很多同学把“首先、其次、最后”当作AI检测的开关，删完就以为安全了。真正明显的往往不是连接词，而是整段内容缺少研究现场。
痕迹一：正确但没有对象
“该技术具有重要价值”“应当完善相关机制”，放到任何论文都成立。删除题目后仍看不出研究对象，说明信息量太低。
痕迹二：每段长度和结构都一样
连续多段都先定义、再列三点、最后总结，阅读体验像批量生成。人类学术写作也讲结构，但结构应当由材料决定。
痕迹三：结论永远没有例外
真实研究常出现不显著结果、样本限制和反常现象。若每项结果都完美支持假设，讨论又只有积极评价，需要回到数据核验。
痕迹四：引用看起来合理却查不到
模型可能生成格式完整但并不存在的文献。参考文献必须逐条核对作者、题名、年份和原文观点，不能只看排版像不像真的。
痕迹五：作者回答不了为什么
问到变量选择、参数设置或理论边界时，只能复述论文原句，说明内容没有被真正理解。即使检测比例不高，答辩也可能暴露问题。
怎样预检才有价值
可以用 DETECT AIGC检测工具 查看知网、维普、万方三个方向。把报告当成问题地图：共同偏高的段落先检查，只有单个平台零散标记的内容，再判断是否属于规范表达。
不要为降低比例故意写错别字、加入语气词或替换专业术语。先补研究对象、样本、方法理由和数据，再用自己的语言重新组织。
使用AI后应保存什么
保留检索记录、原始提纲、不同版本、数据处理文件，以及你对模型输出进行核验和修改的证据。若学校要求声明，就按指定格式写清工具、用途和使用环节。
真正危险的不是正文出现某个常用词，而是整篇论文没有可追溯过程。内容真实、引用可查、判断能解释，才是比“去AI味”更有效的准备。
