AI FactScan
AI 在引用資料時出錯，可不是單純的手滑打錯字。背後的真正原因在於：大型語言模型的本質是「生成聽起來很像一回事的文字」，而不是「查核事實證據的真實性」。
當 AI 寫下一條參考資料時，它做的事情跟我們人類想像的完全不同。你看到的是知名學者的大名、權威期刊、出版年份、DOI 論文編號，以及一段自信滿滿的結論。然而對 AI 來說，它只是在延續自己在幾百萬篇學術論文中學到的文字規律罷了。
這就是為什麼 AI 捏造出來的假引用，會讓人覺得如此逼真、毫無破綻。
在查證真偽前，假資料往往早就偽裝得「天衣無縫」
虛構的文獻通常具備真實論文的一切外在特徵：耳熟能詳的學者姓名、看起來合情合理的期刊名稱、恰到好處的出版年份、整齊劃一的格式排版，有時甚至還附帶一串長得很像真的 DOI 編號。問題是，這些精美的外表絲毫不能證明這份文獻真的存在，只能證明 AI 真的很擅長「模仿一份看起來存在的文件」。
這種現象早已不再只是理論推測。學者 Zhao 等人在一項大型研究中，審查了 250 萬篇論文中的 1.11 億條參考文獻，估計光是在 2025 年一年之內，學術界就出現了高達 146,932 條由 AI 憑空捏造的幽靈引用。學者 Walters 與 Wilder 也發現，在 ChatGPT 生成的文獻回顧短文裡，GPT-3.5 給出的引用有 55% 是假的，而更先進的 GPT-4 也有 18% 純屬虛構。
答案聽起來完全正確，引用看起來挑不出毛病，但兩者之間的連結可能根本是一場空。
翻車型態 1：這個來源從頭到尾根本不存在
整條引用可能完全是 AI 腦補出來的。現實中根本沒有這篇論文、DOI 網址點進去是一片空白，或是該期期刊從未刊登過這篇文章。
AI 可能會信誓旦旦地寫出「Johnson 等人，2021 年」，配上一個很像樣的權威期刊名稱、看似專業的論文標題與 DOI 連結。一切看起來都很學術、很嚴謹，但實際上全世界根本沒有這篇研究。
翻車型態 2：論文是真的，但 AI 說的結論是假的
這篇論文在現實中確實存在，但 AI 卻把完全不相干的結論硬扣在它頭上。這種錯誤往往更難被識破，因為多數人只會做第一步確認：點開連結，看見真的是一篇權威論文，就放心地相信了。但如果你真的讀完論文，會發現學者根本沒有說過 AI 宣稱的那句話。
這就是「來源是否存在」與「來源能否支持主張」的巨大差異。即便引用的是貨真價實的知名論文，只要它根本無法佐證文章裡的那句話，這條引用依然是不合格的誤導。
翻車型態 3：數據看起來很精確，卻查不到半點出處
AI 很喜歡隨手拋出看似精準的統計數據，卻沒有附上任何可追溯的來源。數字往往最具說服力，因為它給人一種科學、可衡量的錯覺。但「看起來精確」絕不等於「有真憑實據」。
像「自 2022 年以來增長了 300%」這種說法，在簡報或報告裡很容易被人迅速採納，因為它聽起來太具體了。但如果背後沒有附帶任何權威資料庫、研究論文或官方調查報告，在拿出真憑實據之前，這類數字都必須先打上大大的問號。
翻車型態 4：明明還在爭論，AI 卻硬說「專家已有共識」
AI 常常會把尚無定論的研究領域，直接包裝成一片和諧的定論。明明學術界意見分歧、爭論不休，AI 卻張口就來：「各項研究顯示」、「專家一致同意」或「有強烈證據指出」。
這種情況在醫療健康、法律法規、個人理財與公共政策等領域尤其危險。一段看似胸有成竹的總結，往往掩蓋了關鍵的分歧意見、研究本身的侷限性，或是根本缺乏實質證據的事實。
第一步快篩：你該問自己的 4 個基本問題
絕不要因為看到一條引用附了網址連結，就以為它已經經過查證。光有一串 DOI 不夠，掛上知名機構的招牌也遠遠不夠。
在花大把時間精讀之前，第一階段的快篩其實很單純：
- 這個參考來源在現實中真的存在嗎？
- 論文作者、期刊與年份等資訊，跟 AI 寫的吻合嗎？
- 這個來源的權威程度，足以支撐這個重大結論嗎？
- 文獻裡的真正內容，真的有支持 AI 說的那句話嗎？
最後一個問題確實需要花時間親自閱讀內文。但光是前三個基本問題，就能幫你在筆記、課堂作業、工作報告或重要決策前，擋掉絕大多數薄弱、憑空捏造、自我循環或破綻百出的假資料。
AI FactScan 能在什麼地方幫上忙？
AI FactScan 把這套第一線的警戒機制，變成了一鍵完成的快速來源健檢。它能在你瀏覽 AI 回答時，即時標示出參考資料的品質信號、排定哪些來源值得花時間讀，並讓你在採信任何資訊前，輕鬆揪出潛在的引用陷阱。
檢驗的標準其實很明確：只要一項結論至關重要，它的來源就必須能夠追查。看到再華麗的引用，先確認它存不存在；確認存在之後，再看它到底能不能證明那句話。
AI 產出答案的速度，永遠比人類查證的速度快得多。而正是這段速度上的落差，成了錯誤悄悄溜進來的溫床。