些東西值得相信、哪些概念值得留下、哪些結論可以寫進你的研究裡。

到最後，真正需要被調整的，不只是 AI 的輸出品質，還有你自己對 AI 的信任分寸；因為研究者最需要保住的，不是摘要能力，不是整理速度，甚至不只是閱讀量，而是：我知道這段話看起來很對，但我還沒決定要不要相信它。

參考資料

Glikson, E., & Woolley, A. W. (2020). Human Trust in Artificial Intelligence: Review of Empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057

Glikson, E., & Woolley, A. W. (2020). Human Trust in Artificial Intelligence: Review of Empirical research. Academy of Management Annals, 14(2), 627–660. https://doi.org/10.5465/annals.2018.0057

推廣組 柯文仁 / 本文搭配 AI工具 進行寫作輔助。

這篇文章 你被 AI fine-tuning 了嗎？—從 AI 信任研究與質化分析現場，談合理依賴與過度信任 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。