AI 參考文獻的局部竄改與題名拼接
風險概述
AI 生成的參考文獻錯誤並不限於「整條虛構」一類。第二類同樣常見、且更難被察覺的錯誤，是在真實元數據上做局部竄改：把論文年份寫錯、把題名與期刊錯配、把預發表與正式出版混淆，或是把多篇真實論文的題名片段拼接成一條不存在的記錄。這一類錯誤在主題相關性檢查或單一資料庫檢索中容易通過初篩，使作者誤以為已經核驗成功。
風險來源
- 館員實例（陳芷洛，臺灣大學圖書館參考服務部落格）：ChatGPT 給出的三條英文書目在 PubMed、Scopus、Web of Science 中分別呈現三種局部錯誤型態：真實論文但年份寫錯、題名與期刊錯配、疑似多篇真實論文題名片段拼接。
- 模型行為特徵：生成模型會按語言統計規律模仿書目格式，容易對局部欄位做小幅竄改；拼接多個真實片段在語義上仍看似連貫。
常見表現
- 真實論文配錯年份、卷期或頁碼。 真有這篇，但版本或出處被寫成另一時間。
- 題名與期刊錯配。 模型所稱期刊中沒有該文，另一份期刊存在題名相似的真實論文。
- 題名片段拼接。 長題名無法完整檢得，但拆開後能在多篇真實論文中找到對應片段。
- 預發表 / 預印本 / 會議摘要被當作正式期刊論文。 出處欄位被改寫為更「正規」的期刊名。
- 作者欄位輕微改寫。 同一研究團隊被換成名稱相近的另一團隊，或多篇真實論文作者混排。
- DOI 錯配。 一篇文章的 DOI 被改寫成相近主題的另一篇。
為什麼容易漏檢
- 主題相關 = 真實存在的過錯推定：找到主題相近的真實論文，使用者容易直接接受。
- 單一資料庫不足以覆蓋全領域，單一檢索入口的「無結果」常被誤判為「不存在」。
- 「格式完整、語氣確定」的書目容易降低警覺。
- 模型可以再次生成「看起來合理」的解釋，無法作為獨立證人。
處理建議
限制與觀察日期
- 風險類型總結來自 SRC-LEARN-008，以心跳與健康主題與少量條目為樣本；不能據此計算 ChatGPT 在全部學科或當前版本的錯誤率。
- 不同模型版本、不同提示詞、不同語言與學科都可能出現不同比例的局部錯誤；本頁只列舉已被來源直接支持的類型。
- 2026 年 6 月之後模型與資料庫行為會有變化；本頁僅整理出「半真半假類」這一風險維度，具體比例需未來觀察。
相關頁面