一篇 8 月 11 日上线 arXiv 的论文估计，到 2025 年年底，PubMed Central 收录的开放获取生物医学论文样本里，每 10 篇约有 9 篇带有大语言模型（LLM）辅助写作或编辑的痕迹。研究没有逐篇调用 AI 检测器，而是统计约 119 万篇论文中一批"风格词"的词频变化，再用线性外推估算使用比例。
用历史词频建立基线，再估算 ChatGPT 发布后的变化
检测 LLM 写作的常用办法有两类，各有已知缺陷。一类是检测器：用人工标注的"人写 / 机器写"语料训练分类器，但大量测试表明它们对学术文本的准确率并不可靠。另一类是混合模型：先用某个提示词让 LLM 生成参照文本、测其词频，再反推语料中 LLM 文本的占比——结果严重依赖所用的提示词和模型，同一批计算机科学摘要能得出 35% 和 18% 两个相差近一倍的估计。
这项研究走的是第三条路，作者称之为"无假设"（assumption-free）的估计。它不需要标注语料，也不需要选定参照模型，只依赖一个观察：ChatGPT 之后，一批"内容无关"的风格词在学术语料里的出现频率发生了跳变。这些词是跨研究主题使用的常见表达——例如 these、potential，以及常与 LLM 文风联系在一起的 delve——本身不指向某一特定科学主题，因此其频率上升很难用学科趋势解释，作者据此将超额增长主要归因于 LLM 写作，但这一归因仍依赖后文讨论的假设。
这批"超额词"（excess words）来自作者团队 2025 年发表在 Science Advances 的工作：扫描 1500 万条 PubMed 摘要，识别出 379 个在 2024 年使用量显著上升的风格词，并估计至少 13.5% 的 2024 年摘要经过 LLM 处理，部分子领域高达 40%。新论文把这套方法从摘要扩展到全文，并改进了估计本身。
具体做法是：对每个标记词，计算它在时间点 t 的"出现率" q(t)——即含有该词的文档占比；再用 2018–2022 年（ChatGPT 发布前）的数据拟合线性回归，外推到 2023–2025 年，得到"假如没有 LLM，人类写作本会是什么频率"的反事实基线 p_human(t)。
两者的差 q − p_human 只是 LLM 使用的下界：被 LLM 改写的文本越多，这些词被"超额"使用的越多，但一个词在人类论文里本来也可能出现。作者把这层逻辑推进一步——由于 LLM 文本里某词的频率最高不可能超过 1，那么"含 LLM 痕迹的论文比例"β 必须满足 β ≥ (q − p_human)/(1 − p_human)，这比单纯看词频差距给出更紧的下界。以 these 为例：2025 年 12 月的摘要中 50% 含有该词，外推的人类基线是 33%，17 个百分点的超额经上式换算后，至少对应 25% 的论文用过 LLM。
把多个标记词组合、优化选词阈值、剔除标准误过大的估计，就得到整篇论文层面的估算值。作者用模拟数据验证了这套流程：在已知真实 β 的情况下，误差不超过 0.02。
89% 是总体下界估算，不能识别单篇论文或代写程度
先给数字划定边界。89% 是"整篇论文"口径——把 Introduction、Methods、Results、Discussion 四部分拼在一起——在 2025 年 12 月的估算；2025 全年为 77%，摘要口径为 68%。这一数字自 2023 年初持续单调上升，不是某个月的噪声。
还需要区分写作痕迹与写作程度。这个方法测的是"论文中 LLM 关联风格词的过量使用"，作者把它解读为"到 2025 年底，每 10 篇论文有 9 篇显示出 LLM 辅助写作或编辑的痕迹"。它不等于"89% 的论文由 LLM 撰写"：一篇只用 LLM 润色了若干句子、或做了翻译的论文，同样会被计入。方法无法区分"辅助"与"代写"，无法判断具体用了哪个模型，更无法在单篇层面判定学术不端——超额词是人群层面的信号，落到任何一篇具体论文上都可能是误报。
从构造上看，89% 本身是一个"下界"，而非中性点估计。作者之所以把它当作估计值，理由有二：模拟验证表明流程能近乎还原真实值；在优化选词时，最优解通常落在 p_LLM 接近 1 的位置，即下界所用的近似恰好成立。但这一切依赖一个不能直接验证的核心假设——人类写作的词频会沿 2022 年之前的线性趋势继续走，而这个假设越往后越不可靠。
等长片段中，讨论部分的估算使用率约为方法部分两倍
论文还比较了不同章节中的使用分布。为排除"段落越长越容易被检测到"的干扰，作者把各章节截成同样长度（255 词的随机片段）再比较：到 2025 年 12 月，Discussion 段落的估算使用率为 68%，Methods 只有 32%——在这些等长片段中，讨论部分的估算比例约是方法部分的两倍。Introduction 为 59%，Results 为 46%。
但"Methods 用得少"不等于"Methods 没用"。看整段（不截断）的估算，Methods 仍达 54%，超过一半的论文在方法部分也有 LLM 痕迹；其整段估算（54%）与逐段估算（32%）的落差在各章节中最大，说明方法部分里 LLM 的使用更稀疏、更不均衡。
这一分布提示，LLM 辅助写作的痕迹更多出现在解释和论证部分（Discussion、Introduction），较少出现在方法和数据描述中。若要研究 AI 如何影响学术表达，章节差异可能比总体比例提供更多线索。
国家和地区层面的差异也支持"语言工具"的解读。按第一作者所属机构所在国家和地区统计，2025 年使用率最高的是韩国（85%）、中国（82%）、台湾（80%），最低的是英国（28%）；英语母语国家整体与非母语国家是 37% 对 72%。另一个细节：2022 年前，非母语国家论文中这些超额词的出现率远低于母语国家，到 2025 年两者几乎拉平，作者把这解读为 LLM 驱动的"语言趋同"。
词频监测可用于研究总体趋势，不能直接裁定学术不端
这套方法的价值在于监测而非裁决。它能给出随时间、领域、国家变化的流行率曲线，为出版商和资助机构判断"LLM 在多大程度上改写了学术写作"提供此前缺失的量化基线，论文作者也把它定位为支撑指南与政策的工具。
但它无法回答政策制定者最想回答的问题：一篇具体的论文是否作弊。超额词是统计信号而非证据，方法不能区分合规的辅助（润色、翻译，许多出版机构已允许在披露的前提下使用）与违规的代写或造假，因此不能直接用于单篇论文的学术诚信判定。直接用它指控个别作者，会把下界、误报和人群信号三者混为一谈。
论文同时把利弊两面摆了出来。有利的一面是语言壁垒：非母语作者借此获得接近母语水平的表达，作者视其为促进科研公平的工具。风险的一面是：幻觉引用、造假论文更易批量生产，语言与推理的同质化，以及"把写作外包给 LLM、只做被动校对"可能导致反思变少、论证变草率。作者援引的 Wiley 调查显示，2025 年年中已有超过 70% 的受访研究者用 LLM 做写作辅助——与该论文的估计大致吻合，但两者的样本和方法不同，不能仅凭差异判断调查是否低报。
历史趋势外推和开放获取英文样本，限制了结论范围
先说明发表状态：这是一篇未经过同行评审的 arXiv 预印本，其方法基础——超额词——出自作者团队 2025 年发表在 Science Advances 的论文，但本论文的结论本身尚未经过审稿。
其次，整篇估算建立在"人类词频会沿 2022 年前趋势外推"的假设上。作者承认这一假设存在两个方向相反的偏置：人们可能下意识模仿 LLM 的用词（导致高估），也可能有意避开这些"机器味"的标记词（导致低估，此前已有研究记录这种"人机协同演化"）。作者认为这两种效应比直接的 LLM 编辑更小、更慢，但这一点未被独立证实。
最后是样本边界：数据是 PubMed Central 的开放获取子集，限定为生物医学与生命科学、且具备标准四段结构的英文论文，样本内占比最高的期刊是 Scientific Reports（8.1%）、Nature Communications（4.7%）和 PLoS ONE（3.9%）。它不代表付费墙后的期刊，也不代表其他学科；方法还依赖英语这一前提，对非英语学术写作无法测量。
这篇论文提供了一种持续测量 AI 辅助写作趋势的方法。接下来需要观察，同行评审和独立复现能否支持 89% 的估算，以及出版商是否会采用这类总体词频监测。无论是否采用，都需要保留总体趋势与单篇论文判定之间的区别。
