随着人工智能(Artificial Intelligence, AI)技术的不断迭代发展，AlphaFold、ChatGPT、Deepseek、SocioVerse、Pythia等AI技术产品在不同学科的知识生产活动中得到日益广泛地应用，成为研究者辅助科研的常见工具。例如，AlphaFold能够辅助科学家预测蛋白质结构，其开发者荣获2024年的诺贝尔化学奖^[1]。ChatGPT和Deepseek等大语言模型(LLM)可用于辅助文献资料查找、论文写作等科研工作^[2-3]。SocioVerse等通过大语言模型驱动的智能体来模拟人类社会关系的形成过程，可用于人类行为和社会研究^[4]。Pythia可通过训练神经网络修复古希腊铭文中缺失的字符或单词，实现AI与古文字学的交叉融合^[5]。

科教融合是研究生教育的关键特征，在AI赋能科研的时代浪潮下，AI技术对研究生学术训练和知识生产活动的影响亟待关注。当前我国已有不少研究生使用AI技术辅助科研，相比硕士生，博士生对使用AI工具辅助科研的需求更强^[6]。博士生作为高层次拔尖创新人才的后备军，积极适应AI驱动的新兴科研范式、合理应用AI技术辅助科研工作，将有利于我国研究生教育的数字化转型和“人工智能+”交叉学科人才培养。

在学科文化特征的影响下，不同学科博士生的知识生产和学术训练活动存在明显差异^[7]，AI技术对于不同学科博士生的影响也可能存在复杂性，但已有研究对我国博士生使用AI技术辅助科研工作(下文简称“AI辅助科研”)的学科差异还缺乏深入探讨。因此，本研究基于2024年度的全国博士毕业生问卷调查项目，主要从学科差异的视角揭示我国博士生使用AI辅助科研的现状及其影响，从而加深学界对于AI技术扩散与学科文化关系的认识，并为我国推动AI赋能博士生教育提供更具学科针对性的政策启示。

随着AI技术的快速发展和普及，其对科研活动的影响引起了大量研究关注。如2022年，Nature杂志上的一项调查显示，30%的科学家在研究中使用AI，4%认为AI目前在其研究领域是必要的辅助工具，47%认为AI在未来会对其科研工作非常有用^[8]。生成式人工智能(AIGC)是AI技术的一项重要应用，ChatGPT等AIGC技术已在高校的学术研究中得到较为广泛地使用。美国2023年的一项调查显示，53%的大学生在学术论文撰写中使用ChatGPT^[9]。针对研究生群体，近年来有调查发现：多数研究生(62.7%)已熟悉并使用过ChatGPT。其中，80.7%用于信息搜集、50.4%用于寻找初始研究想法^[10]。我国也有调查显示，将近九成研究生使用过AIGC辅助科研，其中，七成以上用于润色语言、查阅与总结文献、准备手稿材料等，五成左右用于辅助实验设计与数据分析^[11]。此外，“双一流”建设高校、工学、高年级以及外在学习动机强、同伴功利发表氛围感知强的研究生更有可能使用AIGC工具辅助学术论文写作^[6]。

AI技术对研究生科研工作的“双刃剑”效应得到学界关注，一方面，有研究指出ChatGPT在弥补导师资源不足、强化学术指导，加速研究生创新知识习得、打破学科壁垒，引导研究问题挖掘、激发创新思维等方面具有潜在价值^[12]。一项实验研究发现，博士生使用AI技术提高了其多方面的研究能力^[13]。还有实证研究发现，对于母语为非英语的博士生而言，AIGC技术可以为其学术写作带来较大的便利，提高其写作效率^[14]。但另一方面，也有研究指出，研究生使用ChatGPT辅助科研工作，在一定程度上违反了高深知识的学习规律，使其知识体系难以形成，容易导致学生过于依赖AI工具，反而不利于学术能力的发展。其中，学术压力和对AI工具的价值期望可正向预测学生的AI工具依赖倾向(AI dependency)，而AI工具依赖将加剧其思维惰性和错误信息传播，降低其创造力、批判性和独立思考能力^[15]。

不过，AI技术对科研工作的影响并不能一概而论，其效应可能因使用的时间、主体和应用环节的差异而有所不同。有研究发现，使用AIGC能够正向预测研究生的科研创新思维、科研实践能力和科研创新品质，该作用部分取决于其使用频率，当使用频率小于4.9(经常使用)时效果最佳^[11]。使用AIGC在激发科研人员创新行为的同时，还容易导致其工作时间增加，然而对于男性及高科研产出的个体而言，AIGC对其创新行为的积极影响更强，对其工作时间的消极影响更弱，他们成为“技术红利”的重要受益者^[16]。此外，将ChatGPT用于提供初步研究想法、文献总结、撰写摘要可能颇有助益，但在文献引用、陈述研究问题、寻找研究缺口和数据分析方面则不尽如人意^[17]。研究生将AIGC用于辅助撰写课程作业、翻译/润色论文可提升学习效率，但将其用于辅助研究设计则反而不利于学术能力的提升^[6]。

AI技术在化学^[18]、生命科学^[19]、医学^[20]及人文社科^[21-22]等领域的科研范式革新中展现出显著价值。在学界之外，这也引起了政府层面的关注，如美国能源部2019年发布报告强调了AI技术对各个自然科学领域研究的影响^[23]。但由于学科文化的不同，AI技术对不同学科知识生产的影响存在一定差异^[24-25]。有研究指出，计算机及相关学科领域的研究者对ChatGPT的使用早已习以为常，但在人文社科这类较为传统的领域，ChatGPT挑战了研究者的身份、语言和工作的文化与认知要素，因此普及度更低^[26]。还有研究指出，相较于文科研究生，AIGC对理科研究生科研创新力的提升效果更好^[11]。ChatGPT在经济学领域表现优异、在计算机编程领域的表现也可圈可点，但在数学领域表现不佳^[27]。

学科文化理论基于“软—硬”和“纯—应用”维度将学科领域分成硬—纯、硬—应用、软—纯和软—应用这四种基本类型^[28]。根据不同学科领域博士生知识生产活动的特点，可将其学术训练场域划分为书斋、实验室、田野和数字网络等不同类型^[29-30]。AI作为一门研究智能计算机程序的科学，旨在使机器通过学习人的智能来解决复杂问题，以及在给定场景下重现人类大脑的智能行为^[31]。从学科性质来看，AI属于应用—硬学科和数字网络型研究。如果非计算机类专业的研究者使用AI深度辅助科研，则属于方法或工具层面的跨学科研究。有学者指出，AI技术在化学研究中的应用有助于打通不同学科的数据资源，从而促进跨学科研究^[18]。

从已有研究的不足来看，一方面，现有研究多是对研究生群体的整体分析，而博士生和硕士生在培养目标、能力基础和科研需求上存在显著差异，鉴于博士生是高层次拔尖创新人才的重要来源，有必要进一步聚焦AI技术对博士生科研工作的影响。另一方面，虽然已有部分研究注意到AI技术对不同学科知识生产和学术训练活动影响的差异，但我国博士生使用AI辅助科研现状及其影响的学科差异还有待进一步揭示。本研究通过对2024年全国博士毕业生调查数据的分析，尝试回答三个问题：第一，当前我国博士生使用AI辅助科研的基本情况如何？其中存在怎样的学科差异？第二，哪些博士生更有可能使用AI辅助科研工作，博士生使用AI辅助科研行为的影响因素是否存在学科差异？第三，博士生使用AI辅助科研对其学术能力和跨学科能力训练有何影响？该影响是否存在学科异质性？

本研究的数据来源于2024年度的“全国博士毕业生问卷调查”项目，该项目由北京大学中国博士教育研究中心于2024年6~8月组织实施，通过普查形式向全国研究生培养单位所有即将毕业的博士生发放问卷。鉴于专业学位博士的样本量较小且在培养定位上更强调专业实践能力而非科研创新能力，因此本研究仅保留了其中的学术学位博士生调查数据。调查共回收15311份学术学位博士生问卷，在剔除填答时间过短、填答内容明显不合理的问卷后，最终保留14371份有效问卷(93.9%)用于分析。由于2024年《中国教育统计年鉴》尚未公布，本研究将教育部2023年全国博士毕业生统计结果作为总体，对比发现本次调查样本的地区分布与全国总体情况基本一致，除了北京市博士毕业生占比(21.3%)略低于全国总体中的北京市占比(28.1%)，福建省(5.7%)、上海市(10.9%)、天津市(5.5%)样本占比略高于全国总体中的相应占比(2.0%、8.7%、2.6%)之外，其他省、自治区、直辖市的样本占比与全国总体的占比差距均不超过2%，这说明调查样本具有较好的代表性。

从博士生的基本特征来看，在性别上，男性占53.8%，女性占46.2%。在年龄上，平均为31.16岁(标准差=4.34)。在院校类型上，一流大学建设高校占40.3%，一流学科建设高校占37.4%，普通高校占20.8%，中国社科大和科研院所占1.5%。在学科类型上，人文学科占8.4%、社会科学占15.6%，理学占20.6%，工学占35.0%，医学占12.1%，农学占8.3%。在录取方式上，本科直博占7.5%，硕博连读占25.2%，普通招考占67.3%。在学位论文选题上，14.7%为跨学科选题，85.3%为非跨学科选题。从主导师的基本特征来看，在性别上，79.6%博士生导师为男性，20.4%为女性。在年龄上，1.3%博士生导师为35岁以下，7.9% 为35~40岁，17.1%为41~45岁，15.0%为46~50岁，18.5%为51~55岁，22.4%为56~60岁，17.8%为60岁以上。在职称上，4.0%博士生导师为讲师或副教授，96.0%为教授。在导师指导制度上，62.0%的博士生为单一导师指导，23.2%为单学科导师联合指导，14.8%为多学科导师联合指导。

在变量设定上，博士生使用AI辅助科研行为的变量通过“您是否在个人课题研究中使用过AI技术进行辅助”一题进行测量(1=否，2=是)。AI辅助科研的内容包括“提出研究问题”“进行研究设计”“分析数据、写代码和绘图”“进行文本写作”和“其他”五个选项，仅限有过AI辅助科研行为的博士生填答(可多选)。为探究AI辅助科研行为对博士生学术训练质量的影响，本研究通过学术能力增值、跨学科能力增值这两个变量来反映学术训练质量，测量的题干为“请对您读博期间的收获与进步情况进行评价”，其中，学术能力增值包括“专业知识掌握水平”“自主开展研究的能力”“科研创新能力”三个题目(Cronbach’ α=0.89)，跨学科能力增值包括“运用多个学科的理论或方法解决问题的能力”“与不同学科背景的人合作研究的能力”“将自己研究的内容有效传达给其他学科研究者的能力”三个题目(Cronbach’ α=0.88)，以上问题均采用从“没有提高”到“有很大提高”的Likert五级评分法。

本研究发现，平均有11.7%的博士生使用过AI辅助科研工作，相比理工农医博士生，人文社科博士生使用AI辅助科研的比例相对较低(Chi-square=24.6, p < 0.001), 其中，人文学科博士生的使用率最低(8.1%)，理工科博士生的使用率最高(12.3%~12.8%)。为细致呈现不同一级学科博士生使用AI辅助科研现状的差异，本研究对样本量在100及以上的一级学科博士生调查数据展开分析。表 1的分析结果显示：计算机科学与技术、控制科学与工程、信息与通信工程学科博士生的使用率最高，而中国史、哲学、中国语言文学这类传统人文学科领域的博士生使用率最低。

表 1

表 1 不同一级学科博士生AI辅助科研的现状 排名 一级学科 使用率 排名 一级学科 使用率 1 计算机科学与技术 25.2% 27 林学 11.0% 2 控制科学与工程 20.8% 28 地质资源与地质工程 11.0% 3 信息与通信工程 20.3% 29 临床医学 10.9% 4 电气工程 17.4% 30 兽医学 10.8% 5 电子科学与技术 17.2% 31 新闻传播学 10.8% 6 中药学 16.8% 32 动力工程及工程热物理 10.7% 7 管理科学与工程 15.6% 33 畜牧学 10.5% 8 水利工程 15.5% 34 基础医学 10.3% 9 药学 14.9% 35 力学 10.1% 10 机械工程 14.5% 36 理论经济学 10.1% 11 外国语言文学 14.5% 37 农林经济管理 9.8% 12 植物保护 14.5% 38 环境科学与工程 9.7% 13 公共卫生与预防医学 14.1% 39 美术学 8.9% 14 生态学 13.9% 40 作物学 8.5% 15 生物学 13.7% 41 体育学 7.9% 16 土木工程 13.5% 42 材料科学与工程 7.7% 17 教育学 13.3% 43 马克思主义理论 7.7% 18 园艺学 13.3% 44 法学 7.7% 19 物理学 13.1% 45 化学工程与技术 7.3% 20 地质学 12.7% 46 农业资源利用 7.0% 21 应用经济学 12.5% 47 数学 6.8% 22 地理学 12.3% 48 政治学 6.6% 23 农业工程 11.7% 49 中国史 6.2% 24 化学 11.6% 50 中西医结合 5.9% 25 中医学 11.5% 51 哲学 5.5% 26 食品科学与工程 11.1% 52 中国语言文学 3.4% 卡方检验 188.76*** 注：***代表p < 0.001。

表 1 不同一级学科博士生AI辅助科研的现状

表 2的分析结果显示：从AI辅助博士生科研的具体内容来看，将AI用于辅助分析数据、写代码和绘图的博士生占比最高(52.1%)，其次是用于辅助文本写作(42.8%)，再次是用于辅助提出研究问题(35.0%)和进行研究设计(33.7%)。此外，也有5.0%的博士生将AI技术用于辅助科研工作的其他环节，如查询背景资料、解答技术问题、辅助思维框架搭建、归纳总结论文要点等。就学科差异而言，在提出研究问题方面，人文学科与农学博士生使用AI进行辅助的占比较高；在研究设计方面，人文社科博士生的使用比例较高。相较之下，在分析数据、写代码和绘图及文本写作等后端科研工作方面，理工农医博士生使用AI进行辅助的比例普遍较高。

表 2

表 2 AI辅助博士生科研的内容及其学科差异 变量 总体 人文学科 社会科学 理学 工学 农学 医学 卡方检验 提出研究问题 35.0% 45.7% 36.0% 30.1% 34.5% 44.1% 33.7% 14.28* 进行研究设计 33.7% 46.7% 37.2% 30.6% 32.2% 33.1% 33.7% 11.62* 分析数据、写代码和绘图 52.1% 37.1% 51.0% 52.6% 52.2% 62.2% 53.4% 14.91* 进行文本写作 42.8% 24.8% 31.2% 46.3% 47.3% 38.6% 47.1% 37.98*** 其他 5.0% 9.5% 5.9% 6.0% 4.1% 2.4% 3.8% 9.41 注：***代表p < 0.001，*代表p < 0.05。

表 2 AI辅助博士生科研的内容及其学科差异

为揭示哪些博士生更有可能使用AI技术辅助科研，本研究以博士生“是否使用AI技术辅助课题研究”(二分变量)为因变量，以博士生及其导师的基本特征为自变量，构建二元Logit回归模型。为考察其影响因素的学科异质性，本研究将学科类型划分为人文社科与理工农医两大类，构建了分样本回归模型，分析结果如表 3所示。

表 3

表 3 AI辅助博士生科研影响因素的二元Logit回归分析结果 变量 AI辅助科研(参照“否”) 人文社科Exp(B) 理工农医Exp(B) 性别(参照“男性”) 0.94 0.60*** 年龄 1.00 0.97** 院校类型(参照“普通高校”) 一流大学建设高校 1.31 1.06 一流学科建设高校 1.26 0.96 中国社科大和科研院所 0.83 1.18 入学方式(参照“普通招考”) 本科直博 1.42 1.32** 硕博连读 1.10 1.09 导师性别(参照“男”) 1.13 1.02 导师年龄 0.93 0.96 导师职称(参照“讲师”“副教授”) 0.98 0.96 导师指导制度(参照“单一导师指导”) 单学科导师联合指导 1.24 1.13 多学科导师联合指导 1.89*** 1.21* 学位论文选题跨学科(参照“否”) 1.74*** 1.68*** 常量 0.06** 0.39* Cox&Snell R2 0.01 0.02 Nagelkerke R2 0.03 0.03 N 3461 10910 注：***代表p < 0.001，**代表p < 0.01，*代表p < 0.05。

表 3 AI辅助博士生科研影响因素的二元Logit回归分析结果

从具有学科共性的结果来看：获得多学科导师联合指导、学位论文为跨学科选题的博士生更可能使用AI辅助科研。从具有学科异质性的结果来看：第一，在理工农医领域男性博士生比女性博士生更可能使用AI辅助科研，但在人文社科领域，女性博士生和男性博士生使用AI辅助科研的概率无显著差异。第二，在理工农医领域，年龄越大的博士生使用AI辅助科研的概率越低，但该效应在人文社科领域并不显著。

为检验博士生使用AI技术辅助科研的具体内容对其学术能力和跨学科能力训练的预测作用，本研究分别以学术能力增值和跨学科能力增值为因变量，以AI技术辅助科研的五类内容作为自变量(以未使用AI辅助科研者为参照)构建了OLS回归模型。本研究基于AI辅助科研内容和学科类型构建了交互项，以检验其作用是否存在学科异质性。表 4的分析结果显示：一方面，AI辅助研究设计对博士生的跨学科能力增值有显著的正向预测作用(β=0.02, p < 0.05)，AI辅助其他科研内容对学术能力增值有显著的正向预测作用(β=0.02, p < 0.05)。另一方面，AI辅助文本写作对博士生的学术能力增值(β=-0.02, p < 0.05)和跨学科能力增值(β=-0.03, p < 0.001)均有显著的负向预测作用。在学科异质性方面，“提出研究问题×理工农医”交互项的系数显著为负(β=-0.02, p < 0.05)，这说明相比于理工农医领域的博士生群体，AI辅助提出研究问题对人文社科博士生的跨学科能力增值有相对更强的正向预测作用。

表 4

表 4 AI辅助科研对博士生学术训练质量的OLS回归分析结果 变量 学术能力增值 跨学科能力增值 β β AI辅助科研的内容 (参照未使用AI辅助科研者) 提出研究问题 -0.01 0.01 进行研究设计 0.02 0.02* 分析数据、写代码和绘图 0.00 0.01 进行文本写作 -0.02* -0.03** 其他 0.02* 0.01 理工农医(参照“人文社科”) -0.02* 0.01 提出研究问题×理工农医 -0.01 -0.02* 进行研究设计×理工农医 0.01 0.01 分析数据、写代码和绘图×理工农医 0.01 0.01 进行文本写作×理工农医 0.01 0.00 其他×理工农医 0.01 0.00 控制变量 Yes Yes R2 0.02 0.02 Adjusted R2 0.02 0.02 D-W 1.66 1.73 N 14731 14731 注：**代表p < 0.01，*代表p < 0.05。

表 4 AI辅助科研对博士生学术训练质量的OLS回归分析结果

1. 理工农医尤其是计算机相关专业博士生的AI辅助科研行为较多，而人文社科尤其是人文学科博士生的使用率较低。本研究发现，11.7%的博士生表示使用过AI辅助课题研究，相比理工农医博士生，人文社科博士生的使用率较低。其中，人文学科博士生的使用率最低，理工科博士生的使用率最高。从不同一级学科的排名来看，计算机科学与技术、控制科学与工程、信息与通信工程这类与AI专业相近学科的博士生AI使用率最高，大语言模型等AI技术对计算机及相关学科的研究者而言已经习以为常^[26]。AI技术对部分自然科学领域的科研工作者而言不仅是语言工具，更是深嵌其中的研究方法，如AlphaFold作为预测蛋白质结构的AI“利器”，在生物化学、农学、医学等领域已得到广泛应用^[32-33]。另外，本研究发现文史哲等传统人文学科博士生AI使用率最低，说明AI技术在人文学科知识生产中的渗入还非常有限，人文学科共同体对AI技术存在一定的排斥倾向^[34-35]。这可能是因为AI技术目前还不足以助力人文性强的科研活动，较难模仿人文研究中的思想深度与批判性语言，在人文学科领域产生原创科学贡献的能力仍然有限^[36]。

2. 人文社科博士生更多将AI用于辅助前端科研工作，理工农医博士生更多用于后端科研工作。本研究发现，相比理工农医博士生，人文社科尤其是人文学科博士生更多将AI用于前端工作(如提出研究问题、进行研究设计)；而相比人文学科博士生，社会科学与理工农医博士生更多将AI用于后端工作(如分析数据、文本写作)。对此，可能的解释是：人文学科研究范式的数据导向偏弱，其学术表达以中文为主且非共识概念和修辞较多、个性化较强^[37]，因此，AI工具对于人文学科数据分析、学术写作环节的介入程度偏低，而更多被用于前期资料搜集、研究选题和设计的学术探索环节。反观理工农医领域，博士生的研究选题依托于导师的课题项目且方向相对明确，加之硬学科对数据依赖性强，学术表达以英文为主、写作框架相对固定、个性化空间较少，AI技术能够提供更有效的数据分析和文本写作支持。值得注意的是，社会科学作为介于人文学科与自然科学之间的“第三种文化”，其研究既具有非共识性和个性化特征，也比较依赖数据和实证研究范式^[38]。总的来说，AI技术在理工农医领域是一种常用的数据搜集与分析工具。例如，诸多科学家使用AI技术辅助编写计算机代码、预测新的蛋白质结构、提升天气预报准确度和生成医疗诊断结果等^[8]。

3. 个体因素、导师因素以及跨学科研究需求可显著预测不同学科博士生的AI辅助科研行为。本研究发现，获得多学科导师联合指导、学位论文为跨学科选题的博士生更有可能使用AI辅助科研。此外，AI辅助科研行为的影响因素存在一定的学科异质性。在理工农医领域，女性、年龄越大的博士生使用AI辅助科研的概率显著更低，但该效应在人文社科领域并不显著。对此，可能的解释是：理工农医领域存在较强的男性主导文化，对女性博士生的科研支持较弱^[39]。年龄越小的博士生受到传统科研惯习的浸染越少，对AI这类新兴技术持更加开放的态度，年龄效应在知识快速更新的理工农医领域中更为明显。多学科的导师联合指导可引导博士生借助AI技术开展跨学科研究^[40]。同时，开展跨学科研究的博士生更有必要去借助AI技术来完成数据、方法等层面的跨学科研究^[18]。

4. AI辅助前端科研工作对博士生尤其是人文社科博士生的学术训练有益，但直接用于文本写作则适得其反。本研究发现，AI辅助研究设计对博士生的跨学科能力增值有显著的正向预测作用，而且相比理工农医博士生，AI辅助提出研究问题对人文社科博士生的跨学科能力增值有更强的正向预测作用。这可能是因为AI拥有强大的跨学科知识搜集与整理能力，有助于博士生开阔学术视野、探寻有新意的跨学科问题，并将不同学科的理论和方法应用于研究框架和设计中，进而促进其跨学科能力的提升，而人文社科博士生所开展的研究跨学科性较强，因此更容易从中获益^[41]。不过，也有研究发现ChatGPT辅助研究设计可能会阻碍博士生学术写作能力的提升^[6]。对此，可能的解释是：第一，本研究的调查时间点更为新近，AI技术的更新迭代使其辅助科研的性能得到进一步强化。第二，本研究的调查对象是博士毕业生而非在读硕士生和博士生，其科研基础以及对AI技术的合理应用能力可能更强。第三，本研究的因变量为跨学科能力而非学术写作能力，在检验AI技术的跨学科知识搜集与方法赋能作用上更具针对性。此外，本研究还发现，若将AI直接用于文本写作则对博士生的学术能力增值和跨学科能力增值均有显著的负向预测作用。可能的解释是：该行为体现出一种“工具依赖”的倾向^[15]，导致博士生产生对自主思考、研究和写作的懈怠。

基于上述研究发现，本文建议通过以下三方面举措促进AI技术在不同学科领域博士生科研工作中的应用，推动AI技术对我国博士生教育的赋能与应用。

第一，积极构建“人文社科+AI”的跨学科学术训练模式。人文社科领域的知识多以大规模文本数据形式呈现，这一特性为自然语言处理技术的应用提供了广阔空间^[42]。鉴于人文社科博士生在AI辅助科研的心理和技能准备尚有不足，应在其培养中加强AI类课程和科研资源供给，支持其开展AI相关的跨学科研究，加强多学科导师联合指导，以此来培养更能开放接纳和有效应用新技术的新一代文科学者^[43]，助力AI时代的文科转型发展和“新文科”建设。

第二，加强对理工农医博士生使用AI辅助科研行为的规范化引导。相比人文社科博士生，理工农医博士生更多使用AI技术辅助科研，但也可能因此出现“工具依赖”“数据伪造”等问题，而不当的AI使用行为(如AI辅助下的学术不端)将损害学生的创造力^[44]。从AI辅助科研内容的学科差异来看，理工农医博士生比人文社科博士生更多将AI直接用于文本写作，而这将不利于其学术训练，因此亟须加强相应的AI技术使用规范教育，建立监管机制。

第三，结合学科文化特征推动AI工具对博士生科研的赋能。知识生产是一项专业性极强的学术活动，培养单位在引入AI技术产品和学术服务时，应当针对不同学科领域博士生的学科文化特征与知识生产需要改进AI技术(如构建针对特定学科专业和研究方向的AI智能体)、提供具有学科针对性的AI技术指导课程，使AI工具从“通用”走向“专用”，更有效地发挥其对不同学科博士生科研工作的辅助作用。