心理學預印本平台開始管 AI 了：PsyArXiv 為何要求揭露 LLM 使用，甚至可能拒絕未申報稿件？

AI 已經不只是心理學的研究對象，它開始改變心理學研究本身

過去幾年，心理學與人工智慧的交集通常聚焦在另一個方向：人類會不會對聊天機器人產生依附？大型語言模型能不能模擬人格？AI 是否會影響孤獨、情緒支持、決策與認知？

但到了 2025 至 2026 年，另一個問題逐漸浮上檯面：當研究者自己開始大量使用生成式 AI，心理學的學術出版制度要怎麼處理？

PsyArXiv 是心理學領域重要的開放預印本平台之一。研究者可以在正式期刊同行評審完成之前，先將研究成果公開，讓其他研究者閱讀、引用與討論。

這種制度最大的優勢就是速度。

但生成式 AI 出現後，速度本身也開始變成新的治理問題。

大型語言模型可以在數分鐘內產生摘要、文獻整理、研究背景、程式碼、統計分析說明，甚至生成一篇表面結構完整的學術文章。當產生文字的成本急劇下降，預印本平台面對的問題就從「如何讓研究更快公開」，逐漸變成「如何避免低品質內容以更快的速度大量進入科學紀錄」。

PsyArXiv 最近幾次政策改變，正好反映了這個轉變。

2025 年，PsyArXiv 先從事後審核改成事前審核

PsyArXiv 過去採用的是 post-moderation，也就是稿件提交後可以先公開，之後再由 moderation team 檢查。

但到了 2025 年，平台表示收到大量低品質以及不符合 PsyArXiv 範圍的投稿，而且這類投稿在短時間內顯著增加。

因此從 2025 年 8 月 19 日開始，PsyArXiv 改採 pre-moderation workflow。

新的流程變成：

投稿 ↓ 進入 moderation queue ↓ 人工檢查 ↓ 符合規範 ↓ 正式公開

也就是說，一篇稿件在被 moderator 檢查之前，不再直接出現在公開的 PsyArXiv 上。

PsyArXiv 並沒有直接把這波低品質稿件全部歸因於生成式 AI，因此不能簡化成「ChatGPT 把 PsyArXiv 灌爆了」。

但這個時間點非常值得注意，因為生成文字與製造表面完整研究稿件的門檻正在快速下降，而預印本系統原本建立在一個隱含假設上：產生一篇完整學術稿件本身需要相當大的研究成本。

生成式 AI正在動搖這個假設。

一百多名 moderator 才把 backlog 清掉

這次改制並不是單純修改網站設定而已。

PsyArXiv 在 2025 年 9 月表示，依靠 100 多名 moderators，平台花了大約三週處理累積的投稿，之後才恢復較正常的運作。

目前 PsyArXiv 表示，新投稿或更新版本通常預期在約 24 至 72 小時內完成 moderation。

這裡真正值得看的其實不是「三天審一篇稿」。

而是生成式 AI帶出的一個更廣泛問題：

內容生成能力可以近乎無限制擴張，但人工驗證能力不能。

LLM 可以同時產生一萬篇文字，但學術 moderator 仍然必須逐篇確認作者、內容、研究範圍、倫理、方法與原創性。

這形成一種非常典型的 AI 時代不對稱：

Generation cost ↓↓↓

Verification cost → 幾乎沒有同比下降

這個現象不只會發生在預印本平台。

新聞媒體、搜尋引擎、程式碼 repository、學術期刊、教育作業與社群平台，都正在碰到類似問題。

2026 年，PsyArXiv 又把檢查收得更緊

到了 2026 年 3 月，PsyArXiv 再次更新 moderation policy。

這次平台表示，由於 submission volume 持續快速增加，moderators 會額外檢查作者是否符合 PsyArXiv 的 Terms of Service。

對某些需要較多專業判斷的內容，例如 review、case study、opinion piece，以及 consciousness、linguistics、philosophy、psychiatry、computational theory 等跨領域題目，moderators 還可能參考作者過去的 publication record，以判斷作者是否具備足夠的學術背景。

這代表 PsyArXiv 正逐漸從單純的「檔案託管平台」，向具有更強 gatekeeping 功能的學術基礎設施移動。

這並不是 peer review。

PsyArXiv 仍然明確指出，平台上的 submission 並沒有因此變成同行評審論文。

moderation 要回答的是：

「這是不是一份符合 PsyArXiv 定義的學術心理學工作？」

而不是：

「這篇研究的科學結論是否正確？」

兩者差別非常重要。

那 ChatGPT 到底能不能用？可以

PsyArXiv 的 AI/LLM policy 並沒有採取全面禁止。

官方政策明確允許利用 LLM 或其他 AI 工具協助 manuscript preparation，例如：

• proofreading
• sentence restructuring
• grammar checking

也就是研究者用 AI 修正文法、改善句子或整理表達，本身並不是問題。

真正的界線在於 substantive use。

如果 AI 的使用已經對稿件內容形成實質影響，PsyArXiv 要求作者必須在 manuscript 中清楚揭露。

更重要的是，PsyArXiv 明確規定：

如果 contribution 看起來包含大量、但沒有揭露的 AI 或 LLM 使用，這會被視為違反 PsyArXiv policy，稿件可能被 rejected 或 withdrawn。

因此問題不是：

「你有沒有使用 AI？」

而逐漸變成：

「AI 在這篇研究中做了什麼，而人類作者願不願意為它負責？」

AI 不能成為責任的黑洞

這其實是整套政策最重要的核心。

即使文章是利用 AI 撰寫、重整或輔助產生，PsyArXiv 仍然把責任放在人類作者身上。

模型不會替作者承擔：

錯誤引用、虛構資料、錯誤統計、倫理問題、抄襲、錯誤研究方法或不存在的文獻。

換句話說：

Human author ↓ 使用 LLM ↓ 產生內容 ↓ Human author verification ↓ Human author responsibility

不能變成：

Human author ↓ LLM 說的 ↓ 所以我不知道

這可能也是未來學術出版對 AI 最重要的基本原則之一：工具可以自動化工作，但不能自動轉移責任。

更麻煩的是：我們可能根本不知道哪些文字是 AI 寫的

AI disclosure 的難題，在於它非常依賴作者誠實申報。

文字不像實驗儀器。

研究者如果使用一台特定型號的顯微鏡、MRI 或 mass spectrometer，方法章節通常可以明確紀錄設備與參數。

但大型語言模型可以介入研究流程的很多不同位置：

構思研究問題 ↓ 搜尋關鍵詞 ↓ 整理文獻 ↓ 寫程式 ↓ 清理資料 ↓ 統計分析 ↓ 解釋結果 ↓ 撰寫段落 ↓ 修改英文

如果只寫一句「本研究使用 AI 協助」，資訊量其實非常有限。

未來真正成熟的 AI disclosure，很可能必須逐漸回答更細的問題：

使用哪個模型？

哪個版本？

用在哪一個研究階段？

AI 產生的結果是否經人工驗證？

模型是否接觸研究資料？

Prompt 或 workflow 是否保存？

研究結果是否依賴模型的不可重現輸出？

這些問題已經不只是寫作倫理，而開始碰到 reproducibility。

如果模型版本消失了，研究還能重現嗎？

這是未來非常棘手的一點。

傳統研究會記錄軟體版本，例如 Python、R、SPSS 或特定 library version。

但雲端大型語言模型可能持續更新。

研究者今天使用某個模型取得一組分類結果，幾個月後同一個模型名稱背後的 weights、system instructions、safety layer 或 inference infrastructure 都可能不同。

因此：

Prompt 相同 ＋ Model 名稱相同

不一定等於：

Output 可重現

AI-assisted research 因此可能迫使心理學重新思考「方法」到底需要記錄到什麼程度。

有趣的是，PsyArXiv 的 AI 規則本身也不是孤立事件

PsyArXiv 在自己的政策中明確指出，其 AI/LLM policy 參考了 PNAS policies 與 PCI Psychology 關於 AI 使用的規範。

這意味著現在發生的並不是某個小型預印本平台突然對 ChatGPT 緊張。

真正出現的是一種逐漸成形的學術治理共識：

AI 可以成為研究工具。

但 AI 不能成為未揭露的共同作者、來源不明的內容生成器，或責任逃逸機制。

而這也是生成式 AI 成熟的一個重要訊號。

早期的問題是：

「AI 可以寫論文嗎？」

接下來真正困難的問題則是：

「當所有人都可以使用 AI 寫論文時，我們要如何知道一篇研究到底是怎麼被製造出來的？」

從 Open Science 到 Verification Science

預印本運動原本試圖解決的是資訊流通速度。

研究不用等半年、一年甚至更久的 journal review，便可以先進入公開科學討論。

但生成式 AI 讓新的瓶頸轉移了。

以前：

Produce research 很慢 ↓ Publish 很慢 ↓ 所以想加速 Publish

現在則可能變成：

Produce plausible-looking content 極快 ↓ Publish 也極快 ↓ Verify 成為瓶頸

因此下一階段的 Open Science，可能不只是追求「更快公開」，還必須建立更完整的 provenance、AI disclosure、reproducibility 與 human accountability。

這也是 PsyArXiv 這次政策變化真正值得注意的地方。

它看起來只是投稿規則多了幾行。

但背後真正發生的是：科學出版制度正在第一次認真面對一個可以大量生產學術語言、卻不需要理解學術責任的非人類文字生成系統。

而心理學剛好站在一個非常特殊的位置。

它一方面正在研究人類如何與 AI 建立關係、依附與信任；另一方面，它自己的研究制度也必須開始學習：究竟應該在什麼程度上信任 AI。

---

Tech English 專有名詞

Pre-moderation｜預先審核：投稿內容在正式公開以前，先由平台 moderator 檢查是否符合基本政策與收錄範圍。

Large Language Model, LLM｜大型語言模型：以大規模文本資料訓練、主要透過預測 token 產生文字的 AI 模型，例如 GPT、Claude 或 Gemini 類系統。

AI Disclosure｜AI 使用揭露：作者主動說明研究或文章中哪些環節使用了 AI、使用方式以及 AI 對成果造成的影響。

Reproducibility｜可重現性：其他研究者依照相同方法、資料與條件，能否重新取得相同或相近研究結果，是科學方法的重要原則。

Provenance｜來源追溯：記錄資料、內容或研究成果從哪裡產生、經過哪些工具與處理流程，讓結果的來源可以被追蹤。

Human Accountability｜人類責任歸屬：即使工作流程使用 AI，自動化工具的輸出仍必須由人類研究者檢查並承擔最終責任。