人工智能辅助写作：证据约束与事实核验

1 问题与核心论点

当写作需要保留数字、来源和限定条件时，怎样把可读性与可核查性同时纳入流程？本文关注公开或获授权材料的写作，不把一般模型能力推断为专业领域事实保证。

2 文献范围与研究脉络

本文目的性选取 12 篇研究文献，按研究问题进行叙述性综合，不是系统综述或荟萃分析。所选文献首次提交于 2017—2024 年，未覆盖截至 2026 年的全部进展。2026 年 9 月 8 日核对题名、作者、提交日期、公开摘要、来源页与 PDF 入口；区分原始研究、技术报告和综述，不将它们视为同等强度的实验证据。对 FActScore、ALCE、EvalPlus 与 τ-bench 的相关方法段落此前进行了定向核查，未逐篇全文审查或复现实验。

Transformer 以注意力机制构建序列转换架构，为后续语言生成研究提供了重要技术基础。[1]GPT-3 研究展示了通过文本示例完成多种任务的少样本能力，同时报告了任务差异与训练语料带来的方法学问题。[2]

T5 将语言任务统一为文本到文本问题，并比较预训练目标、架构和数据等因素；任务形式的统一不等于评价标准相同。[3]BART 通过破坏文本再重建的去噪预训练研究生成与理解任务，说明训练目标是影响文本生成能力的一项设计因素。[4]

RAG 将参数化语言模型与外部检索记忆结合，使知识密集型生成任务能够利用检索段落。[5]REALM 把知识检索器纳入语言模型预训练，探索从大规模文档中获取知识，而非仅依赖模型参数保存事实。[6]

InstructGPT 通过人类示范与偏好反馈改进指令遵循；作者也明确指出，经过这一过程的模型仍会犯简单错误。[7]TruthfulQA 以容易诱发常见误解的问题评价回答真实性，提醒研究者区分语言模仿能力与事实正确性。[8]

FActScore 把长文本拆成原子事实，评价其中得到可靠知识来源支持的比例，而不是给整篇文字一个笼统的真假判断。[9]ALCE 将流畅度、正确性与引用质量分别评价；附有引文的回答，仍可能存在证据不能完整支撑论述的问题。[10]

Chain-of-Verification 采用初稿、验证问题、独立回答和修订的流程，在所研究任务中减少幻觉。[11]Lost in the Middle 发现相关信息在上下文中的位置会影响所测模型的表现，长输入容量并不自动保证充分利用全部材料。[12]

3 综合论证与拟议方法

上述研究分别处理训练、检索和评价，不能合并成一个“写作准确率”。本文据此提出：先列出事实及原文位置，再组织段落；无法定位证据的内容保留为问题，不让流畅表达掩盖材料缺口。长材料应按主题建立可追溯摘录，而不是只增加输入长度。

为每条可核查主张保存原句、来源、页码或段落、访问日期和核验结论。初稿后另行检查数字、名称、因果关系及“计划／已经”等状态词。模型自查可以生成核验清单，但最终确认必须回到材料；付诸发布前由负责人审阅。

4 研究命题与对照

在必需事实覆盖率和拒答率不劣于基线的条件下，证据台账能否提高事实支持比例？如果提升只来自省略困难主张，假设不获支持。

以人工写作、直接生成、检索后生成为基线；完整流程增加证据台账和独立审核。分别移除台账、独立审核进行消融，固定材料、模型版本、检索集合和总时间预算。

5 操作定义与判定边界

设 Sᵢ 为任务 i 中有证据支持的可核查主张集合，Aᵢ 为全部可核查主张集合；Kᵢ 为预先规定的必需事实，Dᵢ 为输出中正确保留的必需事实。分别报告事实支持比例 Pᵢ 与覆盖率 Cᵢ，避免以少说或不说获得虚高分。分母为零时记为不适用，另报拒答和遗漏。

建议对同一批非敏感材料比较人工流程与 AI 辅助流程，预先约定事实拆分规则，并记录支持、矛盾和无法判断三种状态。本站建议的“证据支持比例”是有来源支持的主张数除以全部可核查主张数；它不是完整复现 FActScore。没有可核查主张时记为不适用。另记遗漏事实数、核验耗时与读者理解情况，不仅比较初稿速度。

6 可检验的评价方案

以任务而非同一任务的重复输出为独立抽样单位。先用独立先导样本确定标注可行性、成本与效应量范围，再据精度或功效目标确定正式样本量；先导集不进入保留评估集。中文和英文任务分别分层，翻译对应的任务视为配对而非独立样本。公开任务纳入与排除标准，冻结输入、版本、权限及预算。

条件顺序随机化，同一任务成对比较；评审者在可行时不知道任务所属条件。报告原始计数、任务层面的效应差与区间，不把重复运行当作额外独立任务。对多任务族分层汇报，并进行缺失与超时处理的敏感性分析。超时、拒答和人工接管保留且分别计数；若需更改原定方案，应说明变更时间和理由。

复核材料应包含任务清单、数据授权状态、模型与工具版本、提示模板、随机种子（如可设定）、测试与判定规则、失败日志和分析脚本。含个人或受限信息的材料不因复现需要而直接公开；可发布脱敏结构和受控访问说明。上述材料是拟议的研究产物，本站目前不提供已完成实验的数据集或分析代码。

7 解释边界与替代解释

FActScore 的主要评估场景是人物传记与相应知识源，不能直接证明复杂因果论述的真实性；ALCE 的自动蕴含判定也会出错。因此，下面的主张比例是本文建议的操作定义，不是完整复现这些评测。[9][10]

本稿没有原创实验或当前产品比较。额外工具、人工审查或预算差异可能解释表面提升；只挑选成功任务也会引入偏差。研究结果若与预期不符，应保留失败及负结果，并报告模型、语言、任务族和环境边界，不能把历史基准外推为当前系统保证。

8 结论

可核查写作的关键不是引文数量，而是主张、出处与限定条件之间的可审计对应。证据台账是否值得额外成本仍需成对试验验证。

本文是人工智能+总论的专题展开，与总论共享文献和框架，不构成独立的实证研究。阅读总论。

9 声明与可用性

数据与代码：本文未生成原创实验数据；文献来源逐项链接。实验与分析代码尚未实现，不将网页代码作为实验复现包。

作者、贡献、资助与利益冲突：Alsay 是网页发布主体，不据此推定学术作者身份。真实作者名单、贡献分工、资助和利益冲突须由责任人确认；本稿不代填“无利益冲突”，也不虚构单位、学位或伦理批准。

AI 使用与版本：检索、结构组织、文字编辑和中英翻译使用 AI 辅助。两版为同一研究稿的对应语言版本，不是两项独立研究；责任作者的学术审定仍待完成。本文未宣称经同行评审、被期刊录用或已完成预注册。