Citation Receipts: Auditing Retrieval-Backed Citation Events in Digital Libraries
本文介绍了引用收据协议（Citation Receipt Protocol, CRP），该系统通过生成经过加密签名且可审计的经身份验证的来源检索记录，使数字图书馆能够通过抽样检查来验证特定的引用事件，同时明确承认其在证明全局完整性或语义引用有效性方面的局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代研究领域，学者的工作成果通常通过其他研究人员引用其作品的频率来衡量。几十年来，这种计数过程非常直观：一位人类作者阅读论文，判定其具有相关性，然后在自己的作品中添加一条参考文献。这一行为创造了一个永久且可验证的记录。然而今天，一种新型的“作者”进入了视野：人工智能。这些系统可以阅读数千篇论文，并在数秒内撰写摘要、文献综述和研究草案。它们通常会包含引文，将读者导向原始来源。但一个隐蔽的问题随之浮现：当人工智能引用一篇论文时，它可能实际上是阅读了该论文以寻找答案，也可能仅仅是根据多年前学习到的模式猜测出了标题。更糟糕的是，即便人工智能确实阅读了那篇论文，论文的出版商通常也无法得知这一行为的发生。AI公司看到了交互，用户看到了答案，但持有该论文的图书馆却一无所知。这造成了科学发现记录中的一个缺口——一篇论文可能影响了数千个AI回答，却从未获得过哪怕一次正式的认可。
一位名叫库马尔·阿比纳夫（Kumar Abhinav）的研究员提出了一种弥补这一差距的方法，其核心不在于改变AI的思考方式，而在于创造一种新型的数字收据。想象一下，在一个图书馆里，每当有一本书被借出时，系统都会自动打印一张微小的、防篡改的票据，上面准确记录了哪本书被取走、何时以及由谁取走。阿比纳夫的工作被称为“引用收据协议”（Citation Receipt Protocol），其原理与此类似，旨在为数字时代实现这一目标。该协议旨在证明一个AI系统在利用某篇论文撰写答案之前，确实检索了该论文的特定版本。其运作方式是：在AI获取了一个来源并在回答中展示它时，AI提供商会立即签署一份数字收据。随后，这份收据会被锁定在一个公开且不可更改的日志中，就像公证员在文件上盖章并将其加入永久登记簿一样。这使得任何人（包括论文出版商或独立审计员）都可以通过检查日志，来验证该引用是否真实，并且确实基于对源文本的实际检索。
为了测试这一构想在现实世界中是否可行，阿比纳夫使用了一个训练数据截止至2026年1月的语言大模型进行了一系列受控实验。研究人员创建了一组在那个日期之后发表的100篇科学论文，这意味着AI无法仅凭记忆了解这些论文。随后，研究人员在三种不同的条件下询问AI关于这些新论文的问题。在第一种条件下，AI完全无法接触到这些新论文。在第二种条件下，允许AI搜索并检索这些新论文中的前五篇结果。在第三种条件下，研究人员强制要求AI查看一篇特定的目标论文。结果非常明确：当AI无法接触新论文时，它从未引用过它们；当它被允许搜索并检索这些论文时，它在100次尝试中有95次引用了目标论文。至关重要的是，对于所有这95次可见且声明的、与认证来源相匹配的引用，系统都成功生成并验证了数字收据。这证明了该协议能够区分出哪些是基于新鲜检索的引用，哪些仅仅是猜测或幻觉。
研究还观察了该系统是否能检测出AI提供商为了让其系统看起来表现更好或为了避免报告使用情况而试图省略引用的行为。研究人员设置了一个测试，其中提供商故意省略了10%的引用收据。作为应对，充当随机抽检功能的审计系统能够以极高的可靠性检测到这些缺失的收据。然而，研究也发现，该系统并非解决所有问题的“万灵药”。它无法证明AI是否真正理解了论文的含义，也无法证明该引用是产生特定答案的唯一原因。它同样无法判断AI是否在过去曾接受过该论文的训练；它只能证明该论文在特定时刻被检索并被引用。此外，该系统依赖于客户端记录答案时的诚实性；如果用户的设备遭到破坏，审计可能会被误导。
研究人员测量了添加该系统的成本，发现其成本非常低。每份数字收据都是一个微小的文件，大小约等于一条短信息，且在标准计算机上创建或检查仅需不到一秒钟。这表明该系统可以添加到现有的数字图书馆中，而不会降低其运行速度。这项工作还强调了我们在统计引用时的一个关键区别：仅仅计算论文在AI回答中出现的次数是不够的。研究人员指出，如果没有收据协议，提供商可以轻易地隐藏引用或伪造虚假引用。有了该协议，计数就变成了一个经过验证的特定事件记录：即特定版本的论文被检索，并生成了特定的答案。
最终，这项研究为人工智能时代的透明度提供了一个实用的工具。它并不声称解决了关于AI如何学习或其是否真正“理解”科学的深层哲学问题。相反，它提供了一种机械化的方法，确保当AI指向一个来源时，该指向背后有一个可验证的检索记录。对于数字图书馆和出版商而言，这意味着他们终于可以实时看到哪些论文正被AI系统使用，而不是依赖AI公司告诉他们真相。对于科学界，它提供了一种以更高精度追踪信息流的方法，确保即使撰写者是机器，发现的功劳也能得到应有的认可。研究结论认为，虽然该协议不能证明AI思维的质量，但它成功地为其产生的引用建立了一条可审计的痕迹，将隐秘的交互转变为公开且可验证的事实。值得注意的是，作者库马尔·阿比纳夫披露了一项潜在的财务利益冲突：他个人拥有一项与“引用收据协议”相关的已提交专利申请。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。