丹麦强制论文口头答辩来反AI作弊，这种传统手段真的能挡住 LLM 吗

最近看到丹麦教育界把“论文必须口头答辩才能拿分”变成了强制性要求，这背后的逻辑很直接：既然大模型能秒出几千字且格式完美的学术论文，那么纸面文档已经失去了信用，只能通过面对面的实时反应来验证学生是否真的理解了内容。

这种做法在短期内确实能过滤掉那些完全通过“一键生成”且不看内容的投机者，但站在 AI 工程师的视角来看，单纯依赖口头考查其实是一种认知上的“偷懒”。现在的学生早已不是简单地把论文交给 AI 写，他们已经开始利用 LLM 构建完整的“答辩特训工作流”。

一个典型的场景是：学生在论文生成后，会通过特定的 System Prompt 让 AI 扮演一名“极其严苛、倾向于质疑逻辑漏洞的教授”，针对论文的每一个论点进行模拟追问。通过这种预演，学生可以快速掌握应对各类挑战的话术。如果教授的提问维度不够深，学生只要掌握一套高效的提示词迭代技巧，依然能在这场博弈中伪装成一个具备深度思考能力的学者。

我认为，与其试图用工业革命时期的答辩模式去对抗 21 世纪的生成式 AI，不如将 AI 从“作弊工具”升级为“审计工具”。最硬核的验证方式不应该是考查结果，而应该是考查“思维的演进链路”。

我建议将验证逻辑改为：要求学生在提交论文的同时，必须附带一份记录所有 Prompt 迭代过程的 Log 文件。这个文件应该采用标准化的 JSON 格式，详细记录从初始构思到最终定稿的每一个交互步骤。

例如，一份合格的审计日志应该包含如下结构：

[
  {
    "step": 1,
    "prompt": "帮我分析丹麦教育体系中关于学术诚信的现状",
    "model": "Claude 3.5 Sonnet",
    "timestamp": "2024-05-20T10:00:00Z"
  },
  {
    "step": 2,
    "prompt": "针对上述分析，我想探讨口头答辩如何弥补AI写作的漏洞，请给出三个反向论点",
    "model": "Claude 3.5 Sonnet",
    "timestamp": "2024-05-20T10:15:00Z"
  }
]

在这种机制下，口头答辩的性质将发生根本性的改变。教授不再是随机地在论文中抽查某个知识点，而是基于这份 JSON Log 进行定向追问。比如，教授可以精准地询问：“在第 2 步到第 5 步之间，你的思维逻辑发生了怎样的转变？为什么你决定抛弃之前的论点而采用了现在的视角？”

这种追问方式比单纯的口头陈述要致命得多。因为它考查的不再是“你知不知道这个结论”，而是“你如何引导 AI 抵达这个结论”。这实际上是在考察学生与 AI 协作的共创能力，而非单纯的记忆力或临场发挥能力。

将 AI 协作流程透明化，才是应对 LLM 冲击的正确路径。与其强制回归到传统的口头考查，不如承认 AI 是写作过程的一部分，并要求学生证明自己在协作过程中扮演了真正的“主导者”角色。