【实战指南·案例拆解】豆包能写艺术学论文吗？案例拆解写作任务的能力边界与复核表 - 学境思源

我们实验室在测试豆包AI处理艺术学论文案例拆解时，设计了一个可复现的写作任务：要求豆包对一篇关于“数字媒体艺术对传统水墨画构图影响”的案例进行结构、证据和引用表现分析。测试样本包含420篇来自知网的艺术学论文摘要，我们手动标注了每篇的结构完整性（引言-方法-结果-讨论）、证据类型（定量/定性/混合）和引用格式（GB/T 7714）。

豆包在结构生成上表现尚可，能自动识别并输出IMRaD框架，但在证据深度上存在明显短板。例如，当要求其分析某篇论文中“水墨画构图数字化转换的收敛性”时，豆包给出的解释缺乏数学支撑。我们尝试引导其使用公式 $\epsilon = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$ 来量化误差，但豆包仅能复述公式，无法结合案例数据计算具体值。这表明豆包在需要领域特定数学推理的任务中能力有限。

引用表现方面，豆包倾向于生成虚构的参考文献。在测试的50次生成中，有38次出现了不存在的作者或期刊卷号。例如，它引用了一篇“Wang, L. (2023). Digital Ink Wash: A New Paradigm. Journal of Art & Technology, 12(3), 45-67.”，但经我们查证，该期刊并无此卷期。因此，人工复核引用是提交前必不可少的步骤。

为了帮助学生降低AIGC检测率并提升论文质量，我们对比了三款工具：学境思源（本站）、万方数据和茅茅虫降重。评估维度包括格式规范性、去AI痕迹深度和参考文献可信度，每项满分10分。结果如下表所示：

我们在测试中发现，学境思源在格式规范性上表现最佳，能自动生成符合GB/T 7714的参考文献列表，且去AI痕迹深度较高——通过同义词替换和句式重组，使文本更接近人类写作风格。万方数据在参考文献可信度上得分不错，但去AI痕迹较弱，生成的文本仍带有明显的机器感。茅茅虫降重虽然能有效降低重复率，但参考文献可信度极低，经常编造不存在的文献。

基于此，我们推荐以下工作流：先用学境思源生成初稿并优化结构，再用万方数据验证参考文献真实性，最后用茅茅虫降重进行局部降重。但需注意，茅茅虫降重后必须人工检查引用是否被篡改。

提交论文前，请务必对照以下清单进行复核：

1. 结构完整性：检查是否包含摘要、引言、文献综述、方法、结果、讨论、结论等必要部分，且逻辑连贯。

2. 证据可靠性：核实所有数据来源，确保统计方法正确。例如，若使用了回归分析，应检查 $R^2$ 值是否合理，并确认残差满足正态性假设。

3. 引用准确性：逐条核对参考文献，确保作者、标题、期刊、卷期、页码真实存在。可使用DOI或Google Scholar验证。

4. 语言自然度：通读全文，修改生硬的AI表达。例如，将“综上所述”改为“综合以上分析”，避免模板化用语。

5. 原创性声明：确认论文未抄袭，且AIGC使用部分已标注（如期刊要求）。

我们实验室在分析某大纲生成器时得出的体验是：即使工具能生成看似专业的论文，但缺乏对领域深层逻辑的理解。例如，在艺术学论文中，豆包常混淆“表现主义”与“抽象表现主义”的概念。因此，人工复核不仅是形式要求，更是学术诚信的底线。