第 42 课：全文一致性检查与总修改
🎯 核心实操目标
本课目标：完成投稿前的最后一道关——全文一致性总检查。一篇几万字的论文，最常见的硬伤不是观点不对，而是"前后对不上"：摘要里的样本量和方法部分不一致、引言提的假设没有逐条验证、图表里的数字与正文打架。本课你将用长上下文模型对全文做一次系统化走查，按 8 类一致性清单逐项核对，并产出一张一致性审查表 + 修改日志。
本课位于论文写作流程的收尾末端：标题摘要（第 32 课）、各章正文（第 33–36 课）、图表与文献格式（第 38、40 课）都已成稿，结论与局限（第 37 课）也已收口——此刻全文已经写完，但写作周期一长，首尾很难自己缝合。本课要建立的核心认知是：一致性不是"锦上添花"，而是审稿人据以判断你是否认真对待这篇稿子的第一信号；一处数字对不上，就足以让盲审专家怀疑全篇的严谨性。
📋 课前准备（5 分钟自检）
工具/账号
- [ ] Claude 4.8 Opus（学术语言润色最稳）或 GPT-5
- [ ] Kimi K2（长文本核查 + 全文一致性检查）
- [ ] Zotero（参考文献管理）
- [ ] Word / Markdown 编辑器
数据/素材
- [ ] 你的论文全文终稿（含摘要、各章正文、图表、参考文献——本课要"通查"，缺章节就查不全）
- [ ] 你研究方向真实下载的 PDF 文献（核对正文引用与文末文献是否一一对应）
- [ ] 目标投稿期刊的格式规范文档（图表编号、文献格式以期刊要求为准）
应急通道
- AI 越权改写正文 → 提醒它"只报告不一致、不替我改数字"，把改值的权交回自己
- AI 想凭空补一条不存在的文献 → 强制它只在已上传的文献范围内核对，越界标"待人工确认"
- 查重 / AIGC 检测不达标 → 见 第 41 课加强（lesson11） 的正当应对（理解后重写 + 据实披露，不规避检测）
场景导入：硬伤往往藏在前后矛盾的细节里
导师翻到论文第 2 页，指着摘要："这里写被访者 436 人。"又翻到第 15 页方法部分："这里写共发放问卷、剔除 40 份废卷后剩 430 份。那多出来的 6 个人，从哪来的？"
这是长文最常见的硬伤——前后数字对不上。它通常不是因为作者粗心，而是因为写作周期长：摘要可能是三个月前写的，方法部分后来又调整过样本，首尾就这样悄悄裂开了缝。问题在于，作者自己读全文时大脑会"脑补"成一致，而盲审专家是带着挑错的眼光逐处核对的，一眼就看得出来。
一处对不上的数字，杀伤力远超它本身：审稿人会由此推断"连样本量都没核对，数据分析恐怕也不严谨"，进而对全篇结论打折。本课就教你在投稿前，用系统化的方法把这类矛盾全部揪出来。
原理：为什么"前后不一致"是长文最高发的硬伤，审稿人在看什么
动手走查之前，先想清楚两个问题：这类矛盾为什么会高发？审稿人逐处核对时，在看什么？理解了这两点，8 类清单才不是机械的待办，而是有的放矢的检查。
不一致的根源是"分段写作 + 局部修改"，而非粗心。 一篇论文由摘要、引言、方法、结果、讨论、结论多个部分在不同时间写成，中途还会反复修订。每次只改局部——比如调整了样本剔除标准、增删了一个假设、重画了一张图——都可能让某个数字、某个术语、某个编号在别处仍是旧值。这就是"漂移（drift）"：一个量在全文多处出现，改动时只更新了出现的一两处，其余悄悄落在旧值上。文章越长、修订轮次越多，漂移点越多。
作者是全文最难发现自己不一致的人。 你熟悉自己的研究，读到"436"时大脑会自动补成"就是那 430 人"，根本不会停下核对。这种"知道得太多反而读不出错"的现象，使得自查一致性几乎必然有盲区——这正是需要一个"不带预设、逐处比对"的外部巡检员（无论是同门还是长上下文模型）的原因。
审稿人把一致性当作"严谨度的廉价信号"。 内容是否创新、方法是否得当，审稿人要花力气判断；但数字对不对、假设验没验全、图表引没引用，几乎不费力就能查，且一旦发现矛盾，几乎可以确定是作者的疏漏而非自己理解有误。因此一致性问题是审稿人最爱抓、也最"性价比高"的扣分点——抓到一处，就有理由怀疑全篇的把关质量。
常见硬伤集中在少数几类。 长文不一致看似无穷无尽，实则高度集中：样本量（N）、假设编号（H1…Hn）、统计量与百分比的勾稽、图表编号与正文引用、参考文献与正文的对应、术语/变量称谓、摘要与结论的呼应、显著性结论与 p 值的方向——这 8 类几乎覆盖了盲审能抓到的绝大多数矛盾（详见下文清单）。把它们逐类查一遍，比"再通读一遍找错"高效得多。
📘 关键术语（首次出现，先对齐定义）
- 一致性检查（consistency check）：在投稿前对全文做的系统核对，确认同一信息（数字、术语、编号、结论方向）在所有出现处保持一致。它检查的是"全文内部是否自洽"，不评判内容对错，与查重、润色是相互独立的环节。
- 术语统一（terminology consistency）：同一概念、变量或研究对象在全文始终用同一个词指称（如统一称"参与者"，不在后文改叫"被试""用户""员工"）。变量名同理（如统一用
Anxiety_Mean或统一用中文"AI 焦虑均分"，并在二者间建立明确对应）。 - 漂移（drift）：一个本应全文一致的量（数字 / 术语 / 编号），因局部修改只更新了部分出现处，其余仍停留在旧值，导致前后不一致。是长文不一致的主要成因。
- 数字勾稽（cross-footing / reconciliation）：核对相互之间存在加总或推导关系的数字是否对得上——如各子样本之和应等于总样本、各百分比之和应为 100%、正文的均值应与表格一致。借自审计术语，指"横竖一加，账要平"。
- 三线表（three-line table）：学术论文标准表格样式，仅保留顶线、表头下分隔线、底线三条横线，无竖线与多余横线。本课在制作审查表 / 修改日志时沿用此规范（详见第 38 课）。
- 图表编号（figure / table numbering）：每个图、表按出现顺序连续编号（图 1、图 2…；表 1、表 2…），且正文须有对应的指引（"如表 2 所示"）。编号跳号或正文未引用，都属一致性问题。
🗺️ 方法总览：把全文交给"巡检员"做交叉核对
这一步用长上下文模型，不是让它替我们重写，而是让它充当全文巡检员——凭借一次性读完几万字的长上下文窗口，把分散在首尾、靠人眼难以同时比对的不一致逐一揪出来。它只负责"发现并定位"矛盾，"改成哪个值"始终由你回原始数据决定（这条分工是本课的合规要点，下文反复强调）。
🚀 拆解实战 A：8 类高发一致性问题清单
全文走查不是"再读一遍找错别字"，而是按类逐项核对。下面 8 类是盲审最常抓、也最伤研究可信度的，逐类对照即可（"怎么查"一列给出每类的具体核对动作）：
| # | 检查类别 | 怎么查 |
|---|---|---|
| 1 | 样本量一致 | 摘要 / 方法 / 结果 / 图表里的 N、剔除数、最终有效数，全文是否同一套数（场景导入的 436 vs 430 就是这类） |
| 2 | 假设全验 | 引言提的 H1…Hn，结果部分是否逐条都验证并下了结论，无漏验 |
| 3 | 数字勾稽 | 百分比加总是否=100%、子样本之和是否=总样本、效应量/均值在正文与表里是否一致 |
| 4 | 图表↔正文 | 每个图表都有编号、正文都引用了（"如表 2 所示"）、编号连续不跳号 |
| 5 | 参考文献↔正文 | 正文每个引用文末都有、文末每条文献正文都引了，无孤儿文献 |
| 6 | 术语统一 | 同一概念/变量/被试全文用同一个词（别前面"参与者"后面变"员工"/"用户"） |
| 7 | 摘要↔结论一致 | 摘要承诺的发现结论是否兑现；有没有摘要说显著、结论说不显著 |
| 8 | 显著性方向 | p<.05 处写"显著"、p≥.05 处写"不显著"，没有手误写反 |
🚀 拆解实战 B：用长上下文模型跑一遍全文走查
把全文（几十页都可以）粘进 Kimi、Claude 4.8 等长上下文模型，用下面这条提示词让它只报告、不改写。注意提示词里三处关键约束：① 明令"不点评文采，只核对一致性"，避免它顺手改你的措辞；② 要求逐条给出原文位置与证据摘录，便于你回去复核；③ 凡拿不准的一律标"待人工确认"，禁止臆测——这是防止它"为了凑出问题而编造"的护栏。
【角色】严谨的学术编辑，专做投稿前的全文一致性核对。
【任务】下面是我的论文全文。请不要点评文采，只逐类核对一致性，把发现的问题用 Markdown 表格列出：
| 问题类别 | 出现位置1 | 出现位置2 | 证据(原文摘录) | 建议修正 |
按这 8 类核对：①样本量(N/剔除数/有效数全文是否一致) ②假设是否逐条验证 ③数字勾稽(百分比加总/子样本之和) ④图表编号与正文引用 ⑤参考文献与正文引用是否一一对应 ⑥术语/被试称呼是否统一 ⑦摘要与结论是否一致 ⑧显著性结论与 p 值方向是否吻合。
【边界】只报你能从文中找到证据的问题，逐条给原文位置；拿不准的标"待人工确认"，不要臆测。
【以下是全文】：[粘贴]预期产出应该长这样（示例）：
| 问题类别 | 位置1 | 位置2 | 证据 | 建议修正 |
|---|---|---|---|---|
| 样本量 | 摘要 | 方法 §3.1 | 摘要"436 名被试"；方法"剔除 40 份后剩 430" | 统一为 430 |
| 假设全验 | 引言 H3 | 结果 §4 | 引言提 H3，结果只报了 H1、H2 | 在结果补 H3 的检验与结论 |
| 术语统一 | §1 | §3 起 | 前文"参与者"，第三章后变"员工" | 全文统一为"参与者" |
| 显著性方向 | 结果 §4.2 | — | β=-.34, p=.002 却写"无显著影响" | 改为"显著负向影响" |
🚀 拆解实战 C：走查样例——把场景导入的样本量矛盾改干净
以场景导入里那个对不上的样本量为例（这是一个独立的示意场景，数字与课程 Case A 的 N=500 无关，仅用于演示走查动作；完整的 Case A 全文走查见下文拆解实战 E），走一遍标准的"发现 → 定位 → 改 → 记"四步：
- ① 发现（AI 报告）：
样本量 | 摘要 | 方法 §3.1 | 摘要"436 名"、方法"发放后剔除 40 份废卷得有效 430 份" | 不一致 - ② 定位（你回原始数据）：回方法部分和原始记录确认真实流程——到底发放多少、剔除多少、最终多少。假设真实是"发放 470、剔除 40、有效 430"。这一步只有你能做，因为只有你掌握真值。
- ③ 改（全文一处不漏）：把摘要的 436 改成 430（最终有效样本），并顺着 8 类清单第 1 条，确认结果、图表、表注里凡出现样本量处全部统一为 430——漂移的特点就是"一处对了，别处可能还错"，必须逐处扫。
- ④ 记（写进修改日志）：在修改日志记下这一条（问题类型 / 原文 / 改后 / 依据），既方便自己复核，也能在 Rebuttal（审稿答复）里说明改动来历。
⚠️ 合规要点：AI 只能"指认矛盾"，"改成哪个值"必须你回原始数据定
AI 报告"436 与 430 不一致"是合规的辅助；但它无权决定哪个是对的——它看不到你的原始问卷，猜出来的"正确值"可能正好是错的。把改值的判断权交给 AI，等于让它替你对数据担保，这违背"AI 辅助、人担责"的底线。正确做法永远是：AI 发现 → 你回原始数据核实 → 你来改 → 你记日志。 这一条贯穿本课每一个走查环节。
🚀 拆解实战 D：两个可带走的模板
走查不是"查完就算"，要留下可复核、可向审稿人交代的痕迹。下面两张表是本课要沉淀进个人工具箱的成果物：审查表用于核对（边查边填，每条标 ✅/⚠️），修改日志用于留痕（记下每处改动的来龙去脉）。
① 全文一致性审查表（边查边填，提交前每条都要 ✅）
| 检查项 | 位置1 | 位置2 | 是否一致 | 修正动作 |
|---|---|---|---|---|
| 样本量 N | 摘要 430 | 方法 430 | ✅ | — |
| H1–Hn 全验 | 引言 H1-H3 | 结果 H1-H3 | ✅ | 已补 H3 |
| 图表编号连续 | 表1–表4 | 正文引用 | ⚠️ | 表3 正文未引用，补一句 |
| 参考文献对应 | 正文 28 处 | 文末 30 条 | ⚠️ | 2 条文末文献正文未引，删或补引 |
| 术语统一 | 参与者 | 参与者 | ✅ | — |
| 摘要↔结论 | 显著正向 | 显著正向 | ✅ | — |
② 修改日志（盲审 / Rebuttal 时证明你改过哪里）
| 序号 | 问题类型 | 原文 | 改后 | 依据 |
|---|---|---|---|---|
| 1 | 样本量不一致 | 摘要"436 名" | "430 名" | 原始数据：有效问卷 430 |
| 2 | 假设漏验 | 结果未报 H3 | 补"H3 成立，β=…" | 数据已支持 H3 |
| 3 | 显著性写反 | "无显著影响" | "显著负向影响" | β=-.34, p=.002 |
🚀 拆解实战 E：完整 Worked Example——对 Case A 全文做一致性走查
前面拆开讲了清单、提示词、单点改法和模板。这一节把它们串起来，对 Case A（心理问卷：AI 焦虑 → 学习策略 → 自我效能感的中介研究，N=500，间接效应占总效应约 49%，横断面设计） 跑一次完整走查，重点演示两类最隐蔽的漂移：变量称谓 与 核心数字。
走查输入（Case A 全文中的几处真实/示意片段）：
| 出现位置 | 原文片段（示意） |
|---|---|
| 摘要 | "……基于 500 名大学生样本，AI 焦虑（Anxiety_Mean）显著负向预测自我效能感……" |
| 方法 §3.1 | "本研究共回收问卷 540 份，剔除规律乱填等无效问卷后，有效样本 500 份。" |
| 结果 §4.2 | "AI 学习焦虑对自我效能感的间接效应占总效应的 49%……" |
| 结果 §4.3 | "如表 3 所示，学习焦虑均分与策略得分显著负相关……" |
| 讨论 §5 | "……本研究表明，缓解大学生的焦虑情绪有助于……（此处未限定为'AI 焦虑'）" |
| 结论 §6 | "……学习焦虑通过策略影响效能，间接效应约占 一半……" |
AI 走查输出（节选，按本课提示词跑出的表）：
| 问题类别 | 位置1 | 位置2 | 证据（原文摘录） | 建议修正（待人工确认） |
|---|---|---|---|---|
| 术语统一 | 摘要 / 结果 | 讨论 §5 | 前文称"AI 焦虑 / AI 学习焦虑"，讨论 §5 缩成"焦虑情绪"，未限定 AI | 全文统一为"AI 焦虑"，避免与一般焦虑混淆 |
| 术语统一（变量名↔中文称谓） | 摘要 Anxiety_Mean | 结果 §4.3"学习焦虑均分" | 同一变量两种叫法，未建立对应 | 正文统一用中文"AI 焦虑均分"，并在方法首次出现处标注 = Anxiety_Mean |
| 数字/表述统一 | 结果 §4.2"49%" | 结论 §6"约一半" | 同一量一处给精确值、一处给模糊"一半" | 结论也写"约 49%"，与结果一致；或统一口径 |
| 待人工确认 | 摘要"500 名" | 方法"有效 500 份" | 二者一致，但需确认结果 / 图表各处 N 是否也都是 500 | 人工逐处核对 N=500 全文一致 |
你的处理（AI 发现 → 你定核实 → 你改 → 记日志）：
- 术语漂移（AI 焦虑 vs 焦虑情绪）：回到研究构念确认——本研究测的就是"AI 焦虑"这一特定构念，讨论 §5 的"焦虑情绪"是笔误式泛化，全文统一为"AI 焦虑"。这类漂移最危险：它不只是用词不齐，还可能让审稿人误以为你的结论能外推到一般焦虑（实则不能）。
- 变量名与中文称谓：
Anxiety_Mean与"学习焦虑均分""AI 焦虑均分"指同一个量，正文统一中文称谓 + 方法首次出现处标注英文变量名，让代码、表格、正文三者对得上。 - 核心数字（49% vs 一半）：回结果确认间接效应占比为 49%，结论改为"约 49%"，与结果一致（"一半"不算错，但精确值更可信，且避免审稿人追问"到底是不是 49%"）。
- N=500 全文核对：顺第 1 类逐处扫摘要 / 方法 / 结果 / 表注的 N，确认全部为 500，无一处漏改。
✅ 这就是一次完整走查的样貌：8 类里命中哪几类，就逐类发现 → 回原始数据核实 → 统一 → 记日志。注意全程 AI 只"指认 + 建议"，每一处的最终定夺都在你手里。
🚀 拆解实战 F：第二个 Worked Example——把走查迁移到 Case B / Case C
一致性走查不是心理学专用。换学科只换"具体查什么内容"，"8 类逐项核对 + AI 发现 / 人核实 + 留痕"的骨架不变。下面各取 Case B、Case C 一处最典型的不一致，演示迁移，并点出每个案例最该盯紧的一类漂移。
Case B（经管面板：30 省 × 10 年 = 300 观测，数字经济指数 → 区域创新指数，教学用模拟数据）——样本量与口径一致
| 问题类别 | 位置1 | 位置2 | 证据（示意） | 建议修正（待人工确认） |
|---|---|---|---|---|
| 样本量 / 单位 | 方法"30 省 × 10 年" | 结果"共 300 个样本" | 二者口径需对齐：是 300 个"省×年"观测，而非 300 个省 | 全文统一表述"300 个省份-年度观测（30 省 × 10 年）" |
| 术语统一（变量名） | 方法 DigEcon_Index | 结果"数字经济水平" | 同一变量多种中文叫法 | 正文统一"数字经济指数"，并标注 = DigEcon_Index |
| 数据性质标注 | 摘要 / 方法 | 结论 | 全文是否始终标明"教学用模拟数据" | 结论须保留"模拟数据、不外推现实"的限定（见下方红线） |
⚠️ Case B 最该盯紧的一类：面板的"观测数"口径不能漂
经管面板最常见的漂移，是把"30 个省""300 个观测""10 年"在不同段落混着说，导致审稿人算不清你的样本到底多大。统一为"30 省 × 10 年 = 300 个省份-年度观测"一种表述，全文不变。另外：Case B 是教学用模拟数据，一致性走查时要确认全文（尤其结论）始终标明这一点——若某处把模拟结果写成了"本研究证实数字经济促进了区域创新"，这不只是不一致，更触碰"模拟数据不得冒充真实发现"的红线，必须改回（呼应第 37 课）。
Case C（LLM 评估：300 篇 × 3 模型 = 900 次评分，配对比较摘要质量，Quality_* 1–5 分；基准为 Claude 4.7、GPT-5、Gemini 2.5）——模型版本与编号一致
| 问题类别 | 位置1 | 位置2 | 证据（示意） | 建议修正（待人工确认） |
|---|---|---|---|---|
| 版本号一致 | 方法"Claude 4.7" | 讨论"Claude 4.8" | 同一被评模型版本号前后不一 | 回实验记录确认实际评测版本，全文统一（版本错一位即误导） |
| 样本量口径 | 方法"300 篇 × 3 模型" | 结果"900 个评分" | 需对齐：900 = 300 × 3 是否就是你的口径 | 统一表述"300 篇摘要 × 3 模型 = 900 次质量评分" |
| 图表编号 | 结果"如表 2" | 表格区 | 正文引用的表号与实际表号是否对上、有无跳号 | 逐一核对图表编号连续且正文均有指引 |
⚠️ Case C 最该盯紧的一类：模型版本号差一位就是两回事
LLM 迭代极快，"Claude 4.7"与"Claude 4.8"、"GPT-5"与其他版本是不同对象，版本号在方法、结果、讨论里必须字字一致，且与你实际评测的版本相符——这是一致性走查里"数字勾稽"的特殊形态。版本写错或前后不一，会让读者无法复现，也可能把"某版本在本数据上得分较高"误读成"该模型整体更优"。涉及模型口径，宁可标注得啰嗦，也不能含糊（呼应第 37 课）。
🔁 迁移要点
对比三案例：要查的具体内容全变了（AI 焦虑称谓 vs 面板观测口径 vs 模型版本号），但走查骨架一致——按 8 类逐项核对，AI 只负责发现 + 给证据，你回原始数据核实并统一，全程留痕。把"查什么"换成你学科的，理工、经管、教育、NLP 都能照搬。特别注意：每个学科都有自己最易漂移的那一类（心理学的构念称谓、经管的观测口径、NLP 的版本号……），迁移框架时把这份警惕一起带走。
写好 vs 写砸：一致性走查的逐项对照
同一份稿子，这道关可以走成"走个过场"，也可以走成"真把矛盾清干净"。下表把最常见的失分点逐项拆开并排——左列是学员高频做法，右列是把同一处"拧紧"后的做法。
| 维度 | 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|---|
| 走查方式 | 把全文从头通读一遍"凭感觉找错" | 按 8 类清单逐项核对，每类都有明确动作 | 通读会被自己的"脑补"骗过；分类核对才扫得全 |
| 谁来定正确值 | 让 AI 直接把数字"改对" | AI 只指认矛盾，你回原始数据定真值再改 | AI 看不到原始数据，替你定值＝替你对数据担保（红线） |
| 改漂移 | 只改 AI 指出的那一处 | 顺清单把全文所有出现处一并统一 | 漂移的本质是"一处对、别处可能还错"，必须逐处扫 |
| 术语/变量 | 同一变量正文叫"焦虑"、表里叫 Anxiety_Mean，不对应 | 正文统一中文称谓 + 方法处标注英文变量名 | 称谓不齐会让审稿人怀疑你对变量的把握 |
| 假设核对 | 默认"假设应该都验了" | 逐条对 H1…Hn 在结果里找检验与结论 | 漏验一条假设，是引言与结果脱节的硬伤 |
| 显著性方向 | 信任正文措辞 | 拿 p 值 / 系数逐处核对"显著/不显著"写对没 | 把 p<.05 写成"不显著"是审稿人一眼可见的笔误 |
| 留痕 | 改完即走，不记 | 每处改动记进修改日志（原文/改后/依据） | 盲审 Rebuttal 要靠它说明改动来历 |
| AI 边界 | 把 AI 输出当结论直接采信 | 每条都回原文核实，拿不准标"待人工确认" | AI 会漏报也会误报，最终把关在你 |
| 数据性质 | 模拟数据 / 特定版本被写成普适结论 | 全文一致保留"模拟/特定版本"的限定 | 一致性走查也要守住合规红线（呼应第 37 课） |
💡 一句话判据
检验一次走查做得好不好，问五件事：8 类是不是逐类核对了？正确值是不是你回原始数据定的？漂移是不是全文统一了（不止改一处）？每处改动有没有记日志？有没有把 AI 的输出当成最终结论而跳过核实？ 五项都过关，这道关才从"走过场"升级成"真把稿子缝合好"。
常见误区与纠正
走查一致性时，学员的问题高度集中在几处。下表对号入座即可：
| 常见误区 | 症状 | 纠正方法 |
|---|---|---|
| 通读代替分类核对 | 凭感觉读一遍，仍漏掉数字 / 编号矛盾 | 按 8 类清单逐项查，每类有明确动作，别靠"读得仔细" |
| 让 AI 替你定真值 | AI 把数字"改对"，但改成的值无据 | AI 只指认矛盾，真值由你回原始数据确认（红线） |
| 只改一处不扫全文 | 改了摘要的 N，结果 / 图表仍是旧值 | 漂移要全文统一，顺清单把所有出现处一并改 |
| 假设默认验全 | 不逐条核对，漏验的 H 没发现 | 拿引言的 H1…Hn 逐条到结果里找检验与结论 |
| 轻信 AI 输出 | AI 漏报 / 误报照单全收 | 每条回原文核实，拿不准标"待人工确认" |
| 改完不留痕 | 盲审追问改动来历时答不上 | 每处改动即时记入修改日志（原文/改后/依据） |
| 把不一致当查重问题处理 | 想靠"换说法"绕过，而非核对真值 | 一致性是"对不对得上"，与查重无关；老实核对、统一（见下节红线） |
AI 走查不满意 / 论文被检出"AI 味"？如何正当处理
这一节衔接两个学员最容易走歪的岔路口，把它们引回正道。
情形一：AI 走查的初版输出不满意（漏报、误报、报得太泛）。 这很正常，AI 既可能漏掉真矛盾，也可能"为了凑出问题"误报。按下面顺序纠偏，而不是推翻重来：
- 漏报 → 缩小范围重跑。把全文按章节切成几段分别喂给模型（"现在只核对方法与结果两章的样本量与假设"），长文越短，模型越不容易漏。
- 误报 → 你直接驳回。AI 报的"矛盾"经你核实其实一致时，标注"此处一致，已人工确认"即可——以你回原文的核实为准，不被 AI 带着改。
- 报得太泛（如只说"术语有些不统一"）→ 要证据。追加"请逐条给出原文位置与摘录，拿不准的标'待人工确认'，不要笼统下结论"。
- 最后一道关在你：AI 跑几轮后，仍要你自己拿 8 类清单过一遍，确认没有一致性矛盾被漏掉——署名和担责的是你，不是模型。
情形二：论文被查重 / AIGC 检测标记（重复率偏高、或被判"AI 味"重）。 一致性走查本身不是用来"对付检测"的，但学员常在这一步焦虑地想"能不能顺手把检测也规避了"。这条岔路必须讲清楚：
⚠️ 红线：被检出时只能"理解后重写 + 提升论证 + 据实披露"，绝不规避检测
- 正当做法：被标红的段落，回到理解原意 → 用自己的话重写 → 补足论证与证据 → 规范引用；属于 AI 协助起草的部分，按所投期刊 / 本校研究生院要求据实披露 AI 使用。目标是真正提升原创性，让每一句你都能为它负责。
- 绝对禁止：把代写内容"洗"到检测不出、用同义词替换 / 改写工具专门压低查重率与 AIGC 检测分、伪造数据或文献来稀释重复——这些是学术不端，会让学位与声誉一起报销。本课不提供、也不暗示任何此类操作。
- 一句话：一致性走查解决的是"全文对不对得上"，查重 / 检测解决的是"原创与披露"，两者都靠老实做、不靠绕。重复率或"AI 味"偏高的正当出路，见 第 41 课加强（lesson11） 与 第 41 课（lesson10） 的合规声明。
边界与局限：AI 在"全文一致性走查"这一步能做什么、不能做什么
这一步是全文付印前的"最后缝合"，AI 的角色要划清。把下面几条记牢，比多查一遍更重要。
| 边界 / 失效场景 | 为什么会这样 | 你应该怎么做 |
|---|---|---|
| AI 能"指认"矛盾，不能"判定"真值 | 它看不到你的原始数据，不知道 436 与 430 哪个对 | 真值由你回原始记录定；AI 改出来的"正确值"一律存疑、人工核实 |
| AI 会漏报，也会误报 | 长文超出有效注意范围会漏；为响应任务也会"造"出可疑点 | 漏报靠分章重跑补，误报靠你回原文驳回；拿不准标"待人工确认" |
| 超长全文可能"读不全" | 即便上下文窗口够大，模型对超长文本的注意也会衰减、顾此失彼 | 关键章节分段单独再跑一遍，别指望一次喂完就查全 |
| AI 不替你担"改没改干净"的责 | 它指出一处漂移，但不会替你保证全文所有出现处都改了 | 顺 8 类清单逐处扫，最终一致性由你逐项确认 |
| 一致性 ≠ 正确性 | 全文都写"430"也只说明"自洽"，不代表真值就是 430 | 一致性走查之上，真值仍需对照原始数据；二者是两道独立的关 |
| AI 协作要据实披露 | 用 AI 走查属正常协作，但隐瞒使用、或让 AI 为终稿真实性背书，不合规 | 按期刊 / 学校要求如实披露 AI 使用；终稿真实性由作者负责 |
⚠️ 本课红线：AI 是巡检员，担责与定夺的是你本人
- AI 只能"发现并定位"不一致，"改成哪个值"永远是你的判断。 把改值权交给 AI，等于让它替你对数据担保，违背"AI 辅助、人担责"。
- 一致性走查不是用来规避检测的工具。 它解决"全文对不对得上"，与查重 / AIGC 检测是两件事；重复率或"AI 味"偏高，只能用"理解后重写 + 提升论证 + 据实披露"正当解决，绝不规避、绝不洗稿、绝不伪造。
- 终稿署名和担责的是你。 AI 协助走查需据实披露，不能用"是 AI 查的"为任何遗漏或不实陈述开脱。
📦 本课交付物（提交 AI 初审）
按本节实操任务完成并提交以下内容，提交 AI 初审，按 Module_Rubrics.md 对应维度评分：
- [ ] 全文一致性审查表：8 类逐项核对，每条标 ✅/⚠️ + 修正动作
- [ ] 修改日志：你改了哪几处（问题类型 / 原文 / 改后 / 依据），用于盲审 Rebuttal 说明改动来历
- [ ] AI 走查记录：至少 1 段完整的"巡检提示词 → AI 输出表 → 你回原文核实（含一处误报驳回）"记录
- [ ] 四维质检记录：用
Course_QA_Checklists.md（事实 / 逻辑 / 格式 / 引用）核查本节产出，重点查"AI 报的矛盾是否都回原文核实过、有无被它带着改错值" - [ ] 沉淀模板：把审查表 + 修改日志两个模板存入个人工具箱
🏁 本章小结
把本课凝练成可据以复习的几条要点：
- 核心方法：投稿前用长上下文模型对全文做一次系统化走查，按 8 类一致性清单（样本量 / 假设全验 / 数字勾稽 / 图表↔正文 / 文献↔正文 / 术语统一 / 摘要↔结论 / 显著性方向）逐项核对，产出审查表 + 修改日志。
- 为什么高发：不一致源于"分段写作 + 局部修改"造成的漂移，而非粗心；作者因"知道得太多"最难发现自己的不一致；审稿人把一致性当作严谨度的廉价信号，一处对不上就怀疑全篇。
- AI 的角色：它是巡检员，只负责"发现 + 定位 + 给证据"；"改成哪个值"永远由你回原始数据决定——这是"AI 辅助、人担责"在本课的具体落地。
- 改漂移要全文统一：漂移的特点是"一处对、别处可能还错"，发现一处后必须顺清单把所有出现处一并改齐，并逐处留痕。
- 跨学科可迁移：8 类骨架不变，只换"查什么"——Case A 盯构念称谓、Case B 盯面板观测口径、Case C 盯模型版本号；每个学科把自己最易漂移的那一类一起带走。
- 守住合规红线：一致性走查解决"全文对不对得上"，不是用来规避检测的工具；重复率 / "AI 味"偏高只能"理解后重写 + 提升论证 + 据实披露"正当解决，绝不规避、洗稿、伪造；模拟数据 / 特定版本的限定全文须一致保留。
自测清单（可保留逐项打勾）
- [ ] 我能说清"前后不一致为什么高发"（漂移 / 作者盲区 / 审稿人廉价信号），不只是知道要查。
- [ ] 我能默写 8 类一致性检查类别，并对每类说出具体怎么查。
- [ ] 我已用长上下文模型对全文跑了一遍走查，且每条 AI 报告都回原文核实过（含至少一处误报驳回）。
- [ ] 我改漂移时是全文统一而非只改一处，并把每处改动记入了修改日志。
- [ ] 我清楚一致性走查与查重 / AIGC 检测是两回事，不会想着用它"规避检测"；被检出只用正当手段处理。
- [ ] 我理解 AI 只能指认矛盾、不能定真值，终稿一致性与真实性的担责在我本人，且用 AI 协作要据实披露。
✍️ 思考与练习
下列练习用于把本节概念用起来（区别于"本课交付物"里的任务），建议写在你的本地笔记中。涉及文献一律用占位（如 [作者, 年]）或标注"示意"，不得编造看似真实的文献。
练习 1（识别漂移类型，紧扣 Case A）。 Case A 中，摘要写"AI 焦虑显著负向预测自我效能感"，讨论 §5 却写"缓解学生的焦虑情绪有助于提升效能感"。请指出这属于 8 类里的哪一类问题，它为什么比一般笔误更危险，以及正确改法。
好答案要点：属术语统一类（构念称谓漂移）；危险在于"焦虑情绪"是更宽的构念，会让审稿人误以为结论可外推到一般焦虑（实则本研究只测了 AI 焦虑），属"以词害义"；正确改法是全文统一为"AI 焦虑"，并在方法首次出现处把构念定义和变量名
Anxiety_Mean对齐。
练习 2（AI 边界与担责，紧扣 Case A）。 你把 Case A 全文喂给长上下文模型做走查，它报告："摘要写 N=500，方法写有效样本 480，建议统一改为 500。"请说明：你能不能直接照它说的把 480 改成 500？应当如何处理？
好答案要点：不能直接照改——AI 看不到原始数据，不知道 500 和 480 哪个是真值，"统一为 500"只是它的猜测，可能正好把对的（480）改成错的。正确处理：回方法部分与原始问卷记录确认真实有效样本量，由你定真值后再全文统一，并记入修改日志。呼应"AI 只指认矛盾、不定真值，人担责"。
练习 3（守合规红线）。 同学在做一致性走查时发现，论文某段被查重标红、且被 AIGC 检测判为"AI 味重"，于是想"顺手把这段用同义词替换工具改一遍，把查重率和 AI 检测分都压下去"。请说明这种做法为什么触红线，正当做法是什么。
好答案要点：用同义词替换 / 改写工具专门压低查重率与 AIGC 检测分，目的是"让检测测不出"，属规避检测的学术不端，本课红线明确禁止；且它并不真正提升原创性，被识破后学位与声誉受损。正当做法：回到"理解原意 → 用自己的话重写 → 补足论证与证据 → 规范引用"，真正提升原创性；属 AI 协助起草的部分按期刊 / 学校要求据实披露。一致性走查与查重 / 检测是两件事，都靠老实做、不靠绕（见第 41 课与第 41 课加强）。
练习 4（跨案例迁移，紧扣 Case C）。 Case C 比较 Claude 4.7、GPT-5、Gemini 2.5 三个模型的摘要质量。走查时发现方法部分写"Claude 4.7"，讨论部分却写成"Claude 4.8"。请说明这属于哪一类一致性问题、为什么不能轻易放过，以及核实与改正的步骤。
好答案要点：属数字勾稽 / 版本号一致类（也可归入术语统一中的"对象标识一致"）；不能放过是因为 4.7 与 4.8 是不同模型版本，写错会让读者无法复现，还可能把"某版本在本数据上得分较高"误读成"该模型整体更优"；正确步骤是回实验记录确认实际评测的是哪个版本，由你定真值后全文统一，涉及模型口径宁可标注啰嗦也不含糊（呼应第 37 课）。
🏁 模块四收官自测
到这里，你的论文已经从标题摘要、各章正文，一路打磨到全文一致性收口，是一篇结构完整、论证站得住的终稿。这是模块四的最后一课，下面这份清单帮你确认整条写作链是否真正打通：
- [ ] 我能用 AI 产出规范的标题与四段式摘要、各章正文，并自己逐处把关。
- [ ] 我掌握了"合理拔高 vs 过度拔高"的分寸，讨论部分不夸大、局限部分如实写、不拿局限掩盖硬伤。
- [ ] 我清楚 AI 合规的底线：AI 辅助、人担责，引用可查、据实披露 AI 使用，追求真正提升原创性而非规避检测。
- [ ] 最关键的一关：我已用长上下文模型对全文跑了一遍 8 类一致性走查，产出审查表 + 修改日志，没有任何前后打架的数字 / 术语 / 假设被送出我的电脑。