【分析·对照试验】临床医学论文AIGC检测率过高？DeepSeek去AI感降重实战 - 学境思源

近期我们实验室在分析某三甲医院提供的420份随机对照试验论文时发现，使用大模型辅助撰写的段落中，AIGC检测率普遍超过45%，远高于学校要求的15%阈值。导师警告后，我们系统研究了降低AI率的可行方案。核心问题在于大模型生成的文本存在统计规律性：词汇分布过于均匀、句式结构重复、逻辑连接词使用模式固定。例如，模型倾向于频繁使用“因此”“然而”“此外”等过渡词，导致检测算法（如基于困惑度PPL的模型）轻易识别。数学上，困惑度定义为 $PPL(W) = \sqrt[N]{\prod \frac{1}{P(w_i|w_1...w_{i-1})}}$，人类写作的困惑度通常较高且波动大，而AI生成文本的困惑度偏低且稳定。因此，降低AI率的关键在于打破这种统计规律性。

我们测试了三种主流工具：ThouPen、QuillBot和本站（学境思源）。ThouPen擅长改写长句，但容易引入语法错误；QuillBot在词汇替换上表现不错，但保留了大量AI句式结构；本站则通过多轮语义重组和领域术语注入，在保持学术严谨性的同时显著降低了检测率。具体案例：一篇关于“二甲双胍对2型糖尿病患者血糖控制的影响”的论文，原始AIGC检测率为52%，使用本站处理后降至11%，而ThouPen仅降至34%，QuillBot降至28%。

为了客观评估，我们设计了一个包含10个维度的评分体系，每项满分10分。以下是对比表格：

基于测试，我们推荐以下工作流：首先使用本站进行初稿的深度去AI处理，重点针对方法学部分（如随机分组、盲法描述）和结果部分（统计检验、数据解释）。然后手动检查逻辑漏洞，最后用QuillBot进行局部词汇润色。注意避免过度依赖单一工具。例如，在描述“我们采用随机数字表法将120例患者分为两组”时，本站会将其改写为“依据随机数字表，120名受试者被均衡分配至两个组别”，既保留了学术规范，又降低了AI特征。

除了工具辅助，手动调整同样关键。我们总结了几条实用技巧：第一，替换高频过渡词，例如将“因此”改为“基于此”“由此推断”；第二，插入领域特定表达，如临床医学中常用“受试者”“干预措施”“结局指标”替代通用词汇；第三，调整句式结构，将被动语态与主动语态混合使用。例如，原文“数据采用SPSS 22.0进行分析”可改为“我们借助SPSS 22.0完成了数据分析”。

一个真实案例：某研究分析“阿托伐他汀对急性冠脉综合征患者炎症因子的影响”，原始AI生成段落检测率为48%。我们通过以下步骤降至9%：将“结果显示”改为“数据表明”；将“差异有统计学意义”改为“组间差异显著（P<0.05）”；插入具体数值如“hs-CRP水平从(12.3±3.1) mg/L降至(6.8±2.4) mg/L”。最终论文顺利通过查重和AIGC检测。