人工智能在學(xué)術(shù)不端行為風(fēng)險控制中的應(yīng)用

劉 鑫,譚彩霞

(金陵科技學(xué)院學(xué)報編輯部, 江蘇 南京 211169)

2017年4月20日，著名學(xué)術(shù)出版機(jī)構(gòu)施普林格·自然出版集團(tuán)以涉嫌同行評議造假為由，宣布撤銷旗下《腫瘤生物學(xué)》期刊2012—2016年發(fā)表的107篇論文。此次事件將學(xué)術(shù)不端問題再次推向輿論的風(fēng)口浪尖。在職稱評定“唯SCI”“唯核心”的大背景下[1]，我國科研誠信情況并不樂觀，學(xué)術(shù)不端行為呈現(xiàn)多樣性和復(fù)雜性特征。然而，單純依靠投稿作者道德約束和行業(yè)內(nèi)的聲明很難對學(xué)術(shù)不端行為風(fēng)險進(jìn)行有效的控制。此外，很多學(xué)術(shù)不端行為都是在文章刊載后才被發(fā)現(xiàn)的，此時不良影響已經(jīng)造成。因此，在學(xué)術(shù)出版規(guī)范和學(xué)術(shù)不端行為界定等相關(guān)標(biāo)準(zhǔn)尚未完善的情況下，利用人工智能、大數(shù)據(jù)等新興信息技術(shù)對論文進(jìn)行檢測，有助于識別部分學(xué)術(shù)不端行為，減少不良學(xué)術(shù)影響。目前，各學(xué)術(shù)期刊出版單位主要利用學(xué)術(shù)不端行為檢測系統(tǒng)來控制學(xué)術(shù)不端行為風(fēng)險。因此，本文在對國內(nèi)主要學(xué)術(shù)不端行為檢測系統(tǒng)進(jìn)行介紹和對比分析的基礎(chǔ)上，探索人工智能在學(xué)術(shù)不端行為檢測中的可行性和應(yīng)用前景，以期為學(xué)術(shù)不端行為的風(fēng)險控制提供新思路。

一、國內(nèi)主要學(xué)術(shù)不端行為檢測系統(tǒng)對比及問題分析

(一)發(fā)展概況

1.自有數(shù)據(jù)庫系統(tǒng)。中國知網(wǎng)是國內(nèi)最早涉獵學(xué)術(shù)不端行為檢測的數(shù)據(jù)庫運(yùn)營商，2008年其學(xué)術(shù)不端文獻(xiàn)檢測系統(tǒng)(AMLC)正式上線。AMLC以《中國學(xué)術(shù)文獻(xiàn)網(wǎng)絡(luò)出版總庫》為全文比對數(shù)據(jù)庫，同時支持與互聯(lián)網(wǎng)資源及自建資源庫進(jìn)行比對，是期刊出版單位使用最多的檢測系統(tǒng)。AMLC支持從詞、句子到段落的數(shù)字指紋定義，并可對圖、表等特殊檢測對象進(jìn)行基于標(biāo)題、上下文、圖表等內(nèi)容的相似性檢測處理[2]。中國知網(wǎng)推出AMLC后，萬方數(shù)據(jù)和維普資訊也相繼推出WFSD(萬方檢測)、WPCS(維普論文檢測)，運(yùn)營方式與AMLC相似。

2.指紋數(shù)據(jù)庫系統(tǒng)。目前，答辯前對畢業(yè)論文進(jìn)行檢測已成為大部分高校學(xué)生畢業(yè)工作的一個重要環(huán)節(jié)。PaperPass就是主要面向廣大畢業(yè)生的檢測系統(tǒng)。PaperPass的比對指紋數(shù)據(jù)庫由超過9 000萬種的學(xué)術(shù)期刊和學(xué)位論文以及一個超過10億數(shù)量的互聯(lián)網(wǎng)網(wǎng)頁數(shù)據(jù)庫組成[3]。但由于沒有自己的數(shù)據(jù)庫資源，該指紋庫提取的僅是文章關(guān)鍵性特征信息，并非全文。考慮到每家檢測系統(tǒng)的數(shù)據(jù)庫有差異，PaperPass支持檢測者建立自建庫對比源，提交檢測的論文會與自建庫、系統(tǒng)的本地庫以及網(wǎng)絡(luò)庫進(jìn)行對比檢測。此外，PaperPass營銷手段新穎獨(dú)特，例如通過掃碼贏得免費(fèi)檢測的活動深受廣大學(xué)生的歡迎。與PaperPass類似的檢測軟件還有百度論文檢測平臺、PaperRight等，這些系統(tǒng)都是借助其他數(shù)據(jù)庫資源進(jìn)行檢測的，雖然“借東風(fēng)”的運(yùn)營方式成本較低，但是容易出現(xiàn)比對資源不穩(wěn)定的問題。

(二)檢測系統(tǒng)的對比分析

本文借鑒張旻浩等的研究方法[4]，從網(wǎng)絡(luò)模式、后臺核心數(shù)據(jù)庫、檢測文件支持類型、功能特點(diǎn)和是否支持個人使用5個維度對AMLC、WFSD、WPCS和PaperPass進(jìn)行對比分析(表1)。通過對比可以看出，基于自有數(shù)據(jù)庫建立的檢測系統(tǒng)在功能和形式上大同小異,支持的文件類型也非常相似，區(qū)別在于后臺核心數(shù)據(jù)庫的差異。而PaperPass因沒有自有數(shù)據(jù)庫，所以容易出現(xiàn)資源不穩(wěn)定的問題，但其頁面質(zhì)感強(qiáng)，操作便捷，因而深受大學(xué)生喜愛。

表1 學(xué)術(shù)不端行為檢測系統(tǒng)的對比

(三)問題分析——以AMLC為例

目前，學(xué)術(shù)期刊出版單位使用最多的檢測系統(tǒng)是AMLC，因而本文以AMLC為例分析學(xué)術(shù)不端行為檢測系統(tǒng)存在的問題。

1.不同格式文本檢測結(jié)果差異較大。根據(jù)筆者所在單位工作流程要求，所有錄用的稿件均需進(jìn)行3次學(xué)術(shù)不端行為檢測：審稿前、網(wǎng)絡(luò)優(yōu)先出版前、正式刊印出版前。一般審稿前檢測為Word版本，優(yōu)先出版和正式刊印出版前檢測為PDF版本。但在實(shí)際操作中發(fā)現(xiàn)，這兩種文本格式的論文檢測結(jié)果相差很大，最大誤差達(dá)到20%。

2.數(shù)據(jù)庫資源有限，對跨庫資源和圖書資源檢測受限。AMLC是以《中國學(xué)術(shù)文獻(xiàn)網(wǎng)絡(luò)出版總庫》為全文比對數(shù)據(jù)庫，包括《中國學(xué)術(shù)期刊網(wǎng)絡(luò)出版總庫》等自有數(shù)據(jù)庫、互聯(lián)網(wǎng)資源(包含貼吧等論壇資源)和個人比對庫等資源，數(shù)據(jù)資源比較豐富。但由于各大數(shù)據(jù)庫運(yùn)營商出于利益考慮，會與一些出版單位簽訂獨(dú)家代理合同，因而數(shù)據(jù)庫以外的文獻(xiàn)和部分網(wǎng)絡(luò)文獻(xiàn)則不能被檢測到。

3.語種限制。AMLC的數(shù)據(jù)庫以中文文獻(xiàn)為主，雖然也包含英文數(shù)據(jù)庫(涵蓋期刊、博碩、會議的英文數(shù)據(jù)以及德國Springer、英國Taylor & Francis期刊數(shù)據(jù)庫等)，但一方面英文數(shù)據(jù)庫不全，另一方面沒有小語種數(shù)據(jù)庫，對于一些將外文文獻(xiàn)直接翻譯成中文后完全或部分抄襲的行為，目前難以進(jìn)行檢測。

4.適用性不強(qiáng)。AMLC對文字復(fù)制的檢測準(zhǔn)確率較高，但對圖片、表格和公式尚無法完全辨別檢測，對以同義詞、近義詞、改變句式結(jié)構(gòu)等手法規(guī)避查重的手段也無法識別。

實(shí)際上，無論是基于自有數(shù)據(jù)庫的AMLC、WFSD、WPCS還是基于指紋數(shù)據(jù)庫的PaperPass，都未解決基準(zhǔn)數(shù)據(jù)庫有限、圖表檢測失效、數(shù)據(jù)造假難辨、語義修改降重識別難等問題。

二、智媒時代學(xué)術(shù)不端行為檢測的新技術(shù)可能

自2014年8月中央《關(guān)于推動傳統(tǒng)媒體和新興媒體融合發(fā)展的指導(dǎo)意見》發(fā)布以來，國內(nèi)媒體融合在繼續(xù)呈現(xiàn)出平臺化、分眾化、流體化特征的同時，智能化、創(chuàng)意化等智媒特征也在融入其中。人工智能、物聯(lián)網(wǎng)、AR/VR等新興技術(shù)賦予了媒體智能基因，使信息傳播更自動、精準(zhǔn)、遠(yuǎn)影響——智媒時代已經(jīng)開啟[5]。2017年，百度、騰訊等互聯(lián)網(wǎng)產(chǎn)業(yè)巨頭在全球范圍內(nèi)掀起了人工智能商業(yè)化浪潮，隨著深度學(xué)習(xí)、圖像(語音)識別、機(jī)器視覺、數(shù)據(jù)挖掘等智能技術(shù)的創(chuàng)新和突破，人工智能與文化內(nèi)容產(chǎn)業(yè)的融合不斷加深，文化產(chǎn)業(yè)進(jìn)入人工智能新紀(jì)元，也為人工智能技術(shù)在學(xué)術(shù)不端行為檢測中的適用提供了可能。

(一)人工智能在文化產(chǎn)業(yè)中的應(yīng)用

隨著科技的迭代更新速度加快，人工智能不斷與金融、醫(yī)療、交通等多個行業(yè)深度融合，成為影響世界產(chǎn)業(yè)格局的核心科技。我國也把發(fā)展人工智能上升到國家戰(zhàn)略層面。國務(wù)院于2017年7月發(fā)布《新一代人工智能發(fā)展規(guī)劃》，對我國人工智能發(fā)展的態(tài)勢、總體要求、重點(diǎn)任務(wù)、資源配置和保障措施進(jìn)行了系統(tǒng)介紹和部署；黨的十九大報告進(jìn)一步指出，要推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能與實(shí)體經(jīng)濟(jì)深度融合。在國家政策引導(dǎo)和扶持下，人工智能在向縱深方向發(fā)展并與文化產(chǎn)業(yè)深度融合。

1.內(nèi)容推薦算法。人工智能內(nèi)容推薦已不是新鮮話題，其在新聞、音樂、視頻等APP中廣泛使用。利用人工智能算法，可以對平臺用戶的多維度數(shù)據(jù)進(jìn)行統(tǒng)計分析，據(jù)此估算用戶的閱讀(收聽、觀看)喜好和傾向，然后進(jìn)行有針對性的推薦，打造內(nèi)容一站式管家。人工智能內(nèi)容推薦算法能夠快速實(shí)現(xiàn)用戶與信息的精確匹配，降低用戶獲取信息的成本，滿足其多元化、個性化的內(nèi)容需求。但在利用人工智能內(nèi)容推薦算法過程中，應(yīng)盡量避免“信息繭房”帶來的負(fù)面效應(yīng)。

2.人工智能寫作。一是智能新聞寫作。2010年，美國思科公司工程師與美聯(lián)社等新聞機(jī)構(gòu)開始利用Wordsmith人工智能平臺撰寫新聞稿件。2013年，人工智能撰寫的新聞稿件數(shù)量達(dá)到3億篇[6]9。2017年由中國地震臺網(wǎng)“地震信息播報機(jī)器人”自動編寫的《四川阿壩州九寨溝縣發(fā)生7.0級地震》稿件，從創(chuàng)作到發(fā)布僅用時25秒。人工智能新聞寫作在節(jié)省大量勞動力的同時，也在重大突發(fā)事件面前充分展現(xiàn)了人工智能的速度優(yōu)勢。二是文學(xué)作品寫作。2017年5月，微軟人工智能“小冰”創(chuàng)作并發(fā)布了詩歌集《陽光失了玻璃窗》，這是人類歷史上第一部百分之百由人工智能創(chuàng)作的詩集，是人工智能在人文領(lǐng)域的一大突破。但是，目前人工智能仍是程序控制下的被動思維,很難具有人的情感和主動創(chuàng)造性。因此，與程式化的新聞寫作相比，具有思想特質(zhì)的文學(xué)作品的人工智能化道路還很漫長。

3.人工智能翻譯。一直以來，自然語言處理是機(jī)器翻譯的最大缺陷。隨著人工智能深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，機(jī)器翻譯開啟人工智能新紀(jì)元。近兩年，神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯(Neural Machine Translation, NMT)技術(shù)異軍突起，翻譯質(zhì)量大幅躍升。在文化全球化的推動下，高度成熟的翻譯技術(shù)或?qū)⑾破鸬诙稳蚧睦顺盵7]。2018年3月，微軟研究團(tuán)隊就研發(fā)出首個在新聞報道的翻譯質(zhì)量和準(zhǔn)確率上媲美人類專業(yè)譯者的翻譯系統(tǒng)。該系統(tǒng)突破此前NMT的局限，實(shí)現(xiàn)了機(jī)器翻譯與人類自然語言翻譯的一致性和協(xié)調(diào)性，是神經(jīng)語言程序?qū)W(NLP)里程碑式的突破[8]。人工智能在機(jī)器翻譯中的應(yīng)用，將使翻譯結(jié)果更加“信、達(dá)、雅”。

(二)人工智能應(yīng)用于學(xué)術(shù)不端行為檢測的可行性

人工智能是在計算機(jī)科學(xué)、控制論、信息論、心理學(xué)、語言學(xué)等多種學(xué)科相互滲透的基礎(chǔ)上發(fā)展起來的一門新興邊緣學(xué)科，應(yīng)用領(lǐng)域涵蓋符號計算、模式識別、專家系統(tǒng)、機(jī)器翻譯等諸多方面。國務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》指出，我國在人工智能領(lǐng)域取得了重要進(jìn)展，國際科技論文發(fā)表量和發(fā)明專利授權(quán)量已居世界第二，自適應(yīng)自主學(xué)習(xí)、直覺感知等初步具備跨越發(fā)展的能力，中文信息處理、智能監(jiān)控、生物特征識別等逐步進(jìn)入實(shí)際應(yīng)用階段[9]。這些都為人工智能技術(shù)在學(xué)術(shù)不端行為檢測中的應(yīng)用提供了理論和技術(shù)可能。

目前，在主流學(xué)術(shù)不端行為檢測系統(tǒng)中，檢測結(jié)果不盡如人意的主要表現(xiàn)有：一是數(shù)據(jù)庫涵蓋范圍有限，跨庫檢索尤其是跨語言檢索困難；二是圖表、公式檢測結(jié)果不理想，容易引發(fā)人為二次加工抄襲；三是根據(jù)查重結(jié)果進(jìn)行語義修改以規(guī)避檢測問題突出。利用人工智能大數(shù)據(jù)智能理論，能夠?qū)?shù)據(jù)驅(qū)動與知識引導(dǎo)相結(jié)合，利用大數(shù)據(jù)深鏈打破對比數(shù)據(jù)庫的局限；以自然語言處理和圖形、圖像識別為核心的精密算法，使圖形、圖像識別更為精確智能；高級機(jī)器的深度強(qiáng)化學(xué)習(xí)和類腦智能計算，能夠使對自然語言的處理從“機(jī)器化”向“類人化”轉(zhuǎn)變，從而解決跨語言識別和語義識別問題。

三、人工智能在學(xué)術(shù)不端行為檢測中的應(yīng)用前景

(一)基于深度學(xué)習(xí)的NLP在語義檢測中的應(yīng)用

自然語言處理(Natural Language Processing，NLP)是指利用計算機(jī)對人類自然語言信息進(jìn)行處理和加工，最終實(shí)現(xiàn)人機(jī)對話的理論和方法[10]。作為人工智能的重要領(lǐng)域，NLP的目標(biāo)是使計算機(jī)(機(jī)器)具有與人類一樣的語言理解能力。NLP是學(xué)術(shù)不端行為檢測的重要技術(shù)手段，但語言的任意性、可變性、無限性和二義性等特征使NLP在單詞邊界界定、語義歧義消除、不規(guī)范輸入識別等方面尚難以突破。

目前，學(xué)界公認(rèn)的學(xué)術(shù)不端行為主要包括：抄襲、篡改和偽造。在現(xiàn)有技術(shù)水平下，檢測系統(tǒng)主要對文字抄襲進(jìn)行對比檢測，各檢測系統(tǒng)的檢測原理基本相同，即首先對檢測文獻(xiàn)按照全文、段落、句子三個層級分層處理，然后根據(jù)層級分別創(chuàng)建指紋并與比對資源進(jìn)行比對。由于檢測系統(tǒng)最小指紋粒度為句子，所以原則上只要檢測文獻(xiàn)與比對文獻(xiàn)存在一個相同的句子，就能被檢測系統(tǒng)發(fā)現(xiàn)(表2)。NLP的句子級分析分為詞法分析、句法分析和語義分析三個層面[11]。例如，在對某一句文本進(jìn)行分析時，首先要進(jìn)行分詞和指派詞性(詞法分析)，然后利用句法規(guī)則識別句法成分并判斷句法功能(句法分析)，最后結(jié)合語義角色(語義分析)得到該句的邏輯語義表達(dá)。由于漢語是表意文字，因此在對漢語文獻(xiàn)進(jìn)行自然語言處理(即中文信息處理)時，面臨分詞、詞性標(biāo)注、深層文法句法和語義分析等問題。

表2 AMLC抄襲界定標(biāo)準(zhǔn)

近年來，基于神經(jīng)網(wǎng)絡(luò)(Neural Networks,NNS)的深度學(xué)習(xí)(Deep Learning)在自然語言處理中的應(yīng)用給以上問題的解決帶來了契機(jī)。與其他機(jī)器學(xué)習(xí)方法類似，人工智能領(lǐng)域的深度學(xué)習(xí)也是利用數(shù)學(xué)模型對特定問題進(jìn)行建模以解決該領(lǐng)域內(nèi)相似問題的過程，即將計算機(jī)需要學(xué)習(xí)的數(shù)據(jù)導(dǎo)入復(fù)雜的、包含多個層級的數(shù)據(jù)處理網(wǎng)絡(luò)(深度神經(jīng)網(wǎng)絡(luò))中，然后檢查經(jīng)過這個網(wǎng)絡(luò)處理得到的數(shù)據(jù)是否符合要求。如符合就保留該目標(biāo)模型，不符合則繼續(xù)調(diào)整網(wǎng)絡(luò)參數(shù)，直至輸出滿足要求[6]77-88。NLP是以比較抽象的符號來表達(dá)概念的,但也存在一些問題，比如兩個詞的含義相近但詞形不匹配，計算機(jī)在進(jìn)行信息處理時就會認(rèn)為它們是兩個詞，這就為人為語義修改以規(guī)避檢測提供了可能。傳統(tǒng)的NLP主要采用人工定義詞、詞性、類別標(biāo)簽等原子特征，而深度學(xué)習(xí)則把這些原子特征進(jìn)行量化，再利用多層神經(jīng)元網(wǎng)絡(luò)提取特征，計算不同層次的語言單元之間的相似度[11]。此外，隨著圖片、音頻、視頻等多媒體形態(tài)數(shù)據(jù)在信息處理中的應(yīng)用日益廣泛，信息處理由單媒體信息處理逐漸向文本、圖像、音視頻等多模態(tài)信息處理轉(zhuǎn)變?；谏疃葘W(xué)習(xí)的多模態(tài)信息處理能夠通過多模態(tài)信息建模進(jìn)行語義的度量、分析和識別，為檢測系統(tǒng)識別圖表與文字轉(zhuǎn)換抄襲行為提供依據(jù)。

(二)大數(shù)據(jù)深鏈、區(qū)塊鏈在數(shù)據(jù)庫擴(kuò)展中的應(yīng)用

數(shù)據(jù)庫是學(xué)術(shù)不端行為檢測系統(tǒng)的核心。無論是精密算法還是NLP，覆蓋面廣的數(shù)據(jù)庫資源都是其應(yīng)用的基礎(chǔ)。而中國知網(wǎng)的AMLC之所以為大多數(shù)期刊出版單位所認(rèn)可，主要原因是其具有強(qiáng)大的比對數(shù)據(jù)庫優(yōu)勢。而這正是PaperPass這類基于指紋數(shù)據(jù)庫系統(tǒng)的劣勢。但在大數(shù)據(jù)時代，無論自有數(shù)據(jù)庫有多大，都無法承載爆發(fā)式增長的數(shù)據(jù)?！盎ヂ?lián)網(wǎng)+”時代，信息交換、存儲和處理中產(chǎn)生了大量的數(shù)據(jù)。1986—2017年，信息存儲能力每3年翻一番，2017年全球每天通過互聯(lián)網(wǎng)通道交換的信息數(shù)量是1986年的217倍[6]89。大數(shù)據(jù)的介入使最初的關(guān)系型數(shù)據(jù)庫在處理超大規(guī)模和高并發(fā)的SNS型Web2.0純動態(tài)網(wǎng)站時力不從心，數(shù)據(jù)庫向能夠?qū)Ａ考墧?shù)據(jù)進(jìn)行管理和分析的非關(guān)系型數(shù)據(jù)庫轉(zhuǎn)變。非關(guān)系型數(shù)據(jù)庫具有高并發(fā)性和可拓展性，數(shù)據(jù)查找速度快，更容易進(jìn)行分布式擴(kuò)展，并且非關(guān)系型數(shù)據(jù)庫在處理文檔數(shù)據(jù)時不需要預(yù)先定義表結(jié)構(gòu)，可以對圖片進(jìn)行結(jié)構(gòu)算法分析，能夠解決現(xiàn)有檢測系統(tǒng)數(shù)據(jù)庫無法進(jìn)行海量信息處理的難題。但實(shí)際上，隨著數(shù)據(jù)量的無限極增長，無論是關(guān)系型數(shù)據(jù)庫還是非關(guān)系型數(shù)據(jù)庫，其中心化的云存儲構(gòu)建服務(wù)是昂貴和低效的[12]116，數(shù)據(jù)中心化成為檢測系統(tǒng)數(shù)據(jù)庫擴(kuò)展的瓶頸。而區(qū)塊鏈作為一種新型的去中心化數(shù)據(jù)庫技術(shù)，能夠解決這一問題。

區(qū)塊鏈技術(shù)(Blockchain Technology，BT)是一種互聯(lián)網(wǎng)數(shù)據(jù)庫技術(shù)，其特點(diǎn)是去中心化、公開透明、信息不可篡改，讓每個人均可參與數(shù)據(jù)庫信息記錄[12]31。近年來，隨著比特幣等數(shù)字貨幣的出現(xiàn)，其核心技術(shù)——區(qū)塊鏈逐漸進(jìn)入公眾視野。雖然區(qū)塊鏈?zhǔn)请S著數(shù)字貨幣的興起而被廣泛關(guān)注的，但實(shí)際上，區(qū)塊鏈并非僅與金融相關(guān)，其在人工智能的諸多領(lǐng)域都有所建樹，當(dāng)下產(chǎn)業(yè)風(fēng)向正從“互聯(lián)網(wǎng)+”走向“區(qū)塊鏈+”，而區(qū)塊鏈技術(shù)將成為下一代數(shù)據(jù)庫架構(gòu)技術(shù)。區(qū)塊鏈數(shù)據(jù)庫是繼關(guān)系型數(shù)據(jù)庫和非關(guān)系型數(shù)據(jù)庫后的第三種數(shù)據(jù)庫類型，其運(yùn)行在基于區(qū)塊鏈的新型云計算平臺上，無需架設(shè)任何服務(wù)器。例如，Sia是基于區(qū)塊鏈數(shù)據(jù)的云存儲平臺，平臺中個人和用戶的數(shù)據(jù)被分散存儲在眾多節(jié)點(diǎn)中，并可被自動化智能合約追蹤[12]117，海量信息存儲和信息安全得到了雙重保證。