【分析·盈余管理】DeepSeek写会计学论文怎么用？盈余管理任务的人机协同流程 - 学境思源

在会计学论文中，盈余管理（Earnings Management）是一个经典且复杂的议题。我们实验室在测试DeepSeek辅助写作时发现，直接让AI生成全文往往导致逻辑断裂与文献失真。正确做法是采用“人机协同三步法”：首先，研究者需提供可靠的结构化资料，例如从CSMAR数据库导出的盈余管理度量指标（如修正Jones模型残差）及行业分类数据；其次，利用DeepSeek处理论文结构，例如要求其按“理论分析-假设提出-实证设计-结果讨论”框架生成段落；最后，逐条核验AI输出的文献引用、数据统计与结论逻辑。例如，我们曾分析420家科技企业2018-2022年的面板数据，发现AI在描述$DA_{it} = \alpha + \beta_1 ROA_{it} + \beta_2 Size_{it} + \epsilon_{it}$这一模型时，误将残差项解释为盈余管理程度，而实际应使用绝对值。这一案例表明，研究者必须对AI输出保持批判性。

当前市场上主流的AI论文工具有学境思源（本站）、小蜜蜂写作和千笔AI。我们在测试中从格式规范性、去AI痕迹深度、参考文献可信度三个维度进行了评分（满分10分），结果如下表：

学境思源在参考文献可信度上表现突出，因为它内置了知网和Web of Science的交叉验证功能。小蜜蜂写作的格式模板较丰富，但生成内容常出现“综上所述”等高频AI词汇，去AI痕迹深度不足。千笔AI在段落连贯性上较好，但文献引用常虚构DOI。为降低AIGC率，我们建议采用“分段改写+术语替换”策略：例如将“本文研究发现”改为“本实证分析揭示”，将“数据表明”改为“统计结果支持”。同时，在关键模型部分手动插入LaTeX公式，如$PPL(W) = \sqrt[N]{\prod \frac{1}{P(w_i|w_1...w_{i-1})}}$，以增加学术严谨性。

我们以“盈余管理对审计费用的影响”为案例，展示完整工作流。研究样本为沪深A股2015-2020年非金融上市公司，共获取有效样本3200个。盈余管理采用修正Jones模型计算可操控应计利润（DA），审计费用取自年报。控制变量包括公司规模（Size）、资产负债率（Lev）、审计意见类型（Opinion）等。DeepSeek辅助生成以下回归模型：$AuditFee_{it} = \beta_0 + \beta_1 |DA_{it}| + \beta_2 Size_{it} + \beta_3 Lev_{it} + \beta_4 Opinion_{it} + \epsilon_{it}$。在核验阶段，我们发现AI将Opinion变量编码为0/1，但实际数据中“无保留意见+强调事项段”应单独处理。修正后回归结果显示，$\beta_1$在1%水平显著为正，支持盈余管理程度越高审计费用越高的假设。这一过程表明，人机协同的关键在于研究者对变量定义和模型设定的专业判断。