本章不教一行代码，也不跑一个回归。它只做一件事：在你正式动手做研究之前，先把「什么能做、什么绝不能做」这条底线画清楚。AI 工具越强大，这条底线就越重要——因为现在「造一篇看起来很真的论文」的成本，已经低到令人不安。
学习目标
完成本章后，你应当能够：
- 说出科学研究与传统知识获取（经验、信念、权威）的根本区别
- 画出 Wallace（1971）科学环，并在每个环节标出 AI 的「增强点」与「风险点」。
- 识别教育部 40 号令规定的七种剽窃情形，以及 AI 时代新增的五类不端行为。
- 复述本手册的五条终极建议，并说出每条对应的规范文件。
学完本章你会拿到两样东西：一张贯穿全书的「AI 增强研究环」地图，和一套「用 AI 前先看边界」的肌肉记忆。
0.1 为什么研究生必须先懂研究诚信
很多同学觉得「学术诚信」是老生常谈，是入学教育里走过场的一页 PPT。但请先看下面三个真实案例——它们发生在最近十年，牵涉顶刊、博士学位和高校管理干部。看完你会发现：诚信不是道德口号，而是会在某一天真实地决定你能不能拿到学位、能不能保住工作的硬约束。
案例一 · 顶刊撤稿：「耿同学讲故事」打假《Nature》系论文事件（2026）
事件：2026 年 4—5 月，科普博主「耿同学讲故事」公开质疑一篇发表在《Nature》子刊上的论文存在图像与数据问题，视频迅速发酵，惊动全网。新华社随后展开深度调查报道（2026.5.26），央广网以「为什么惊动全网」为题跟进（2026.5.27），新京报发表评论追问「三个深刻问题」。
后果：涉事论文进入期刊调查与撤稿程序，相关作者的学术声誉受到严重冲击，其所在机构的科研诚信管理被推到舆论风口。
启示：顶刊光环不是「免检金牌」。在开放科学和全网复检的时代，任何一张图、一组数据都可能被无数双眼睛重新审视。数据与图像必须真实、可溯源、可复现——这一条，AI 替你「补」不出来，也不该让 AI 去「补」。
案例二 · 学位撤销：翟天临事件（2019）
事件：2019 年 2 月，演员翟天临在直播中被问及论文时反问「知网是什么」，引发网友对其学术背景的质疑。随后其已发表论文被检出大面积抄袭，北京电影学院于 2019.2.19 发布通报（人民网报道）。
后果：北京电影学院撤销其博士学位，北京大学光华管理学院撤销其博士后出站资格。一顶已经戴上多年的博士帽，被追回。
启示：学术不端没有「过期作废」。学位可以被追溯撤销，哪怕你已经毕业、已经成名、已经多年不再碰学术。抄来的东西，迟早要还。
案例三 · 通报批评：成都大学学院党委书记涉嫌抄袭事件（2026）
事件：2026 年 8—9 月，观察者网报道（2026.9.1）成都大学某学院党委书记涉嫌论文抄袭，新华社同日发布学校通报。无独有偶，西北农林科技大学学风建设专题还披露了「毕业十年被撤销学位」的典型案例（2026.8）。
后果：学校启动调查并公开通报，涉事干部的职务与学术身份均受到处理。
启示：诚信面前没有职务高低。无论你是普通研究生，还是身居管理岗位的干部，一旦查实学术不端，处理标准是一致的。
这三个案例有一个共同点：它们都不是「能力不足」的失败，而是研究流程中某一个环节失守的结果——图像没核实、引用没查证、署名不诚实、数据来源说不清。而研究流程，正是这本手册要带你一环一环走通的东西。
换句话说：诚信不是额外的负担，它就是「把研究流程老老实实做对」这件事本身。下面我们就从「科学到底是什么」讲起。
0.2 科学研究是什么：从「我觉得」到「数据说」
在谈诚信之前，得先搞清楚：我们究竟在诚实地对待什么？答案是——科学。
科学知识从哪里来
「科学」定义为「在使用科学方法的领域中所包含的有组织的系统化知识」。它区别于我们日常获取知识的其他方式：
- 经验直觉：「我做金融十年了，凭感觉这房价还得涨」——可能对，但无法检验，也无法告诉别人你是怎么得出的。
- 权威断言：「某专家说会涨」——你无法独立复核，专家错了也无人追责。
- 信念信仰：无法被观测或证伪，不属于科学范畴。
而科学知识，是「通过科学方法获取的、用于解释现象或行为的一系列规律和理论」。它靠两根支柱站立：逻辑（理论）与证据（观察），二者相互依赖、缺一不可。
科学知识的三个特征
教材给出了科学方法必须满足的几个特征（参见教材单元 1），我们提炼出对研究生最关键的三条：
- 可证伪性：理论必须以「能被推翻」的方式提出。一个怎么说都对、永远无法被证伪的说法，不是科学。（弗洛伊德的精神分析常被作为反例。）
- 可复制性：别人能用同样的方法独立重做，得到相同或相似的结果。这正是本手册反复强调「代码 + 数据可复现」的原因——你交出去的每个回归，别人都要能跑出一样的数字。
- 自我修正性（精简性 + 后实证主义）：科学不追求一次到位的绝对真理，而是在「差的理论→好的理论」之间螺旋上升，用最简洁的解释（奥卡姆剃刀）不断逼近现实。
金融场景对照：「我认为房价会涨」是经验判断；「基于 2020—2026 年 70 城房价指数，样本内上涨 40%，且该预测在留出样本上误差可量化」才是科学知识。前者无法证伪、无法复制；后者有数据、有方法、有可检验的误差。这一字之差，就是「聊天」和「研究」的分界线。
科学研究的类型
教材按目的把研究分为三类（参见教材单元 1），并区分了两个层面：
- 两个层面：理论层面（提炼抽象概念及其关系，即「理论构建」）与经验层面（用数据检验概念关系，即「理论检验」）。对应两种路径：归纳研究（从数据到理论）与演绎研究（从理论到数据）。
- 三种目的：
- 探索性研究：全新领域，先摸清现象的范围与程度（如「数字金融在农村到底渗透到了什么程度」）。
- 描述性研究：系统记录现象「是什么、何时、何地」（如人口普查、就业统计）。
- 解释性研究：回答「为什么、怎么样」，找出因果与机制（如「利率上升如何影响小微企业信贷可得性」）——这是当前大多数学术研究所属的类型。
伏笔预告：这里说的「探索 / 描述 / 解释」，将在**第 4 章「研究问题三类型」**里被具体化为可操作的研究设计。现在你只需记住：先想清楚你要回答的是「是什么」「有多少」还是「为什么」，再决定用什么方法。
⚠️ 诚信红线：教材特别强调（参见教材单元 16），不能用数据分析的结果反过来「编造」假设——数据是用来检验假设的，不是用来事后凑故事的。把跑出来的显著结果包装成「一开始就预料到的假设」，是一种典型的不诚实。
0.3 Wallace 科学环 + AI 增强研究环
前面说的「理论与观察不断交替」，社会学家 Walter Wallace（1971）把它画成了一个环——这就是著名的科学环（The Wheel of Science）。它几乎是所有社会科学研究流程的母图，也是我们这本手册的隐藏骨架。
Wallace 科学环的六个环节
理论 (Theory)
↑ ↘
经验概括 假设 (Hypotheses)
↑ ↓
观察检验 ←—— 观察 (Observations)
(经验观察 / 数据收集)用文字走一遍这个环（顺时针）：
- 理论：从一个已有理论出发（如「信息不对称理论」）。
- 演绎→假设：从理论推导出可检验的具体假设（如「征信覆盖越广，农户信贷违约率越低」）。
- 观察：设计研究、收集数据来检验假设（问卷、数据库、田野调查）。
- 归纳→经验概括：从观察到的数据中归纳出经验规律（如「数据显示二者确为负相关」）。
- 修正理论：用经验概括去验证、修正或扩展现有理论。
- 回到理论：环闭合，进入下一轮螺旋上升。
这正是归纳（观察→理论）与演绎（理论→观察）两条路径在同一个环上的合流。教材说它们是「螺旋上升」而非简单循环——每转一圈，理论都应更接近现实（参见教材单元 1）。
AI 增强研究环：每个环节的「三分法」
现在把 AI 放进这个环。本手册用一个贯穿全书的**「AI 三分法」**给每个环节上色：
- 🟢 ✔ 可用：AI 做工具性、加速性的工作，不改变学术判断的主体性。
- 🟡 ⚠ 须声明：AI 参与了实质性内容生产，必须在「AI 使用声明」中如实披露。
- 🔴 ✘ 禁止：触碰诚信底线，任何情况下都不得为之。
| 科学环环节 | 🟢 ✔ 可用（绿色） | 🟡 ⚠ 须声明（黄色） | 🔴 ✘ 禁止（红色） | 对应章节 |
|---|---|---|---|---|
| 理论 | 用 AI 检索理论脉络、梳理概念谱系 | AI 辅助撰写理论综述初稿 | AI 直接「发明」一个理论当作你的原创 | 第 2 章 / 第 3 章 |
| 假设 | 用 AI 罗列可能的假设方向 | AI 辅助推导假设的逻辑链 | 用 AI 事后「凑」出与显著结果匹配的假设 | 第 4 章 S4.1 |
| 观察（数据） | AI 辅助数据清洗、格式转换、缺失值提示 | AI 生成数据抓取 / 清洗代码（须复核） | AI 虚构数据、编造样本、伪造问卷与访谈 | 第 6—7 章 S6.1 |
| 经验概括（分析） | AI 做统计计算、输出解读、诊断建议 | AI 辅助编写计量代码（须自己跑通并复核） | AI 编造回归结果 / 系数 / p 值 | 第 8—9 章 S8.1 S9.1 |
| 修正理论（写作） | AI 做语言润色、结构评审、去 AI 腔 | AI 辅助综述与初稿（须声明范围） | AI 署名作者、AI 全文代写且隐匿 | 第 11 章 S11.1 |
一句话记住三分法：AI 可以当你的「手」（检索、清洗、计算、润色），但不能当你的「脑」（提出真问题、承担学术判断），更不能当你的「名」（署名、背书）。凡是涉及「数字、事实、观点归属」的地方，AI 只能解释，不能生成——这条边界贯穿全书，详见第 3 章 S3.1、第 9 章 S9.1。
0.4 研究道德四准则 + 国内规范对照
Wallace 环告诉你「研究怎么做对」，研究道德告诉你「研究怎么做才算正当」。教材单元 16 系统讨论了研究道德，我们把它提炼为对研究生最有用的四条准则，并对照你必须知道的国内规范文件。
研究道德四准则（参见教材单元 16）
- 诚实（Honesty）：如实报告数据、方法与结果，不伪造、不篡改、不隐瞒不利发现。负面结果同样要披露——这是科学能进步的前提。
- 客观（Objectivity）：让证据而非个人立场决定结论，避免在数据收集、分析、解释中掺入偏见或利益驱动。教材举的反面典型是默克公司隐瞒「万络」致命副作用，最终致数千人死亡、赔偿 48.5 亿美元。
- 尊重知识产权（Respect for Intellectual Property）：不剽窃、不侵占他人成果，规范引用，合理使用他人数据与未发表成果并标注出处。
- 社会责任（Social Responsibility）：研究要对被试、对社会负责——知情同意、匿名保密、不伤害参与者，成果服务于公共利益。
教材还特别强调（参见教材单元 16）：不道德 ≠ 一定违法。很多行为处在道德与法律的灰色地带，法律未必处罚，但会让你在专业领域被排斥、声誉受损、甚至因渎职失去工作。灰色地带怎么办？记住本手册第 5 条终极建议——先问导师。
四准则 × 国内规范对照表
| 国际准则 | 国内对应文件 | 核心条款 |
|---|---|---|
| 诚实 | 教育部 40 号令《高等学校预防与处理学术不端行为办法》 | 第 27 条列举七种学术不端情形 |
| 客观 | 科技部《负责任研究行为规范指引（2023）》 | 数据采集、分析与报告的规范 |
| 尊重知识产权 | 教科信《高等学校学术不端处理实施细则（2024）》 | 剽窃认定与不当署名处理 |
| 社会责任 | 四川农大校党〔2024〕127 号《研究生学风学术道德实施办法》 | 校级学术道德要求与处分标准 |
| AI 专项 | 教育部《教师生成式人工智能应用指引（第一版）》 | AI 使用边界与披露要求 |
上表中前四份是国内通用的「底线文件」，最后一份是 AI 时代新增的「专项文件」。作为四川农大的研究生，校党 127 号文与你最直接相关——它规定了本校的处分标准，请务必在入学第一学期就读一遍原文。
💡 用法提示：这张表不是让你背下来，而是让你遇到具体问题时知道去查哪份文件。比如「我这样引用算不算剽窃」→ 查教科信 2024 细则；「我用 AI 写了综述要不要说」→ 查教育部 AI 应用指引 + 本手册第 11 章。
0.5 五条终极建议：AI 时代的研究者守则
把前面所有内容压缩成五条，请写在你研究笔记的第一页。这五条贯穿全书，每到一个环节我们都会回来对照。
建议一：AI 永远不能成为论文署名作者
依据 ICMJE（国际医学期刊编辑委员会）作者资格四条标准，署名者必须同时满足：① 对研究有实质性智力贡献；② 参与论文起草或关键修改；③ 同意最终定稿；④ 同意对研究的各方面负责，保证其准确性与完整性。
AI 无法承担第 ④ 条——它不能为结果负责，不能被追责，不能出庭作证。因此任何 AI 工具都不得列为作者。 把 ChatGPT 写进作者栏，是 AI 时代最典型、也最愚蠢的一种不端。
建议二：所有 AI 辅助必须在使用声明中如实披露
用了就要说，说了就要说全。本手册要求你在三个节点各写一版声明（详见第 11 章）：
- 开题版：预告计划使用哪些 AI 工具、用于哪些环节。
- 投稿版：按目标期刊要求，如实列出实际的 AI 使用范围。
- 答辩版：向答辩委员会说明 AI 在全文中的具体贡献边界。
「刻意缩小 AI 使用范围」本身就是一种不端（见 §0.8 五类 AI 新型不端之「AI 隐匿」）。宁可多写，不可漏写。
建议三：数据和分析结果必须可复现——AI 只解释不生成数字
这是全书最硬的一条红线。规则很简单：
- ✅ 你的数据必须来自真实、可溯源的渠道（数据库、问卷、田野）。
- ✅ 你的数字（均值、系数、标准误、p 值）必须由你自己跑代码得出。
- ✅ AI 可以帮你解读这些数字、帮你写代码去算这些数字。
- ❌ AI 绝不能替你「生成」任何一个写进论文的数字。
判据：论文里的每一个数字，你都要能当着导师的面用代码重新跑出来。 跑不出来的数字，一个都不能留。
建议四：引用必须可核实——AI 推荐的每条文献都要用 Zotero 验证
AI（尤其是大语言模型）会「一本正经地编造文献」——作者、期刊、年份、DOI 全都像模像样，但那篇论文根本不存在。这在业内叫「幻觉引用」。
规则：凡 AI 推荐的文献，一律先用 Zotero + 知网 / 谷歌学术 / 期刊官网逐条核实真伪，再决定是否引用（详见第 3 章 S3.2）。未经验证就照抄 AI 给的参考文献，等于亲手埋雷——审稿人只要点开一次链接，你就出局了。
建议五：遇到灰色地带，先问导师，再问学院学术委员会
教材说得很清楚：很多不端处在道德与法律的灰色地带（参见教材单元 16）。当你拿不准「这样做到底行不行」时，处理顺序是：
- 先问导师——绝大多数模糊问题，导师一句话就能定边界。
- 再问学院学术委员会——涉及制度层面的争议，走正式渠道。
永远不要「自己赌一把」。 诚信问题的代价是不对称的：问一句的成本几乎为零，赌错的代价可能是学位和职业生涯。
📌 学期末复盘：这五条建议 + 全书 23 个 S.X.Y 检查点，已被浓缩成附录 D「诚信自查十问」。建议在学期末、答辩前对照复盘一次，把它变成条件反射。
🔧 AI 辅助研究栏
本章概览：AI 在研究全流程四环节的增强用法
| 研究环节 | AI 增强用法 | 对应章节 | 诚信检查点 |
|---|---|---|---|
| 文献 | 检索加速 / 摘要抽取 / 概念矩阵预填 | 第 3 章 | S3.1 S3.2 |
| 数据 | 清洗辅助 / 缺失值建议 / 可视化 | 第 6—8 章 | S6.1 S8.1 |
| 分析 | 输出解读 / 诊断建议 / 代码辅助 | 第 9 章 | S9.1—S9.4 |
| 写作 | 结构评审 / 语言润色 / 去 AI 腔 | 第 11 章 | S11.1 S11.2 |
提示：全手册共设 23 个 S.X.Y 检查点（附录 B 速查），形成「用 AI 前先看边界」的肌肉记忆。每当你准备让 AI 介入某个环节，先回到这张表，看清这里是 🟢 可用、🟡 须声明，还是 🔴 禁止。
🛡️ AI 诚信栏
S0.0 读前震慑
七种剽窃（教育部 40 号令第 27 条）：
- 剽窃、抄袭、侵占他人学术成果
- 篡改他人研究成果
- 伪造科研数据、资料、文献、注释
- 由他人代写、为他人代写论文或成果
- 未参加研究却在成果上署名
- 未经他人许可不当使用他人署名
- 其他严重违反学术道德的行为
五类 AI 新型不端：
- AI 署名：将 AI 工具列为论文作者（违反 ICMJE 四条标准）。
- AI 代写：全文或核心章节由 AI 生成且未声明。
- AI 虚构：使用 AI 编造的文献、数据或访谈内容。
- AI 隐匿：大量使用 AI 辅助，却在声明中刻意缩小范围。
- AI 绕过：用 AI 改写他人文字，以规避查重检测。
注意第 3 类「AI 虚构」和第 5 类「AI 绕过」是 AI 时代才出现的新变种：前者对应大模型的「幻觉文献 / 幻觉数据」，后者对应「AI 洗稿降重」。二者都直接触碰 §0.5 建议三与建议四。
《中华人民共和国学位法》第 37 条：学位论文或者实践成果存在剽窃、抄袭、数据造假等学术不端行为的，学位评定委员会可以决议不授予学位或者撤销学位。
这就是翟天临案、「毕业十年撤销学位」案的法律依据。请记住：学位不是终点，是一个可以被追溯收回的承诺。
✅ 自检题
「我认为房价会涨」和「房价指数 2020—2026 年上涨 40%」，哪个是科学知识？为什么？ （提示：对照 §0.2 科学知识的三特征——可证伪性、可复制性、自我修正性。）
Wallace 科学环中「理论 → 假设」这一步，对应 AI 三分法的哪一格？ （提示：AI 可以辅助推导假设的逻辑链，属 🟡 须声明；但假设所依据的理论来源必须真实，用 AI 事后「凑」出与显著结果匹配的假设则属 🔴 禁止。）
用 AI 翻译一篇外文文献并把译文写入综述，需要披露吗？属于五类 AI 新型不端的哪一类？ （提示：翻译本身是工具性使用，但若译文构成综述实质内容，则须在声明中如实披露使用范围；刻意不披露则滑向「AI 隐匿」。关键看你「用了多少」和「有没有说全」。）
（方向题 · 课堂讨论） 你所在的研究方向（【农】农村金融 /【险】风险管理与保险 /【金】金融理论与政策）近年有哪些广为人知的学术不端案例或争议？请列举一个，并分析它违反了 §0.4 四准则中的哪一条。 （提示：可参考 §0.1 三个案例的分析框架——事件 → 后果 → 违反的准则。）
做完这四题，如果第 4 题你能说出一个本方向的真实案例并准确归因到某条准则，说明你已经具备了「研究者」而非「学生」的诚信敏感度。带着这份敏感度，我们进入第 1 章，先把工具装好。
农村金融业务及监管 2026 秋季 | AI 辅助金融研究学生自学手册