经济学研究中处理AI写作风格痕迹：以Claude的破折号为例

2026年4月，一条来自学术圈的推文引发了广泛讨论。

Marshall Steinbaum，一位拥有麻省理工本科和芝加哥大学经济学博士学位的犹他大学经济学助理教授，在社交媒体上分享了他的一个工作日常。他表示，自己如今的一项重要任务，就是处理Claude AI生成的文本，具体来说，是删除其中过多的破折号（em-dash），以降低文本中过于明显的AI痕迹。

这条推文之所以引发共鸣，不仅是因为其略带幽默的自嘲，更是因为它精准地揭示了一个在学术圈内日益普遍却较少被公开谈论的现象：越来越多的研究者正在使用AI工具辅助写作，同时又在努力掩盖这一事实。

如果你最近频繁使用Claude进行写作，可能已经注意到了它的一个显著语言习惯——对破折号（—）的偏爱。Claude常常使用破折号来切分句子或插入补充说明，这种用法并非偶然。

事实上，经过大规模数据训练的主流大模型，都形成了各自可被识别的语言风格和习惯。过度使用破折号是其中辨识度较高的特征之一，而在Claude的输出中尤为突出。这也导致学术期刊编辑、导师和审稿人越来越能凭借此类语言细节，来初步判断一篇稿件是否大量依赖了AI生成。

于是，“删除破折号”这项看似简单的工作，悄然成为了一些研究者工作流程中的新环节。不少学者已经将其内化为AI辅助写作后的标准后处理步骤：生成初稿后，第一步或许不是检查核心论证，而是先进行全文检索，将那些标志性的破折号替换掉。

操作本身虽不复杂，但它揭示了一个更深层的问题：学术生产中的“后处理”成本正在悄然上升。

更完整的背景是，Steinbaum教授在另一条相关推文中提到，在2026年使用AI进行经济学研究，让他职业生涯中第一次感到，自己作为一名擅长写作的经济学家的“比较优势”真正发挥了作用。

将这两条信息结合起来看，一幅更复杂的图景浮现出来：

第一，AI正在重塑经济学研究者的技能价值与分工。那些擅长清晰表达、逻辑判断和信息整合的研究者，相比单纯依赖数学建模和推导的人，在驾驭AI工具上可能更具优势。长期以来在经济学圈内被相对低估的“写作能力”，其价值正在被重新评估和定价。

第二，这种“比较优势”的发挥是有代价的。工作流中新增了一个必不可少的环节：清洗AI的固有语言风格，让最终产出看起来不那么像机器生成的。删除AI文体痕迹、调整语气、重新组织逻辑连贯性，每一步都无法省略。对于熟悉自身领域的研究者而言，修改AI初稿所花费的时间，有时并不比从头亲自撰写少。此外，由于AI生成内容在某些学术语境下仍面临信任度问题或面临主动检测，因此，“规避检测”本身也成了一项新的隐性成本。

那么，如果你也在使用AI辅助学术写作，有哪些事情可能比逐句手动删改破折号更值得投入精力呢？

首先，优化提示词（Prompt）。你可以在给Claude的指令中明确加入风格要求。除了破折号，Claude还可能过度使用“certainly”、“moreover”、“it‘s important to note”等短语。在提示词中明确要求避免这些习惯用语，可以显著减少后期编辑的工作量。

你可以尝试使用一些专门为此设计的工具，例如这个能帮助降低AI文本痕迹的开源神器。

其次，警惕让“删改AI痕迹”成为你工作流的核心环节。如果这项工作占据了大量时间，这可能是一个信号，提示你的提示词设计仍有优化空间，或者当前选用的AI工具并不完全适合你手头的具体任务场景。

再者，对于有明确规避AI检测需求的场合，系统性地使用风格改写或文本人类化工具，通常比手动逐句调整效率更高。

最后，或许也是最根本的一点：如果大量时间都花在“让AI的输出看起来不像AI”上，我们可能需要退一步思考，当前这项工作本身是否真的适合用AI来生成初稿。这个问题或许比如何处理破折号更值得深入探讨。关于技术工具如何影响研究范式与工作流程的讨论，也常在开发者广场这类技术社区引发热议。