随着生成式人工智能在学术写作中的普及，朱雀大模型以及 Turnitin、iThenticate 等主流检测系统相继推出了 AI 写作识别功能。不少研究者在提交文献综述后，发现报告中被标注出大面积 蓝色 或 紫色 区域。本文深度解析这一现象背后的机制，并提供切实的应对思路。
在 iThenticate 2.0 及 Turnitin 的 AI 写作报告中，蓝色 通常表示该段落文本“很可能是由大型语言模型（如 ChatGPT、朱雀等）生成的”[citation:3][citation:4]。而 紫色 则进一步提示该内容不仅由 AI 生成，还可能经过了 AI 改写工具的修饰[citation:3][citation:4]。对于文献综述而言，由于其写作范式常遵循“XX（年份）指出……另有学者认为……”的排列式结构，极易与 AI 生成文本的模式高度重合，因此成为检测的“高敏区”[citation:2]。
值得注意的是，朱雀大模型 本身也参与了大模型安全与伦理的研究工作，其团队联合发布的《大模型安全与伦理研究报告》指出，AI 生成内容的可检测性与文本的“突发性”和“熵值”相关——这与文献综述中高密度信息但低个人观点的特征相吻合[citation:6]。
针对朱雀等检测系统，并非简单替换同义词就能奏效。有效的降 AI 率策略需要从「结构重塑」与「个人思想注入」两个维度展开：
在每篇文献引用后，加入你自己对这项研究的评价、质疑或延伸思考。这类高度个人化的表述是 AI 最难生成的“活性成分”，能有效打断机器文本的模式识别[citation:2]。
将“A 认为……B 认为……”的并列结构，改为“尽管 A 提出了……但 B 从……角度进行了补充”等递进或对比关系。打破 AI 偏好的“线性堆砌”。
改变综述的叙述顺序，例如按“问题导向”而非“时间线”组织文献，同时调整段落首句与末句的总结方式，增加文本的“不可预测性”。
可借助星火科研助手、百度橙篇等工具进行初稿生成，但务必进行深度改写。部分平台提供“降 AIGC”专项服务，但核心仍需回归到个人化润色[citation:1]。
若您在写作过程中遇到 AI 检测困惑，以下资源或可提供参考：