學術誠信的重塑與界線：解析 JAMA《醫學出版中作者使用人工智慧之更新指南》

醫學論文的人機協作：JAMA 重新劃定人類作者的責任邊界

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學 特聘教授

JAMA更新指南表明，AI可以作為輔助工具，但絕不能取代人類的學術思考與責任。作者對稿件內容負有最終且完全的責任。未誠實揭露者將面臨退稿或出版後處罰。此指南為數位時代下的醫學出版誠信樹立了明確的規範標竿。  

Generative AI 與 Large Language Models（LLMs）快速進入醫學研究與科學出版，學術界面臨的問題已不再是「應不應該使用 AI」，而是如何在提升效率的同時，維持科學的 accuracy、integrity、transparency 與 accountability。JAMA 於 2026 年公布更新版 AI 使用規範，正反映醫學出版從「是否接受 AI」進一步走向「依使用目的進行風險分層管理」的新階段。

許多作者因擔心審查偏見或對政策不理解，選擇隱瞞 AI 的使用。為捍衛科學紀錄的可靠性，JAMA 及 JAMA Network 期刊發布了最新版的 AI 使用指南，明確劃定允許（Permissible）與禁止（Prohibited）的界線，並重申透明度（Transparency）與作者責任（Accountability）的核心價值。  

JAMA 並未全面排斥 AI。AI 可以正式納入 research、literature search、manuscript preparation、translation，以及 research data 的 graphic visualization；但原則是必須適當揭露，作者亦必須確認所有內容的正確性並承擔最終責任。單純 grammar 或 spelling check 則不需揭露。換言之，AI 可以成為工具，卻不能成為責任主體。

AI 應用的嚴格禁區 (Prohibited Domains)

指南針對幾項高風險的 AI 應用進行了明確限制。首先，不建議使用 AI 生成或管理參考文獻。因為 LLMs 極易產生看似真實但實際不存在的「虛構引文（Hallucinated references）」，作者必須改用標準引文管理軟體並人工逐一核對。其次，禁止使用 AI 撰寫觀點類（Opinion）、給編輯的信（Letters）及評論文章。編輯部指出，這類文章近來出現大量公式化（Formulaic）、缺乏深刻見解且由非專業作者生成的稿件，學術界應優先保留人類的獨到洞察力（Human insights）。再者，禁止提交 AI 創建或篡改的臨床影像、影片及音訊，以維護醫學圖像的真實性與代表性偏誤問題。

在同行審查中將稿件輸入外部 AI 工具—嚴重違反保密協議行為

我自己擔任期刊主編的經驗，開始已經有作者寫私訊給我，懷疑審查人利用AI來審查，並且提出強烈抗議的爭議。同行審查的核心前提是保密（confidentiality）。審查者不得將未公開的稿件、圖表、數據或作者回覆上傳至外部生成式 AI（Generative AI）或大型語言模型（LLMs），亦不應利用其代為撰寫實質性的審查意見，因為此舉可能將作者尚未公開的智慧內容揭露予未經授權的第三方，構成對審查保密義務與學術信任的違反。

對 clinical images、illustrations、video 與 audio，JAMA 同樣採取高度謹慎立場。除非 AI 是正式 research design 或 methods 的一部分，否則不得提交 AI 生成或操弄的臨床影像與影音。其考量包括 clinical fidelity、accuracy 及 demographic bias。研究資料的 graphic visualization 可以使用 AI，但必須在 figure legend 中完整揭露。

• 以下框列出了作者必須遵守的六大核心政策與揭露規範：
• 責任（Responsibility）：作者對所有提交內容的準確性負全責。
• 揭露（Disclosure）：輔助寫作、修改與格式化須於「誌謝區」報告。
• 參考文獻（References）：不得用 AI 生成文獻。  觀點類文稿（Opinion Manuscripts）：禁止使用 AI 撰寫社論、讀者來信。
• 臨床影像（Clinical Images）：未經許可不得使用 AI 生成或修飾醫學影像。
• 未揭露後果（Failure to Disclose）：未誠實揭露者可能面臨退稿或出版後撤稿/更正處分。
• 揭露清單（Items to report）：明訂誌謝中須包含軟體名稱、版本、製造商、使用日期、使用範圍說明與責任確認。

JAMA的更新指南表明，AI 可以作為輔助工具，但絕不能取代人類的學術思考與責任。作者對稿件內容負有最終且完全的責任（Full responsibility）。未誠實揭露者將面臨退稿或出版後處罰。此指南為數位時代下的醫學出版誠信樹立了明確的規範標竿。  

當生成式 AI 走入精神科診間：ChatGPT 評估憂鬱量表之信度挑戰

 當生成式 AI 走入精神科診間：ChatGPT 評估憂鬱量表之信度挑戰

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學 特聘教授

在精神醫療中，推動量化病理學的醫療照護 (Measurement-Based Care, MBC) 是優化憂鬱症 (MDD) 治療成效的核心。近年來Artificial iIntelligence (AI) 與 Large Language Models (LLMs，如 ChatGPT) 快速進入精神醫療領域，也讓我們開始思考：AI 是否能協助精神科臨床評估？

Figure 1. Four-stage study flowchart for the reliability of ChatGPT in HAMD-21

Chang CH, Cheng SW, Chen WJ, Chang CW, Liu TH, Lee JH, Lin SC, Su KP*. A Cautious Integration With AI in the Clinic: A Standardized-Patient Pilot Study of ChatGPT’s Reliability in Hamilton Depression Rating Scale Scoring. Alpha Psychiatry 2026, 27(4), 51483.

漢密頓憂鬱量表（21-item Hamilton Depression Rating Scale, HAMD-21）作為評估憂鬱嚴重的金標準工具，施測極為耗時且易受施測者間差異影響。此外，症狀評估往往不是單純問答，而是需要理解語氣、脈絡、情緒、猶豫、睡眠型態、身體症狀與病人自我覺察。因此，我們設計這項先導研究，想要用比較嚴謹、可重複的方法，檢驗 ChatGPT 在HAMD-21 評分上的可靠度。

身為計畫主持人，我與張俊鴻醫師、劉亭慧醫師、鄭思維醫師，以及我們心身介面研究中心（MBI Lab & Care）臨床團隊的研究助理們，共同執行了這項研究。研究流程分為四個階段 (Figure 1)：

第一，團隊專業演繹建立黃金標準：運用資深精神臨床試驗的MBI團隊之醫師與研究助理，精心編寫10個涵蓋輕度至重度 (HAMD-21 腳本分數 2–27 分) 的臨床情境，並演繹標準化病人 (Standardized Patients, SPs)，以建立高度可重複的評估基準。

第二，將訪談錄影轉為中文逐字稿：訪談全程錄影並透過 Whisper ASR 轉錄為逐字稿，保留語氣停頓與情緒表達線索。

第三，ChatGPT 評分協定 (ChatGPT Scoring Protocol)：將訪談逐字稿輸入 ChatGPT-4o，結合 HAMD-21 中文操作手冊與標準化 Prompt，每個案例重複進行 3 次獨立對話評估，取其平均分數以降低生成式 AI 的隨機波動性 (Stochastic variability）。  

第四，統計分析 (Statistical Analysis)：採用兩向隨機效應、單一評分者、絕對同意模型之組內相關係數（Intraclass Correlation Coefficient, ICC(2,1)）評估信度。人類專家與 ChatGPT 之間的 ICC 差異採用 Steiger's Z 檢定進行單尾顯著性檢定。  

研究結果與數據分析

最令人意外的結果是：總分看起來非常好，但細項差異很大。 在 HAMD-21 total score 上，Human experts 的 ICC 達到 0.9921，ChatGPT 的 ICC 也高達 0.9739，若只看總分，ChatGPT 似乎已經接近 expert-level performance。

然而，當我們進一步看 item-level performance，就出現非常重要的落差。Human experts 在 21 個項目中，有 11 個別項目達到 perfect ICC；ChatGPT 則只有 2 個項目達到 perfect agreement。Steiger’s test 也顯示，human experts 在 10 個個別項目以及 total score 上顯著優於 ChatGPT。這提醒我們：AI 可能會在「總分」上表現漂亮，但在臨床真正需要判斷的細節上，仍然有明顯落差。

更值得注意的是，ChatGPT 的錯誤不是隨機分散，而是有一定模式。它常在 insomnia cluster，也就是 HAMD-21 items 4–6，以及 somatic symptoms item 13 中高估分數，把原本應該是 0–2 分的輕中度症狀，錯誤評為 3 分。更離譜的是，ChatGPT 還出現 總分加總的錯誤。換句話說，AI 能「理解」文字脈絡到一定程度，但在 severity thresholds 與 numerical calculation 上仍會出錯。

討論與臨床意義

這個結果對我們未來臨床試驗非常重要。HAMD-21常被用於憂鬱症的主要或次要症狀分項分析。如果 AI 只是在總分上接近一致，卻在睡眠、身體症狀、體重下降、病識感等細項上出現偏差，就可能影響 treatment response、remission、subscale interpretation 甚至 clinical trial endpoint 的判讀。因此，AI 不應被直接視為取代 rater 的工具，必須保留 human oversight，尤其在細項判斷與臨床意義詮釋上。

這項研究也提醒我們，精神科評估不是單純把文字丟給模型就好。Human raters 在原始訪談中能看到 facial expression、speech latency、emotional tone、psychomotor behavior 與 affective presentation；但 ChatGPT 只看到文字逐字稿，缺少非語言與副語言訊息。這可能是它在部分 HAMD-21 項目中表現受限的重要原因。

結論

ChatGPT-4o 具備作為精神科量化評估輔助工具的潛力，能降低臨床醫師負擔。然而，鑑於其單項判定偏誤與算術錯誤，臨床人類醫師的監督（Human-in-the-loop）仍然是確保醫療安全與精準度的核心底線。  

AI 是否正讓我們變笨？

AI 是否正讓我們變笨？ 

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學 特聘教授

這是一篇於 2026 年發表在知名學術期刊《認知科學趨勢》（Trends in Cognitive Sciences）上的科學與社會（Science & Society）評論文章，題為「AI 是否正讓我們變笨？」（Is AI making us stupid?）。文章探討人類將認知工作外包給人工智慧（AI）時，對人類的「技能（Skills）」、「知識獲取（Knowledge Acquisition）」與「基礎認知能力（Basic Cognitive Abilities）」所產生的潛在影響與應對策略。

Cash TN, Kelly MO, Macnamara BN, Risko EF. Is AI making us stupid? Trends Cogn Sci. 2026 Jul 9:S1364-6613(26)00131-2. doi: 10.1016/j.tics.2026.06.004. Epub ahead of print. PMID: 42425850.

隨著人工智慧（Artificial Intelligence, AI）技術的突飛猛進，大型語言模型（Large Language Models, LLMs）如 ChatGPT、Claude、Gemini 和 已深度融入日常與專業領域，這不僅顛覆了傳統的工作模式，也再度引發了關於「認知外包（Cognitive Offloading）」是否會侵蝕人類智能的社會焦慮。

• 認知外包的定義：人類長期以來皆會尋求外部工具（如計算機、GPS、網際網路）來減少內部認知系統的負擔，這種行為稱為「認知外包（Cognitive Offloading）」。

• 外包帶來的焦慮：雖然技術能提高效率，但人們也普遍擔憂這會損害人類的內在認知功能（如 Nicholas Carr 於 2008 年提出的著名科技反思：「Google 是否讓我們變笨？」）。

• AI 時代的論戰再起：隨著 ChatGPT、Claude、Gemini 等大型語言模型（Large Language Models, LLMs）的激增，關於認知外包對大腦功能負面影響的討論再度被引燃。

• 認知系統的核心區分：為了釐清 AI 的衝擊，必須將人類認知系統區分為兩大層面：

  1. 技能（Skills）：透過練習獲得、旨在有效完成特定任務的「習得行為（Learned behaviors）」（例如：算術、駕駛飛機）。

  2. 基礎認知能力（Basic Cognitive Abilities）：屬於底層、跨領域的「通用心理容量（Domain-general mental capacities）」（例如：工作記憶 Working memory、選擇性注意 Selective attention），是獲取與執行各項專業技能的基石。

AI 認知外包對「技能習得」與「技能衰退」的衝擊 (AI Offloading Undermines Skills and Causes Decay)

• 阻礙技能習得（Impede Skill Acquisition）：技能必須透過實作練習來取得與精進。若將練習完全外包給 AI，將阻礙學習。

  • 實證研究：一項針對高中生的數學學習研究顯示，使用能夠「完全替代解題」之 AI 工具的學生，雖然在練習期間表現優異，但在隨後無法使用 AI 的正式測試中，其成績明顯比從未使用過 AI 的對照組學生更差，符合完全外包剝奪了建立技能能力的想法。

• 加速技能衰退（Foster Skill Decay）：持續的練習是抵抗遺忘、留住既有技能的必要防禦手段。過度依賴 AI 輔助會導致現有技能退化。

  • 實證研究：一項針對內視鏡醫師腺瘤檢測率（Adenoma detection rates）的追蹤研究發現，在引入 AI 輔助檢查工具後的 3 個月內，當醫師在部分隨機個案中無法存取 AI 時，其腺瘤檢測率從原先未引進 AI 前的 28.4% 驟降至 22.4%，顯示 AI 的存在削弱了醫師獨立診斷的技能。

AI 認知 外包對「知識獲取」的負面影響 (Knowledge Acquisition)

• 記憶儲存與提取成本：當人們知道資訊可以外包給外部儲存媒介時，在學習過程中投入的努力會減少，導致日後從記憶中提取該資訊的機率降低。

• 深度學習與淺層學習的差異：研究比較了使用「Google 搜尋」與「AI 工具」獲取知識的差異。使用 Google 搜尋需要學習者自行打開鏈結、跨光源摘要，而 AI 工具則直接代勞生成摘要。

• 自主權與知識內化的喪失：實驗顯示，使用 AI 自動摘要的受試者，其後續在沒有科技協助下給予他人的建議更為簡短、缺乏獨特性且被評為較無幫助；他們花在學習的時間較少、習得的知識較有限，且對所獲得的知識缺乏擁有感（Ownership）。

基礎認知能力的韌性與抗性 (Resilience of Basic Cognitive Abilities)

• 對變革具備頑強抗性：相較於技能與知識，人類的「基礎認知能力」似乎更不易因技術外包而輕易被侵蝕。

• 認知訓練的任務局限性：認知訓練研究表明，大腦任務表現的提升通常具有高度「任務特異性（Task specific）」，而非反映出基礎認知資源（如工作記憶總量）的全面擴大。

• 效率改變而非總量改變：目前的科學共識認為，因訓練或環境引起的認知改變，主要是改變了「認知資源的使用效率」，而非改變個人「可支配的資源總量」。

• 未解之謎與發展階段限制：雖然基礎認知能力提供了對抗科技反烏托邦的屏障，但長期外包或在「兒童早期」等關鍵發展階段（Developmental stages）大量外包 AI 是否會動搖底層認知能力，仍是尚待解答的開放性問題。

AI 的使用方式決定人類認知的未來 (How We Use AI Matters)

• 完全自動化 vs. 主動留存認知圈：AI 對認知的衝擊取決於外包的形式與互動層級。若完全由 AI 代替提交答案，對認知發展最為不利。最核心的關鍵在於「我們如何使用 AI」。

• 引導型 AI 的正面效益（AI as a Tutor/Collaborator）：

  • 在上述高中數學實驗中，增設了第三組使用「客製化 AI 導師（Custom AI tutor）」的學生，該 AI 不直接給予答案，而是透過引導探查學生的知識盲點。當移除 AI 後，這組學生的測試表現並未退化，成功留存了數學技能。

  • 初步證據亦指出，將 AI 視為提供反饋的「協作者（Collaborator）」或將 AI 的輸出作為學習模仿的範本，即使在沒有 AI 的情況下也能提升未來的個體表現。

• 新型技能的演進：隨著時間推移，人類能透過發展「提示工程（Prompt engineering）」等新型技能，學習如何更高效、策略性地與 AI 協作，在最大化利益的同時最小化認知成本。

最核心的關鍵在於「我們如何使用 AI」。若我們在與 AI 工具互動時，能主動讓自己留在「認知圈（Cognitive loop）」內，將 AI 視為給予回饋的協作者（Collaborator）或引導思維的導師（Tutor），而非全然取代思考的拐杖，我們不僅能免於技能退化的代價，甚至能透過提示工程（Prompt engineering）等新型能力的培養，將 AI 轉化為催化個人智力進步與技能內化的強大工具。