研究型碩士研究計畫：AI協作後如何確認原創性與作者痕跡

研究型碩士的申請文件中，研究計畫（Research Proposal）往往是最難寫的一份。它不像個人陳述那樣可以靠敘事打動人，也不像成績單那樣有客觀標準；它要證明的是你有能力提出一個值得研究、且你做得來的問題。當你考慮用AI協助撰寫這份文件時，最擔心的通常是：用了AI之後，我的研究計畫還算原創嗎？

這個問題需要拆開來看。「原創性」在學術寫作中有兩個層次：一是思想層次，指你的研究問題、切入角度和論證路徑是否新穎；二是文本層次，指你寫出來的字句是否為你自己所寫。AI可以影響第二個層次，但第一個層次——你的研究構想——只能來自你對文獻的閱讀和對問題的思考。

先搞清楚「原創性檢查」到底在檢查什麼

很多申請者誤以為「原創性檢查」等同於查重軟體跑出來的相似度百分比。實際上，學校對研究計畫的審查，遠不止於比對文字重複。評審在看的是：你的研究問題是否只是文獻綜述的重新排列？你的方法論選擇是否顯示你理解這個領域的研究慣例？你的計畫是否顯示出你對既有研究的批判性思考？

AI生成的研究計畫，即使文字完全原創、查重率極低，也可能在思想層次上缺乏原創性——因為它只是把常見的研究框架和熱門關鍵詞組合在一起。反之，如果你的研究構想來自你實際閱讀文獻後的困惑，即使某些句子結構與既有文獻相似，評審也能從你的問題意識中看出你的獨立思考。

因此，當你在思考「如何降低模板感」時，真正要處理的不是文字表面的相似度，而是你的研究問題是否有你自己的切入角度。

可以做：文獻脈絡的整理。 請AI幫你整理某個研究領域的主要辯論、關鍵學者與近期發展，可以幫你快速掌握文獻地圖。但這些整理出來的內容，你必須實際閱讀過原始文獻，才能判斷AI的歸納是否準確，也才能從中找到你自己的研究縫隙。

可以做：邏輯漏洞的提示。 寫完初稿後，請AI檢查你的研究問題、方法與預期貢獻之間是否有邏輯斷裂。例如你的研究問題是探討某個政策的實施效果，但你的方法只打算做訪談，AI可能會提醒你：訪談數據能否回答因果問題？這個提醒可以幫你調整方法設計。

可以做：術語規範性檢查。 AI可以幫你確認你使用的方法論詞彙是否符合該領域的標準用法，避免自創術語或誤用概念。

不該做：替你決定研究問題。 如果你請AI「根據我的背景提出三個研究題目」，它給你的題目通常來自熱門研究趨勢的組合，而不是來自你對文獻的困惑。用這樣的題目寫出來的研究計畫，就算文字再流暢，也缺少你個人的研究脈絡。

不該做：替你撰寫文獻回顧的實質內容。 AI可以幫你整理文獻，但它無法判斷哪些文獻對你的研究問題真正重要，也無法代替你對這些文獻的批判性評價。如果你的文獻回顧只是羅列前人的研究而沒有指出它們的不足，評審一眼就能看出你沒有真正讀過這些文獻。

「作者痕跡」指的是文書中能讓讀者感受到作者存在的地方。在研究計畫中，這些痕跡通常出現在三個位置：你對研究問題的動機說明、你對既有研究的批判性評論、以及你對方法選擇的辯護。

動機說明。 為什麼是這個問題？為什麼是你來研究這個問題？這些問題的答案通常來自你的個人經歷、先前的課程或實習經驗、或你觀察到的某個現象。AI無法替你產生這些連結，但它可以幫你把這些連結寫得更清楚。

批判性評論。 當你說「既有研究忽略了X面向」時，這個判斷必須來自你實際讀過相關文獻後的發現。AI可以幫你檢查這個評論是否有足夠的文獻支持，但它無法替你判斷「忽略」是否是一個公平的批評。

方法選擇的辯護。 你為什麼選擇質性而非量化？為什麼選擇某個案例而非其他案例？這些選擇背後的推理，是你研究計畫中最能展現學術成熟度的部分。AI可以幫你檢查這些理由是否邏輯一致，但理由本身必須來自你對研究設計的理解。

如果你覺得自己的研究計畫讀起來像套用某個框架，可以試試以下幾個方法：

第一，把你的研究問題寫成一句話，然後問自己：如果換成另一個研究者來寫，他會用同樣的方式描述這個問題嗎？如果你的描述方式太普遍，試著加入更具體的脈絡——例如你關注的是某個特定地區、某個特定群體或某個特定時間段的現象。

第二，檢查你的文獻回顧是否有「清單感」。如果你只是在每個段落中介紹一位學者的觀點，然後下一個段落介紹另一位學者，這就變成了清單。試著把文獻按照主題或辯論組織，而不是按照作者組織。

第三，在方法論部分，不要只寫「我將採用訪談法」，而是寫出你對訪談對象的初步想法、你預計如何分析數據、以及你對方法限制的認識。這些細節會讓你的計畫看起來更像一個實際可行的研究設計，而不是一份格式正確的範本。

在提交研究計畫之前，請對照以下項目確認：

研究計畫的原創性，最終不是靠文字檢查工具來保證的，而是靠你對研究問題的真實掌握。AI可以幫你整理文獻、調整語言、檢查邏輯，但它無法替代你閱讀、思考和質疑的過程。把這些過程留下痕跡，你的研究計畫自然會有你自己的聲音。