实验报告要交了，数据还没整理完，一些学生的第一反应是让 AI 全包：数据编一编，分析写一写，格式排一排。这条路看着省事，踩的却是学术诚信里分量最重的一条线——数据造假。AI 在实验报告里能做什么、不能做什么，边界其实很清楚：数据必须来自你自己的真实记录，AI 只能帮你在表述和整理上省力。这篇把这个边界拆开讲。
数据是报告的命根子
实验报告考核的核心不是文笔，是你有没有真的做过实验、有没有真的看懂结果。数据一旦不真实，后面所有分析都成了空中楼阁——给编造的数据做误差分析，等于在假地基上盖楼。而且数据造假和行文抄袭性质不同：抄袭还能说是引用不当，编数据是凭空制造证据，各校的处分口径普遍更重。有的学生图省事，把实测数据「修好看一点」再交，比如把离群值悄悄抹平、把不明显的趋势改明显，这类加工在老师眼里同样算造假，因为报告的每一组数字都默认对应真实测量。逆向思考一下：科研训练要练的就是尊重原始数据这个习惯，AI 工具再方便，也替代不了你亲手记下的那一页记录。
AI 在报告里的正确位置
数据的采集、录入、核对，从头到尾都该是你自己的活。AI 能接手的是外围环节：帮你把记录表格整理成规范格式，把实验步骤的口语化描述改写成书面表达，解释某条统计方法的含义，检查图表编号和单位有没有错漏。用 DeepSeek 把乱糟糟的原始记录理成一张像样的数据表，用 Kimi 核对一遍方法部分的术语用得对不对，都是合理的用法。把握一条标准就能分清位置：凡涉及「这个数字是多少」的环节，AI 一个都不许碰；凡涉及「这段话怎么写得更清楚」的环节，AI 都可以搭手。还有一点值得留意，让 AI 润色后的文本会带可辨认的特征，检测原理见AIGC 检测的局限一篇，改写太重反而添麻烦。
从记录到成稿的分工
实操上可以按三个阶段分工。实验进行中，专心记录原始数据，拍照或手写都行，这是最重要的证据。实验结束后，自己先把数据过一遍：哪些组有异常，异常的原因能不能解释，这一步是分析能力真正的训练点，跳过它，报告就只剩壳子。最后才是成稿环节，把已经得出的结果交给 AI 组织语言——结论怎么下、误差怎么讨论，先写出你自己的版本，再让 AI 帮忙顺句子，顺序不能反。顺序反了会发生什么？AI 替你「分析」出一套看似合理的结论，你照抄上去，答辩时老师追问一句「这个偏差为什么出现」，你答不上来，报告的真实性当场存疑。组队实验里同样的道理也适用，向组员说明 AI 用在哪一步，见小组作业的分工与贡献一篇。
| 阶段 | 自己做的事 | AI 的位置 |
|---|---|---|
| 实验进行中 | 专心记录原始数据，拍照或手写留存 | 不参与，数字一个都不碰 |
| 实验结束后 | 把数据过一遍，看哪些组异常、原因能否解释 | 不参与，分析结论由自己下 |
| 成稿环节 | 先写出自己的结论与误差讨论 | 整理格式、改写书面表达、核对术语与图表编号 |
交之前的自查
交报告前，把三道自查过一遍，见学生用 AI 的自查清单一篇。第一道问数据：报告里每个数字都能在原始记录里找到对应吗？找不到的，要么补测要么如实标注，不能留着。第二道问理解：结论部分的每句话，你能用自己的话向别人解释吗？解释不了的，回去把分析补上，别指望成稿漂亮就能过关。第三道问声明：课程要求声明 AI 使用环节的，按格式写清楚用了什么工具、用在哪一步，参考文献格式不熟的可以先看引用来源入门一篇。三道都过得去，这份报告才真正是你的。
实验报告用 AI 的三条边界
- 数据只认真实记录：编造、修饰、挪用他人的数据都属造假，处分普遍重于行文问题
- AI 只做表述与整理：格式、措辞、术语核对可以求助，数字本身一个不碰
- 结论自己下：先写自己的分析，再让 AI 顺句子，顺序反了答辩会露馅
关于实验报告与 AI 的常见疑问
- 数据是同学的真实数据，借用一下算造假吗？：算。实验数据对应的是你本人的操作过程，直接挪用他人的数据，无论对方是否同意，都绕开了你自己做实验这个环节，按各校口径属于数据不实，正确做法是重做或按课程规则申请补做。
- 让 AI 根据我的真实数据生成分析结论，可以吗？：不建议。分析环节正是这门训练要考的核心，AI 生成的结论你未必真懂，答辩追问容易露馅。稳妥的做法是自己先写出分析和结论，再让 AI 帮忙把表达理顺，理解层面的差距可以参考听懂与会做的差距一篇的思路补课。
- 原始记录丢了，能不能让 AI 补一份像样的数据？：不能。补出来的数据就是编造，性质比记录丢失严重得多。如实向老师说明情况，问能不能补测或按已有部分提交，多数老师对真实的残缺比对完整的假更宽容。
