AI 白話摘要學術文章時，多講的幾句話是真的還是幻覺

AI 在把學術論文轉為白話摘要時，經常會補充原文並未涵蓋的內容；而這些額外敘述究竟是合理的背景補充，還是模型的憑空生成，正成為研究關注的焦點。這觸及了科學傳播準確性的一個新課題。

這個現象的成因，與模型的訓練目標直接相關。語言模型被訓練成產生流暢、完整且對讀者有幫助的文本；而學術論文的行文極度謹慎——大量使用限定條件、統計顯著性的說明與適用範圍的界定。當模型把這種謹慎的表述「翻譯」成白話，為了可讀性往往會簡化限定條件、補上因果解釋，或加入讓敘述更完整的背景說明。

問題在於，這些補充有兩種截然不同的性質。一種是模型從訓練資料中習得的真實領域知識——它補上的背景確實正確，只是原文因為篇幅或讀者預設而未寫出。另一種則是為了讓敘述通順而生成的內容，看似合理但並無事實依據。從讀者的角度，這兩者在文字上幾乎無法區分，因為兩者的語氣同樣自信、行文同樣流暢。

限定條件的流失是更隱蔽的風險。學術結論往往附帶明確的邊界——在特定樣本、特定條件、特定統計信心水準下成立；而白話化的過程常把「在某條件下可能與某結果相關」轉為「會導致某結果」。這種轉換不需要虛構任何內容，卻實質改變了結論的強度。這對於醫療、營養與公共衛生等直接影響個人決策的領域，後果尤其嚴重。

從科學傳播的角度，這個議題有其兩面性。AI 摘要確實大幅降低了非專業讀者接觸研究成果的門檻——過去這需要專業的科學記者或機構的傳播部門，資源有限；如今任何人都能快速取得白話版本。這對於提升公眾的科學素養具有正面價值。但若準確性無法保證，擴大的觸及反而可能加速錯誤資訊的傳播。

實務上的因應方向已逐漸浮現。技術面上，可以要求模型明確標示哪些敘述來自原文、哪些是補充；也可以透過與原文的逐句對照來檢核。流程面上，重要領域的摘要仍需人工審閱；而讀者端則需要建立「摘要不等於原文」的認知，重要結論應回溯查證。

這個議題也與近期的另一個觀察相互呼應——生醫論文中出現 AI 輔助寫作痕跡的比例已相當高。當研究的產出端與傳播端都有 AI 參與，資訊在流通過程中的失真便可能累積。

後續觀察重點包括：額外敘述準確率的量化研究、摘要工具是否提供來源標示功能，以及學術機構在傳播規範上的調整。