單人署名的回升

資料來源#

• Normative boundaries of AI in scientific work: Evidence from PhD researchers
• Return of the solo author: The changing division of labor in science in the age of generative AI

摘要#

Akira Matsui 對完整 OpenAlex 語料庫所做的單一作者研究（逾 3 億篇作品、1.26 億篇同儕審查論文、26 個領域、1990–2025），探問生成式 AI 如何改變論文內部的認知勞動分工，並從此前無人檢視的地方尋找答案：作者人數分布的左尾。

這個切入角度是論文最好的構想。兩種觀點提出相反的預測——加速觀點（LLM 降低產出論文的成本，因此團隊擴大、掛名作者的情況增加）與替代觀點（LLM 接手合著者原本提供的寫作、程式設計與統計工作，因此研究者能獨自完成論文）。團隊平均規模無法區分兩者，因為兩種觀點都預測平均值上升，而且平均值對左尾不敏感。因此應該測量左尾。研究發現：ChatGPT 公開發布時，單人署名數十年來的下降趨勢，在各領域大致同步地停止或反轉。

論文的結論刻意限縮，值得引述，以免標題引人過度解讀：研究結果「並未判定哪一種觀點勝出。相反地，研究把兩種觀點分配到分布的不同部分：證據直接指向左尾的替代觀點，而以尾部為基礎的設計並未測量上尾的加速觀點。」單人論文仍是少數；其比例「持續遠低於下降前的水準」。主張談的是左尾變化的方向，不是其水準。

證據註記。 empirical——這是知識庫經濟學主題群中樣本數最大的結果，也是 empirical 來源中識別力最弱的研究。主要估計沒有對照組：每個領域、每位作者都在同一時點受到處置。在將任何數字引述為 LLM 效果前，請先看下文的坦誠談識別。

為何單人論文是一種測量工具#

不論因果敘事是否成立，這項方法上的貢獻依然存在：

「研究者是否以及如何使用 LLM，鮮少揭露，也難以直接觀察。相較之下，單人署名論文是可觀察的行為痕跡：依其定義，這是沒有掛名人類合著者而完成的工作，因此，能夠單獨撰寫的論文集合，標示出無須掛名合作者便能完成工作的界線。當 AI 推動這條界線時，變化會最先出現在左尾。」

這避開了所有以問卷衡量科學領域 AI 使用情形時都會遇到的揭露問題，也不必偵測 LLM 生成的文字。這與知識庫中以實際消費和使用遙測資料取代問卷測量的來源採取相同做法——找出不論當事人是否承認，行為都會留下的痕跡。

領域排序——論文真正的論點#

採用主要的同儕審查規格時，2022 年截點的趨勢轉折（Δβ，每年百分點；SI Fig. S3）：

大幅反轉	約 +1.7 的群組	沒有反轉
工程 +2.5 · 商業、管理與會計 +1.9	數學 · 決策科學 · 心理學 · 電腦科學	化學 −0.1 · 物理與天文學 −0.0 · 藝術與人文 −0.5

26 個領域中有 23 個轉為正值；其中 22 個達到 p < 0.05 的顯著水準。三個例外恰好是表格第三欄的領域，且只有藝術與人文仍呈顯著下降。

研究提出的解讀是合著者執行工作的可替代性：合作者提供寫作、程式設計或統計支援的領域出現反轉；以實驗室工作和儀器操作為核心的領域則沒有。論文對自身所做的反證檢驗很有用——關鍵不是團隊式組織本身。電腦科學與心理學和化學一樣，都採用大型、階層化、由研究經費支持的實驗室模式，卻仍強烈反轉；物理與天文學則以大型儀器合作為主，完全沒有回升。藝術與人文是第三種零結果：單人署名原本就很普遍，因此替代驅動的回升空間有限。

應該引用的是這種排序，而非任何單一係數。它與其他研究獨立記錄的 LLM 採用領域梯度相呼應（Kobak et al. 2025 對詞彙過度使用的研究；Liang et al. 2025），也與下文不使用任何領域標籤的內容證據相符。

兩種估計量，同一領域的兩組數字——請勿混用。 上述數字是對稱四年視窗（前期 [c−4, c−1]、後期 [c, c+3]）計算的年度 Δβ_c，見 SI Fig. S3。Fig. 1 在 2022 年 11 月發布時點所做的月度分段擬合，使用的是不同估計量；在相同的同儕審查篩選下，它回報工程 +3.81、心理學 +2.11、電腦科學 +2.09、數學 +1.77、經濟學 +1.25、所有領域合併 +1.72。論文同時提供兩組結果；把「工程 +2.5」和「工程 +3.8」說成其中一個修正了另一個，才是應該避免的錯誤。

這不是組成變化，也不是慣常單人作者造成的#

最顯而易見的消除解釋是作者群體變了。論文最努力排除這個假設，而這也是最有力的一節。

• 依組成標準化的作者層級機率。 建立作者－年度面板，以領域 × 學術年資 × 累積引用次數 × 生產力的分組進行直接標準化，計算 P(≥1 solo paper in year t)，並固定可觀察到的作者組成。2022 年前每年約 −0.9 個百分點的下降，在 2022 年停止或反轉，而且在所有篩選版本中皆如此。
• 控制個人歷史。 限定最近 k−1 個活躍年內沒有單人論文的作者。趨勢轉折在所有門檻下都存在，且隨 k 增加而增強：同儕審查論文的 Δβ 從 +0.50（k=1）升至 +0.79（k=15），此時估計量近似於首次發表單人署名論文的風險率。不習慣單獨發表的作者身上，效果至少同樣強——這表示作者正轉而單獨工作，而不是慣常單人作者發表更多論文。
• 資深程度並非障礙。 在最近沒有單人論文的作者中，各學術年資組別都出現回升；在主要篩選下，轉折幅度最大的是資歷最深的組別（26 年以上：clean-all +0.36、同儕審查 +0.34）。不過梯度很弱、非單調，而且在預印本篩選下會反轉——因此「資深研究者是轉向單人工作的那群人」頂多只能說方向上如此。
• 生產力是區辨力最強的切分。 回升在產量最低的作者身上最大（終身發表 1–5 篇作品，Δβ = +1.16，clean-all；預印本則為 +2.83），在 6–20 篇組別最小（+0.21）。可將此解讀為 LLM 降低了沒有共同作者也能產出論文的固定成本。

領域層級與作者層級的轉折並不一致，論文本身也明言如此。 工程領域的領域層級轉折最大，但作者層級機率沒有變動（−0.07/−0.14，信賴區間涵蓋零）；在持續收錄的期刊內，其領域層級轉折從 +2.47 降至 +0.65。因此，論文中最大的標題數字，來自其機制屬於組成變化而非作者內部變化的領域。作者內部轉折最清楚的是經濟學（+0.85/+1.27）、心理學（+0.66 至 +1.34）與電腦科學（+0.75/+0.80）。

單人論文的內容#

內容分析是論文中識別力最強的部分，因為它是唯一有對照組的分析：四個組別（單人／團隊 × 2022 年前／後，共 636,454 篇論文）以 SPECTER2 嵌入，因此可以差分掉 2022 年以來全領域的變化，只留下單人論文特有的位移。

• 轉向計算工作，除此之外沒有其他變化。 四個預先指定、以關鍵詞為錨點的語義軸中，只有「計算相對於實驗」這一軸移動：+0.040 個標準差，P = 4×10⁻⁸。資料密集（+0.016，P=0.15）、評論相對於原創（+0.014，P=0.07）與理論相對於應用（+0.010，P=0.19）則維持平坦。回歸的單人論文是偏向計算工作的普通原創研究——不是評論、不是意見文章，也不是退回理論研究。
• 範圍縮窄，沒有轉向別處。 比較作者自己 2022 年後的作品：單人作者的內容廣度（其自身論文間平均兩兩餘弦距離）為 0.089，相較於持續合著者的 0.115，窄了 23%（調整後 −0.028，P < 10⁻¹⁶，n = 35,893）。但探索——與作者自身 2022 年前合作研究質心的距離——則在統計上無法區別（+0.001，P = 0.07，n = 45,642），其幅度比廣度效果小一個數量級。

這組結果是最能區分兩種解釋的檢驗。若作者改變了興趣，預期會遠離過去的合作研究內容；若是獨自承接舊工作的一部分，則預期仍留在原有範圍內，但涵蓋的內容較少。所有測量面向都符合第二種情形。作者層級比較是經協變數調整的描述性對比，不是配對設計；但探索結果為零，本身就不支持最自然的選擇解釋（作者因興趣已經改變而選擇單獨工作）。

坦誠談識別#

研究設計。 對所有論文所做的中斷時間序列分析，將中斷點設在一個日期，因為該日期是「所有領域和作者共通的唯一明確時間戳」。論文坦言這是日期設定慣例，且「我們的證據是相關性的」，其依據是三種方向一致的模式：領域間的可替代性差異、對作者歷史的控制，以及與未反轉領域的對比。

真正有力之處。

• 趨勢轉折通過四種獨立的涵蓋範圍篩選、兩種沒有共同建構方式的時間視窗定義（對稱四年與非對稱 [τ−1,τ] 對照七年基準）、2018–2022 年截點掃描、組成標準化，以及歷史條件控制。
• 截點掃描是反駁「日期是你挑的」最好的單一證據。 較早截點也會出現正向 Δβ_c，但那是仍持續下降趨勢的減速。只有在 c = 2022 時，後期視窗的斜率本身才轉為正值，而且涵蓋多個領域（26 個領域中有 11 個，早期任何截點至多只有 3 個）。
• 事件研究顯示，下降趨勢一直加速到轉折點（截至 2022 年累計 −7.2 個百分點，年對年變化於 2022 年達到 −2.9 個百分點），之後便戛然而止：2023 年 +0.1、2024 年 −0.6、2025 年 −0.3；先前沒有任何一年出現過幅度相近的趨勢趨平。前趨勢刻意保留在圖中。
• 研究依其自身預測檢驗了疫情後反彈的替代解釋，結果不符：在 c=2020 時跌得最深的領域（藝術與人文 −1.3、化學 −1.2）正是沒有反彈的領域；數學與決策科學沒有下跌，卻位居 2022 年群組前列；復甦也不是由生物醫學領域帶動，而回歸趨勢說預期會如此。
• 論文平均作者人數也出現伴隨的趨勢轉折（數十年來的上升在 2022 年末後於多數領域趨平或轉為下降），這表示研究發現不是尾部指標造成的假象。

真正薄弱之處，依對標題結論的折損程度由大到小排列。

1. 整體趨勢轉折約有一半來自期刊組成。 在一個平衡面板中，只保留 2018–2024 年每年都發表作品的來源（45,621 個來源，涵蓋 72–77% 的同儕審查論文），合併後的轉折從 +1.72 [+1.12, +2.32] 降至 +0.75 [+0.41, +1.10]；這些期刊內部，2022 年前每年 −1.18 個百分點的下降趨平至 −0.42，並未轉正。轉折仍為正且顯著，跨領域排序也維持不變（同儕審查 Spearman 0.84、核心組 0.91）——但任何引用 +1.72 的人，引用的數字有一半取決於 OpenAlex 收錄了哪些期刊。
2. 沒有未處置單位。 領域排序是唯一的橫斷面差異，論文承認它「是一種排序，而非量化檢驗」：以職業為基礎的暴露程度分數無法對應 OpenAlex 的領域，而且 26 個領域的檢定力有限。跨領域模式以形狀而非顯著性說服人。
3. 資料庫在面板研究期間變動。 OpenAlex 在 2021 年底退役 Microsoft Academic Graph，並於 2023 年 7 月徹底改造作者消歧方式——兩者都發生在估計期間內，也都可能影響測得的作者人數。平衡期刊面板限制了期刊汰換造成的影響；論文也坦言，無法排除持續收錄期刊內部的中繼資料變動。這是論文無法回答的混淆因素。
4. 時間檢查的點估計令人安心，精確度則不然。 月度甜甜圈分析（剔除 2022 年 11 月至 2023 年 6 月）得到接近發表值的估計（+1.38 對 +1.72），但信賴區間為 [−0.03, +2.79]——也就是不再排除零。排除 2022 年的年度甜甜圈分析則很精確（+0.82 [+0.79, +0.85]）。有一項檢查結果相反：採用不限制涵蓋範圍，且後期視窗限於 2023–24 年時，估計轉為負值（−1.50）；因此標題結果的各種版本都限制了期刊範圍。
5. 研究完全沒有衡量品質，而且預印本版本的回升幅度最大——這既符合替代解釋，也同樣符合低成本、可能由 LLM 生成的單人作品大量湧入。論文的辯護是，在同儕審查和核心篩選下仍可見趨勢轉折，因此只侷限於預印本的作品湧入無法解釋此結果；論文也承認，以期刊為基礎的篩選無法驗證是否經過同儕審查，也無法排除索引期刊內部出現論文工廠式產出。

評估。「2022 年底，作者人數分布的左尾發生了變化」已獲充分支持，並經過大量壓力測試。「LLM 導致了這種變化」則尚未識別，也不是論文所主張的。支撐其機制解釋的關鍵證據是學科排序與內容特徵；兩者彼此一致，而且由獨立測量工具產生（一者使用領域標籤，另一者完全不使用）——這種一致性比論文中的任何係數更有價值。個別 Δβ 數值應視為包含大量組成效應的描述性幅度；研究發現則是領域排序。

會帶來雙向影響的外部檢驗#

這是最有意思的穩健性檢驗，也得出真正出人意料的結果。在同一公開語料庫中依作者人數重新估計 Liang et al. 的整體 LLM 修改率（α）後，每個 arXiv 領域中，多人合著論文含有的 LLM 修改文字都至少和單人論文一樣多（高出 +1.7 至 +3.7 個百分點，區間大多不重疊）；只有 bioRxiv 反轉，但依據僅約 300 篇單人論文。區域梯度則顯示，非英語母語的通訊作者相關數值最高，中國作者最高，這指向更可能隸屬大型團隊的人使用 AI 潤飾英文。

作者對此結果的使用恰當且謹慎：寫作協助是普遍存在，而非集中於單人論文的尾端，因此表層編輯無法單獨解釋單人署名的特定變化。但從另一面來看，這也排除了最明顯、原本會期待看到的直接佐證——沒有任何測量結果顯示，轉向單人工作的作者就是使用 LLM 的那些人。α 測量的是文字層級的修改，不是對合作者貢獻的替代，而論文也明言如此。

這對知識庫中其他主張的影響#

這是迄今最接近於觀察到認知公地論證的案例，不再只是預測——僅限一種專業，且只涉及機制面。 Lovett 的結構性預測是，AI 會移除入門級工作，連帶切斷專業能力得以再生的路徑。Matsui 的 Implication 2 對科學領域提出相同機制，而這篇論文測量其前置條件：「資深研究者愈能把執行工作交給 LLM，而非初階合著者，這條透過合作進行訓練的路徑就可能愈薄弱。」一篇單人論文就代表一個不曾存在的學徒訓練名額。這種解讀有三個必須坦承的限制：支撐它的資歷梯度很弱，且受篩選方式影響；單人論文仍只占產出的少數；此處也沒有測量任何初階研究者是否因此少學了東西。這說的是名額消失，不是公地枯竭——正是 Lovett 強調的區別。

它透過反轉可見性，讓AI 作為主要作者的論點更鮮明。 在軟體領域，署名轉變可以測量——接受率、PR 來源、遙測資料。在科學領域，這種轉變依其設計便不可見，這正是 Matsui 的 Implication 1：貢獻聲明與合作網絡是用來推斷誰做了什麼的兩種工具，而「對於由 LLM 提供執行工作的單人署名論文，兩種方法都不適用：提供貢獻的代理程式既不在作者名單中，也不在合作網絡中。」署名落差從未列名的人類（早已充分記錄）轉向根本無法列名的機器。兩篇文章都指出相同的不對稱：署名改變了，責任歸屬沒有改變——所有責任仍由單人作者承擔。

這是論文層級的角色平均，但多了一項該頁面未預測的變化。 單人作者吸收合著者的執行職能，同時保留判斷層，正是該論點的核心。但測得的結果是收縮：內容廣度窄了 23%，沒有移動到新領域。知識庫其他角色平均案例顯示，剩餘的判斷工作有所增加（招聘人員的評估階段從 2.62 天增至 7.24 天，見Controlled Variance: AI's Edge as Reduced Dispersion）。此處經平均後的角色涵蓋範圍更少，而不是更多。這究竟反映範圍管理還是能力限制，尚未測量，也是這個來源留下的兩個開放問題中較尖銳的一個。

它從另一個頁面看不見的面向，讓Agentic Coding 中的專業知識回報變得更複雜。 專業知識讓代理程式的行動增加 2 倍、產出增加 5 倍；此處轉向單人工作的幅度則在產量最低的作者身上最大（+1.16，相較於 6–20 篇作品組別的 +0.21），而在資歷最深者身上也只略為最大。兩者測量的是不同結果——不與合著者合作便發表的機率，不等於生產力或品質——所以這並不矛盾。這反映的是所有產出的固定成本趨於平等，與每次提示所產出內容的放大效果並存；兩者都沒有測量低產量作者的單人論文品質如何。

這是一種以行為建立的領域層級暴露排序，正是暴露分類法：觀察、理論、回報、預期指出既有測量工具所欠缺的內容。 七種職業測量工具彼此不一致，因為它們的資料來源各不相同，而非構念不同；這項研究以觀察結果而非任務評分推導暴露程度，排序對象則是 26 個科學領域，而非 872 種職業。論文承認兩者無法合併（Eloundou 和 Felten 的分數「無法明確對應 OpenAlex 的領域」），這正是在有行為測量資料的領域中，重新呈現分類法問題。

它從另一端印證了勞動分工的界線。 該頁面在單一研究流程中發現，LLM 能處理機械式且由引文支撐的工作，卻無法勝任詮釋性綜整。這篇論文偵測到相同分工在整體研究群體中的影子：被交出去的是執行層——程式設計、資料處理、統計分析；單人作者留下的，則是從未能交付出去的部分。

它與研究者表示願意讓 AI 承擔的工作相去甚遠（2026-09-23）。 對左尾的替代解讀是，LLM 接手合著者原本負責的寫作、程式設計與統計工作。Angelini & Lyrvall以3,785 名博士生進行的潛在類別分析（Normative boundaries of AI in scientific work: Evidence from PhD researchers，empirical）發現，研究者最不願交給 AI 的恰好就是這些工作：31.0% 的人能接受 AI 撰寫研究論文，29.5% 能接受 AI 蒐集與分析資料；相較之下，能接受 AI 摘要文獻的比例為 51.5%——而占主導地位、占 44% 的態度類型，正是由這項對比所界定。仍有三種解釋，而兩篇論文都無法判定哪一種正確：態度無法決定行為（作者自己的提醒，也符合陳述與揭露測量之間一貫的差異）；轉向單人署名的群體其實是較寬鬆的 16%「多用途」小群體，而非中位數研究者；或者被替代的勞動夠機械化（格式處理、制式程式碼、語言編輯），低於受訪者聽到「使用 AI 撰寫研究論文」時所想到的範圍。第三種解釋最能弱化原主張，也最符合本頁已報告的內容範圍縮窄 23%——保留判斷、將執行工作外包的單人作者，並未違反問卷所測量的界線，而是在劃定界線。

延伸連結#

• 單人創辦人轉向——同一測量方式往上一個單位：看的是創辦人人數分布的左尾，而非作者人數分布；涵蓋相同時期，主張相同的替代機制（AI 取代合作者的執行工作），也有相同的組成弱點（該文的 Carta 客戶組成，與本文 OpenAlex 期刊汰換）。其測量力遠弱於本文——只有描述性趨勢，沒有本文這套穩健性檢驗——但它提供了本文Balance-of-Power Superintelligence註記所說缺少的公司規模測量。兩者還有一項都無法刻意安排、但彼此相符的細節：濕實驗室工作都不在轉變範圍內；本文表現為未反轉的領域，該文則是代表性不足的產業（製藥／生技 5.3%，對比 8.6%）。
• 認知公地的悲劇——在單一專業中，以整體研究群體規模觀察到機制的前置條件：單人論文代表一個原本不存在的合著名額，也就是 Lovett 認為 AI 正在移除的訓練途徑。消失的是名額，不是公地枯竭——此處沒有測量任何人是否因此少學了東西。
• AI 作為主要作者——同樣的署名轉變，但可見性反轉：在程式碼遙測中可測量，在科學領域則依其設計不可見；替代工作的代理程式既未出現在作者名單，也未出現在合作網絡中。
• 角色平均，而非角色消除——論文層級的角色平均，結果卻是該頁面未曾預測的：單人作者平均後的角色在內容上窄了 23%，而非更廣。
• AI 的組織互補因素——HAT 預測紀錄所在之處；本文提供 P1 的第一個勞動組成結果，顯示它在能力事件發生時急遽轉折，而非逐步上升。
• Agentic Coding 中的專業知識回報——不同結果上趨於平等的對照案例：轉向單人工作的作者以產量最低者為主，而專業知識則會放大代理程式每次提示的效果。
• 暴露分類法：觀察、理論、回報、預期——根據觀察行為，而非任務評分，推導可替代性排序，涵蓋 26 個科學領域；論文承認無法將其對應到職業測量工具。
• LLM 協助建構灰色文獻理論——在單一研究流程中觀察到相同的執行／詮釋界線；本文呈現的是其整體規模影子。
• 科學研究中的 AI 採用——陳述界線與本頁揭露界線相對照，探討同一專業：博士生接受 AI 協助文獻工作，卻抗拒它參與寫作、分析與實驗設計——而本頁將這些任務解讀為被替代的工作。兩者的張力尚未解決，值得保留。
• Controlled Variance: AI's Edge as Reduced Dispersion——知識庫中的隨機替代案例，也提供了剩餘工作的對照：該研究保留的判斷階段擴大了 2.8 倍；本文保留的工作範圍則縮窄了 23%。
• 驗證成為新的瓶頸——單人作者是 LLM 所執行工作的唯一驗證者，沒有合著者可以找出錯誤。
• Balance-of-Power Superintelligence——同樣的回升也可預測在公司規模上：Zuckerberg 預期公司規模將縮小，形成「每家公司人數更少、公司數量更多」的局面，小型團隊也能以相當規模營運公司。本文提供測量；該文提出 prediction。

開放問題#

• 整體趨勢轉折約有一半來自期刊組成（在持續觀察的期刊內，每年 +1.72 → +0.75 個百分點），而 OpenAlex 在 2023 年 7 月更改作者消歧流程，正值分析期間之內。若改用編輯政策和消歧方法穩定的語料庫（Scopus、Web of Science，或單一大型出版商的內部紀錄），同一時期內的趨勢轉折是否仍然存在？
• 單人論文的內容廣度縮窄 23%，但未轉向新領域。這種範圍是自我約束（作者只做能自行驗證的事），還是能力的限制（LLM 能負責執行，但無法補足第二個思考者所提供的廣度）？此外，單人作品的引用、複現或撤稿品質是否有別於合著作品？論文測量了數量與內容，並明確表示未測量品質。
• 趨勢轉折的歸因，仰賴作者承認只是排序而非檢驗的跨領域排序。若停滯是由 LLM 驅動，便應隨 LLM 能力進步而變動，因此排序也應該改變——執行工作剛變得可自動化的領域（實驗室流程設計、儀器控制）應在較晚時加入。若這只是一次性的重新排序，排序就會固定，停滯也會逐漸消退。

資料來源#

• Return of the solo author: The changing division of labor in science in the age of generative AI — Akira Matsui（神戶大學計算社會科學中心），Return of the solo author: The changing division of labor in science in the age of generative AI，arXiv 2607.10780（2026-07-12，37 頁，單一作者），empirical。§Results（領域排序與可替代性解讀；26 個領域中 23 個反轉、22 個顯著；c=2022 時後期視窗斜率為正的領域有 11 個）；§「Author composition alone does not explain the trend break」（組成標準化、k 門檻條件控制）；§「The mechanism is consistent with LLM substitution」（生產力與資歷輪廓）；§「Going solo shifts content toward computational work」（四組差異中的差異、語義軸、廣度／探索對比）；§Discussion（兩種觀點分配到左尾／上尾）；§Implications（署名與信用；訓練途徑疑慮）；§Limitations（相關性的坦承、品質／論文工廠的疑慮、OpenAlex 流程的疑慮）；SI §B（對稱視窗 Δβ_c 的建構）、§D（疫情後反彈檢驗）、§E（非對稱視窗穩健性）、§F–H（門檻、生產力／年齡、作者層級領域轉折）、§I–J（嵌入分組與作者層級範圍比較）、§K（依作者人數重新估計 Liang et al. 的結果）、§L（平衡期刊面板與 +1.72 → +0.75 的衰減）、§M（事件研究、甜甜圈規格、涵蓋範圍不受限時的 −1.50 疑慮）。圖表繁多的來源，根據文章內文和圖說引述。 文件只有一個表格（SI Table S1，語義軸關鍵詞組），且不含任何結果——所有趨勢估計都在圖表或內文，因此知識庫的表格解析風險不適用於此。Fig. 1（月度分段擬合，各涵蓋範圍版本分面顯示 Δβ）和 SI Fig. S3（Δβ_c 熱圖，領域 × 截點年份 × 篩選版本）都已檢視，並與內文逐項核對；兩種估計量的領域結果不同，本文刻意記錄了兩者。**解析註記：**匯入時修復了十處參考文獻亂碼，以及一處內文亂碼（Barabási ×2、Guimerà、Milojević、González-Márquez、Horvát、Larivière ×2、Andalón）——僅屬外觀修正，不影響任何量化主張。
• Normative boundaries of AI in scientific work: Evidence from PhD researchers — Angelini & Lyrvall，Normative boundaries of AI in scientific work: Evidence from PhD researchers，arXiv 2608.25678，2026-08-26，15 頁，empirical。本文僅引用 §4 表 1 的任務層級接受度邊際比例與四類解答，作為本頁行為痕跡的陳述態度對照。研究以自行選擇參與的國際 STEM 與醫學／健康科學博士生為對象，測量接受程度而非實際使用情形；完整分析見科學研究中的 AI 採用。