那個用 AI 寫論文的學生，口試當天被問倒
口試進行到第二十分鐘，另一位委員終於問出了那個關鍵問題。
「這段文獻回顧，是你自己整理的嗎？」
阿凱沉默了。他當然可以說「是」，但他知道自己說不出口。那段文字是他把十幾篇論文的摘要丟進 AI，請它「整理成一段有邏輯的文献回顾」，然後稍微改幾個字就貼上去的。AI 幫他歸納了主題、幫他串接了脈絡、甚至幫他寫出了「過去研究多聚焦於大型企業，較少探討中小企業在資源限制下的數位轉型策略」這種看起來很有研究意识的句子。問題是，他從來沒有真正讀完那十幾篇論文。
委員接著問：「那你告訴我，你引用的第三篇和第七篇文獻，他們的研究設計有什麼不同？為什麼你會把它們放在同一個主題底下？」
阿凱翻著論文，手指在參考文獻那一頁來回滑動，卻找不到對應的內容。他心裡很清楚地知道，那兩篇文獻他連摘要都是叫 AI 幫他讀的。
那一刻，整間教室安靜得只剩下冷氣的聲音。
二、他其實不是懶，是「太有效率」
事後回想，阿凱並不是一個擺爛的學生。他有修課、有到實驗室、有跟指導教授 meeting，該出現的場合他幾乎都出現了。他甚至比很多同學更早開始寫論文，進度表排得漂漂亮亮。真正的問題不是他不想努力，而是他把「努力」錯置了地方。
從文獻回顧到結論，AI 幫他完成了八成
阿凱的論文寫作流程大致是這樣的：
把研究主題丟給 AI，請它列出「相關文獻方向」與「可能的研究缺口」。
把十幾篇論文的摘要貼進對話框，請 AI「整理成文獻回顧」。
請 AI 根據研究缺口，生成研究問題與假設。
把問卷數據貼進去，請 AI「跑一個簡單的統計描述」並「寫出分析段落」。
請 AI 根據前面的內容，生成結論與建議。
整個流程跑完，他大概只花了三到四天，就產出了一本看起來有模有樣的論文初稿。頁數夠、架構完整、文字流暢、參考文獻數量也符合系所要求。他把初稿寄給指導教授時，心裡還有一點得意，覺得自己找到了「聰明的工作方式」。
指導教授看了之後，只回了一句話：「架構看起來可以，但你口試的時候要能自己講清楚每一個環節。」
阿凱把那句話理解成「口試前再準備一下就好」，於是他又請 AI 幫他生了一份口試簡報大綱和可能的問答集。他背了那些答案，練了幾次講稿，覺得自己準備得很充分。
然後他就被問倒了。
那些被跳過的步驟，才是論文的骨幹
問題的核心，在於阿凱跳過了太多「看起來很花時間、但其實是研究本體」的步驟。
文獻回顧不只是「把別人的研究整理成一段文字」，它是一個研究者建立問題意識的過程。當你真正讀完一篇論文，你會知道它的研究設計、樣本限制、資料分析方法、結論的適用範圍，以及作者自己承認的研究限制。這些東西不會全部寫進摘要，也不會全部被 AI 捕捉到。AI 可以幫你摘要，但它沒辦法幫你「讀懂」。而口試委員問的，往往就是那些「摘要裡沒有、但你應該要知道」的細節。
研究方法的選擇也不只是「文獻說這樣做比較好」。你為什麼選問卷而不是訪談？你的抽樣策略是什麼？你的問卷題項怎麼來的？你有沒有做預試？你的訪談大綱如何對應研究問題？這些問題的答案，通常不會憑空出現在 AI 生成的段落裡，因為它們來自你對自己研究情境的判斷。
資料分析更不用說。AI 可以幫你算平均數、跑交叉表、甚至生成一段看起來很專業的詮釋文字。但當委員問「你這個相關係數的顯著性代表什麼？你的樣本數夠不夠支撐這個檢定？你有沒有檢查常態性假設？」的時候，如果你沒有親自跑過一次、沒有看懂報表、沒有想過這些數字對你的研究問題意味著什麼，你就只能沉默。
三、AI 寫作的三大陷阱：為什麼「看起來很好」不等於「真的懂」
阿凱的故事不是單一個案。這幾年，隨著生成式 AI 工具普及，類似的情境在各大學的研究所裡越來越常見。問題不在於 AI 本身，而在於很多人把 AI 的「輸出品質」誤認為自己的「理解程度」。以下三個陷阱，是使用 AI 寫論文時最容易踩到的坑。
陷阱一：流暢度的幻覺
AI 最危險的地方，不是它會寫錯，而是它能把錯的、空的、模糊的東西寫得非常流暢。
人類寫作有一個特徵：當我們對某個概念不夠理解時，文字通常會卡卡的、會出現跳躍、會有很多「就是說……」「某種程度上……」之類的模糊修飾。這種不流暢，其實是一種訊號，提醒讀者「這裡可能還沒想清楚」。
AI 沒有這種訊號。它可以在一秒內生成一段語法完美、邏輯連貫、轉折自然的段落，即使它對內容的理解是零。當你把這段文字貼進論文，你會產生一種錯覺，覺得「我寫得真好」。但那個「好」是語文層面的好，不是思想層面的好。
口試委員受過的訓練，就是辨識這種落差。他們不會只看你的文字順不順，他們會問你文字背後的東西。而流暢度的幻覺，會在這些問題面前瞬間破功。
陷阱二：引用的幽靈
另一個常見的問題，是「看起來有引用，但其實沒有讀過」。
AI 可以幫你生成參考文獻，也可以幫你把某個觀點「掛」在某篇論文底下。但如果你沒有親自去查證那篇論文是否真的存在、是否真的說了那句話、是否真的支持你的論點，那麼你的引用就是一種「幽靈引用」：它存在於你的論文裡，但它不存在於你的知識裡。
幽靈引用在口試時特別容易被戳破。委員只要問一句「這篇文獻的樣本是誰？他們用什麼方法？結論有沒有但書？」你就會發現自己除了作者和年份之外，什麼都答不出來。更糟的是，有些 AI 生成的引用根本是虛構的，作者名字看起來很真、期刊名稱看起來很合理、年份和卷期都齊全，但你去資料庫一查，根本沒有這篇文章。這種事一旦被發現，不只是口試分數的問題，而是學術倫理的問題。
陷阱三：沒有「我」的論文
最根本的陷阱，是 AI 寫出來的論文裡，沒有一個「我」。
學術論文當然不是日記，不需要事事都以第一人稱書寫。但一篇好的論文，讀者會感覺到背後有一個人在思考：這個人為什麼選這個題目？他在閱讀文獻時發現了什麼矛盾？他在分析資料時遇到了什麼困難？他最後為什麼做出這樣的詮釋？這些「思考的痕跡」，是論文之所以是論文、而不是一本資料彙編的關鍵。
AI 生成的內容，往往缺少這種痕跡。它會寫出「本研究發現，數位轉型對組織韌性有正向影響」，但它不會告訴你「我原本以為會是負向的，因為中小企業資源有限，過度數位化可能造成負擔，但資料跑出來之後，我發現⋯⋯」。前者是結論，後者是研究。口試委員想聽的，通常是後者。
當你的論文裡沒有「我」，委員就只能從你的嘴巴裡去找。而如果你連嘴巴裡也講不出來，那場口試就會變成一場漫長的沉默。
四、口試委員到底在問什麼？
很多研究生以為口試是在考「你記不記得自己寫了什麼」，但其實不是。口試真正在考的，是「你有沒有能力為自己的研究辯護」。這是一種學術社群的入門儀式：你要證明你不只是寫了一本論文，而是真的做了一個研究。
他們要聽的不是答案，是推理
口試委員的提問，通常可以分成三種類型：
第一種是「事實確認型」：你用了什麼方法？樣本數多少？信效度怎麼檢驗？這一類問題，有準備就有分，AI 也幫得上忙，因為它考的是記憶和熟悉度。
第二種是「判斷說明型」：你為什麼選這個方法？你為什麼排除那類文獻？你為什麼這樣詮釋這個結果？這一類問題，考的是你的判斷過程。AI 可以幫你生成一個「看起來合理的理由」，但如果你沒有真的做過那個判斷，委員只要多問一層「那你有沒有想過另一種做法？」你就會開始心虛。
第三種是「壓力測試型」：如果樣本改成另一群人，你的結論還成立嗎？如果你的訪談對象說的都是場面話，你怎麼處理？你論文中最大的限制是什麼？這一類問題，考的是你的研究視野和自我批判能力。這種能力，幾乎不可能靠 AI 代勞，因為它需要你對自己的研究有足夠的掌握，才有辦法在壓力下重組、延伸、承認不足。
阿凱被問倒的那一題，屬於第二種和第三種的混合。委員問的不是「這篇文獻說了什麼」，而是「你為什麼這樣處理這篇文獻」。這是一個關於判斷的問題，而他的判斷是 AI 做的，所以他答不出來。
三個 AI 答不出來的問題
如果你正在用 AI 輔助寫論文，不妨用下面三個問題自我檢測。這三個問題，是 AI 很難替你回答的：
這三個問題都不好答，但如果你能答得出來，口試當天大概就不會被問倒。反過來說，如果你答不出來，那麼即使 AI 幫你寫出一本再漂亮的論文，口試那天你還是會站在那裡，看著委員的眼睛，找不到話說。
五、AI 不是不能用，是要「這樣用」
寫到這裡，可能會有讀者覺得這篇文章是在「反 AI」。其實不是。AI 是一個非常強大的工具，尤其在學術寫作領域，它可以幫你節省大量時間、幫你突破語言障礙、幫你整理思緒。問題從來不是「要不要用 AI」，而是「你把 AI 放在哪個位置」。
把 AI 當對手，不要當代筆
最健康的使用方式，是把 AI 當成一個「會跟你抬槓的對手」，而不是一個「幫你寫作業的代筆」。
什麼意思？舉例來說，當你在讀一篇文獻時，不要只叫 AI「幫我摘要這篇論文」，而是叫它「根據這篇論文的摘要，提出三個可能的質疑」。然後你自己去想：這三個質疑有沒有道理？作者有沒有回應？如果沒有，那會對你的研究造成什麼影響？
當你在寫文獻回顧時，不要叫 AI「幫我寫一段文獻回顧」，而是先自己寫一段，然後叫 AI「指出這段文字裡有哪些論點缺乏證據、哪些句子過度推論、哪些地方邏輯跳躍」。然後你自己去補、去修、去想。
當你在分析資料時，不要只叫 AI「幫我寫分析結果」，而是叫它「假設你是口試委員，針對這份數據，你會問哪五個問題」。然後你自己去準備答案。
這種用法，會讓 AI 變成你的「思考教練」，而不是你的「文字工人」。它的價值不在於幫你省下寫字的時間，而在於幫你暴露思考的漏洞。而那個暴露漏洞的過程，才是真正在學習的過程。
一套實用的 AI 協作流程
如果你正在寫論文，可以試試下面這個流程，把 AI 放在「輔助」而不是「主導」的位置：
這個流程聽起來很麻煩，確實也很麻煩。但它有一個好處：它會讓你真正擁有你的論文。而「擁有」，正是口試當天你能不能站穩腳步的關鍵。
六、給研究生與指導教授的幾個建議
阿凱的故事，不只是他一個人的問題。它反映的是整個學術訓練體系，在 AI 時代面臨的挑戰。以下分別給學生和老師一些建議。
給學生：把 AI 當成你的「蘇格拉底」
如果你正在寫論文，而且你已經在用 AI，請記得一件事：AI 可以幫你寫得更好，但它不能幫你懂得更多。
你可以把 AI 當成一個很有耐心的蘇格拉底。蘇格拉底不會直接給你答案，他會一直問你問題，問到你發現自己的無知為止。當你發現自己對某個概念說不清楚時，那就是你該回去讀書的地方；當你發現自己對某個方法選擇講不出理由時，那就是你該回去思考的地方；當你發現自己對某個研究限制無法辯護時，那就是你該回去補強的地方。
口試不是敵人，它是一個機會。它讓你站在三位有經驗的研究者面前，用一個小時的時間，證明你值得擁有一個碩士學位（或博士學位）。如果你在準備口試的過程中，發現自己其實沒有那麼懂你的論文，那是一件好事，因為你還有時間補。最怕的是，你一直到口試當天才發現。
給老師：與其禁止，不如設計「AI 抓不到」的題目
對指導教授和口試委員來說，與其全面禁止學生使用 AI，不如承認 AI 已經成為學術寫作的一部分，然後調整評量的方式。
什麼是「AI 抓不到」的題目？例如：
請學生用自己的話，說明論文中最重要的一個判斷是怎麼形成的。
請學生指出論文中最弱的一個環節，並說明如果重來一次，他會怎麼改。
請學生針對委員提出的一個反例，現場思考如何在研究中回應。
請學生比較自己的研究和另一篇指定文獻，說明兩者在方法論上的差異與取捨。
這類題目的共同特徵是：它們沒有標準答案，它們考的是學生的思考過程，而不是記憶或文字能力。AI 可以生成答案，但它沒辦法生成「一個人在現場思考的過程」。而那個過程，才是學術訓練真正想培養的東西。
與其把 AI 當成作弊工具來防堵，不如把 AI 當成一個提醒：提醒我們重新思考，口試到底應該考什麼、論文到底應該長什麼樣子、學術訓練到底應該帶給學生什麼。這些問題，在 AI 出現之前就存在，只是 AI 讓它們變得更明顯、更難迴避。
七、結語：論文是思想的痕跡，不是文字的堆疊
阿凱的口試最後還是通過了，但分數不高，而且被要求修改後再送審。指導教授事後找他談了一次，沒有罵他，只說了一句話：「你不是不會寫論文，你是不會做研究。但沒關係，現在開始學還來得及。」
那句話聽起來很溫和，但很重。因為它點出了一個很多人不願意面對的事實：寫論文的重點，從來就不是「寫出一本論文」，而是「透過寫論文的過程，學會怎麼做研究」。AI 可以幫你完成前者，但它沒辦法幫你完成後者。而如果你只完成了前者，那麼口試那天，你站在委員面前，就會像一個拿著別人身份證的人，怎麼樣都對不上臉。
AI 是一個很好的工具。它可以幫你讀得更快、寫得更順、想得更廣。但它不能代替你讀、代替你寫、代替你想。論文之所以是論文，不是因為它有很多字、很多引用、很多圖表，而是因為它是一個人思想的痕跡。那些痕跡，包括你的猶豫、你的判斷、你的修正、你的堅持，是 AI 沒有辦法幫你留下的。
所以，如果你正在用 AI 寫論文，請記得：讓 AI 幫你跑得更快，但不要讓它幫你跑完全程。最後那段路，你還是得自己走。因為口試那天，站在台上的，是你，不是 AI。
而委員想看的，也是你，不是 AI。
願每一位正在寫論文的人，都能在口試那天，用自己的話，說出自己的研究。那不只是為了通過口試，更是為了證明：這本論文，真的是你的。
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →