博士申請的履歷被AI檢測工具標記，最近成為不少申請者焦慮的來源。但先釐清一件事：AI檢測工具判斷的是文本的統計特徵——詞彙變化程度、句式重複率、用詞機率分佈——它不判斷內容是否真實，也不判斷你是否具備研究能力。一份完全由你親自撰寫、但句式工整的CV，可能被標記為「疑似AI生成」；一份大量使用AI輔助但保留具體研究細節的CV，反而可能被判定為「原創」。這不代表檢測工具可靠，只說明它衡量的是表面模式。

對博士申請來說，更重要的問題不是「如何讓檢測工具認為我是人寫的」，而是「如何讓審查教授從CV中看到我的研究證據」。教授不會因為檢測工具給出低分就錄取你，他們會看你的論文發表、研究計畫、推薦信與面試表現。與其花時間調整措辭來躲避偵測，不如把精力放在讓每條經歷都承載可驗證的證據。

檢測工具到底在看什麼

現有AI檢測工具大致分析三類特徵：詞彙熵值（用詞是否過於平均）、句法重複度（句式結構是否單一）、以及機率分佈偏離度（文本是否呈現大語言模型常見的用字模式）。這些都是統計判斷，不是語義判斷。

這意味著兩件事。第一，CV越短、項目越少，檢測的誤判空間越大——因為統計樣本不足，工具只能根據有限文字猜測。第二，改寫幅度越大，檢測結果越不穩定——同一段文字，用不同工具檢測可能得到相反結論。因此，把AI檢測分數當作「原創性證明」或「作弊證據」，都是誤用。

博士申請的CV通常包含發表論文、會議報告、研究助理經歷、教學經驗等項目。這些內容本身具有高度個人化的特徵——期刊名稱、論文標題、實驗方法、指導教授姓名——這些是AI無法虛構的，也是檢測工具無法從文本模式判斷真偽的。

降低模板感的實質做法

模板感來自於「所有項目都長得一樣」。常見的AI生成CV會讓每條經歷都用動詞開頭、每段描述都是「負責……」「參與……」「協助……」，時間排序整齊，字數平均分配。真實的研究經歷通常不均勻：某個項目你投入了兩年，某個會議只是一個下午的報告。

做法一：打破字數均勻。把投入最深的項目寫三到四行，次要項目寫一行。這種不均勻本身就反映了你的投入程度，也是人寫文本的自然特徵。

做法二：加入具體方法與工具名稱。不要只寫「進行數據分析」，寫「使用Python與R處理RNA定序數據，並以DESeq2進行差異表達分析」。這些技術細節是你的研究軌跡，AI無法替你編造——如果你沒用過某個工具，你寫不出使用它的具體情境。

做法三：用短句描述成果，用長句描述過程。成果（如「論文發表於某某期刊」）不需要修飾；過程（如「在實驗室遇到樣本汙染問題後，改以冷凍切片方式重新製備」）可以稍微展開。這種節奏變化讓CV讀起來像一個人在講述自己的研究故事，而不是從模板填充的表格。

做法四：保留不完美的痕跡。如果你在研究中曾改變方向、遇到失敗、修正假設，這些內容可以簡短提及。學術界對誠實描述研究過程的接受度很高，反而是一路順遂的敘述更容易引起懷疑。

被標記後如何回應

如果你已經提交CV，且學校或教授詢問AI檢測結果，不要急著否認使用AI。誠實說明你的工作流程：哪些部分使用了AI輔助（例如整理格式、調整用詞），哪些部分完全由你撰寫（例如研究描述、方法細節）。同時主動提供其他證據——發表論文PDF、實驗記錄、會議簡報——讓對方從內容判斷你的能力。

多數學術機構對AI的態度是「使用需揭露，但內容需真實」。博士申請的核心是研究潛力，不是文字產出方式。如果你的CV中每一條經歷都有對應的論文或計畫可查，文字是否經過AI潤飾，對審查結果的影響遠低於你以為的程度。

最終的判斷標準仍然是人：你的指導教授、審查委員會、面試官。他們會讀你的CV，追問你寫下的每個技術細節。與其讓CV讀起來像「完美的人工智能產物」，不如讓它讀起來像「一個真實研究者的工作記錄」——即使有些句子不夠流暢，但每一句都經得起追問。