arXiv cs.AI· Koutian Wu, Zesen Huang, Hejia Geng·· 12 小时前AI 评分31
Git 记录不了什么：两个 AI 辅助科研仓库中的溯源可读性
What Git Does Not Record: Provenance Legibility in Two AI-Assisted Research Repositories
AI 导读
一项对同一作者两个 AI 辅助科研仓库的审计发现，Git 仓库无法可靠反映 AI 参与程度：规范性痕迹（常驻规则文件）85.6% 的历史代码行在当前版本可见，叙事性痕迹（agent 草稿本）仅 21.8%，但按修订计两者差距远小（41 个修订中分别有 15 和 18 个不留可见行）。
正文 · AI 翻译
摘要：出版商和资助机构越来越多地要求作者披露 AI 工具如何对一项研究做出贡献。在计算类工作中，代码仓库是作者或审计者寻找答案的地方，而我们追问它实际能提供什么。我们审计了同一领域、同一作者的两个单研究者仓库，每个仓库都带有不同类别的智能体残留：一个是规范性痕迹，由常驻规则文件构成；另一个是叙事性痕迹，由运行中智能体的草稿本构成；两个仓库分别有 466 和 103 次提交。两者以相反的方式可读。规范性痕迹中曾提交过的所有行有 85.6% 在当前修订版本中可见，而一条常驻规则陈述结论并丢弃其背后的过程；叙事性痕迹记录过程，可见比例为 21.8%。按修订版本计数，差距要小得多：规范性痕迹的 41 个修订版本中有 15 个没有留下可见行，叙事性痕迹的 41 个中有 18 个。Co-Authored-By 尾注是自动化审计所读取的字段，它是项目 A 携带的三个 AI 尾注键之一，在携带任一尾注的 121 次提交中覆盖了 66 次。在项目 B 中，它相对于一个明确的仓库内代理指标灵敏度很低：39 次提交修订了一个用于保存智能体工作笔记的文件，其中 1 次（2.6%）携带该尾注。项目 A 的仓库级比率在时间上也不稳定，在我们未事先指定的一个边界处从 2.7% 跃升至 17.7%。仓库渠道之间并不一致，两个比率都不能被解读为参与率；我们没有分离出原因，并如实说明。我们逐字段说明这些痕迹支持哪些来源声明、不支持哪些、以及哪些它们回答得自信却错误，构建了一个可审计的证据台账，并推导出这对任何旨在实时记录研究来源的系统所提出的要求。
| 评论： | 被 NeurIPS 2026 AI-Native Academia 研讨会接收。12 页，4 幅图。案例研究是两个大气与海洋科学研究仓库 |
| 主题： | 数字图书馆（cs.DL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.28655 [cs.DL] |
| （或 arXiv:2610.28655v1 [cs.DL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28655 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Koutian Wu [查看邮箱]
[v1]
2026 年 10 月 9 日星期五 05:43:17 UTC（43 KB）
来源：arXiv cs.AI · arxiv.org