问题导入
AI 会怎样改变法学研究从问题形成到论证完成的全过程，哪些环节可以交给工具辅助，哪些判断必须由研究者负责？
专题 12
人工智能与法学研究
把 AI 放进研究问题、研究意义、设计、方法、论证和贡献表达的全过程，学习在人机协作中保持原创性、可核验性和作者责任。
专题导读
本专题不再把 AI 只作为“检索工具”或“写作助手”，而是把它放进法学研究的完整流程：研究问题如何生成，研究意义如何被证明，研究设计如何安排材料和边界，研究方法如何选择与记录，论证如何接受反方测试，最终贡献如何由人类作者承担责任。
AI 可以降低法律文本分类、文献搜寻、案例初筛、摘要改写和反对意见生成的成本，也可能带来幻觉引文、伪问题、过度概括、概念偷换、数据偏差和认知去技能化。所有 AI 输出都必须回到可验证文献、一手资料、规范文本和可复查的方法记录。
本专题同时把 AI 作为研究对象。中文材料帮助学生理解人工智能时代的新法学问题、计算法学和数字法学研究范式；英文材料展示生成式 AI 如何改变法律学术生产、实证法学、文本标注、法律推理评测和法律幻觉研究。
如何使用本专题
问题化
先把专题问题改写为可回答的研究问题：AI 会怎样改变法学研究从问题形成到论证完成的全过程，哪些环节可以交给工具辅助，哪些判断必须由研究者负责？
材料化
围绕 问题生成与审计、研究意义校准、语料与提示词记录 选择规范文本、案例、数据、比较材料或理论文献。
贡献化
用 AI 辅助检索、研究问题生成、研究意义校准、提示词与语料记录 说明你的研究准备改变哪一个概念、解释、证据或制度判断。
学习目标
- 能区分 AI 辅助研究、AI 法律问题和 AI 生成内容风险。
- 能用六环节矩阵检查 AI 对研究问题、意义、设计、方法、论证和贡献表达的影响。
- 掌握 AI 引文核验、来源校正、提示词记录和使用披露流程。
- 理解算法偏见、可解释性、法律数据集、评测基准和法律幻觉的基本研究问题。
核心概念
AI 辅助检索研究问题生成研究意义校准提示词与语料记录幻觉算法偏见学术诚信作者责任
方法说明
- 问题生成与审计
- 研究意义校准
- 语料与提示词记录
- 零样本标注
- 反方论证测试
- AI 使用披露
方法展开
- 问题生成：让 AI 提出多个研究问题，但逐一检查其真实性、法域边界、资料可得性和是否只是技术热词包装。
- 意义校准：要求 AI 区分现实重要性、学术空白、规范价值和制度影响，再用真实文献证明这些意义并非空话。
- 设计审计：记录语料来源、案例选择、比较对象、模型版本、提示词、排除标准和伦理风险，说明 AI 在哪一步只是辅助。
- 方法选择：根据问题决定 AI 用于检索、摘要、翻译、文本标注、变量编码、反方论证还是写作润色，并为每种用途设置人工复核。
- 论证压力测试：让 AI 生成反例、反方观点和薄弱环节，再用案例、规范文本和权威文献判断哪些反驳成立。
- 贡献与披露：最终贡献必须由作者说明，披露 AI 使用范围，保留核验记录，并写清 AI 未能解决的限制。
常见误区
- 把 AI 输出当作已经完成的文献综述。
- 引用不存在或不可核验的文献。
- 把 AI 生成的流畅摘要误认为研究意义已经成立。
- 把模型分类、评测分数或文本标注结果直接当作规范结论。
- 忽视训练数据、评测任务、提示词和法律推理之间的差距。
方法论文献
本专题关联 34 条文献，其中中文 8 条、英文 26 条。建议先读方法论材料确定研究类型，再用中文文献理解中国法学语境，最后用英文经典扩展理论与比较视野。
Recommendation on the Ethics of Artificial Intelligence
为讨论 AI 治理、偏见、透明度、责任和学术诚信提供规范背景。
UNESCO, Recommendation on the Ethics of Artificial Intelligence, 2021.
人工智能伦理治理
The Scored Society: Due Process for Automated Predictions
适合专题12讨论算法评分、自动化预测和程序保障。
Citron & Pasquale, The Scored Society, Washington Law Review, 89, 2014.
人工智能算法偏见正当程序
The Rules of Inference
实证法学研究设计的核心阅读，特别适合讨论样本、偏差和推论。
Epstein & King, The Rules of Inference, University of Chicago Law Review, 69(1), 2002.
实证研究因果推论研究设计
Big Data's Disparate Impact
算法歧视法律研究的经典论文，适合 AI 专题讨论数据、模型和法律责任。
Barocas, S., & Selbst, A. D. (2016). California Law Review, 104, 671-732.
人工智能算法偏见反歧视法实证研究
The Intuitive Appeal of Explainable Machines
解释为什么技术可解释性与法律可问责性并不总是同一件事。
Selbst, A. D., & Barocas, S. (2018). Fordham Law Review, 87, 1085-1139.
人工智能可解释性技术治理法律与科技
Machine Learning and Law
较早系统介绍机器学习进入法律领域的可能性与限制。
Surden, H. (2014). Washington Law Review, 89, 87-115.
人工智能法律与科技研究问题
ChatGPT, Large Language Models, and Law
概括 LLM 的技术进展、法律应用和限制，适合作为学生进入 AI 与法律研究的英文总论。
Surden, H. (2024). ChatGPT, Large Language Models, and Law. Fordham Law Review, 92, 1941.
人工智能法律与科技大语言模型法学方法
CAIL2018: A Large-Scale Legal Dataset for Judgment Prediction
中国法律人工智能数据集研究的重要起点，可用于讨论数据、预测和法律推理的差距。
Xiao, C. et al. (2018). arXiv:1807.02478.
人工智能中国法数据集实证研究
LawGPT: A Chinese Legal Knowledge-Enhanced Large Language Model
展示中文法律大模型训练和知识增强路径，也适合讨论隐私与实际应用限制。
Zhou, Z. et al. (2024). arXiv:2406.04614.
人工智能中国法大语言模型法律与科技
LAiW: A Chinese Legal Large Language Models Benchmark
从法律实践逻辑出发评测中文法律大模型，可用于 AI 研究问题审计。
Dai, Y. et al. (2023). arXiv:2310.05620.
人工智能中国法评测法律思维
LegalBench: A Collaboratively Built Benchmark for Measuring Legal Reasoning in Large Language Models
把法律推理拆成可评测任务，为讨论 AI 法律能力、评测指标和研究设计提供范例。
Guha, N., Nyarko, J., Ho, D. E., Ré, C., et al. (2023). LegalBench. Advances in Neural Information Processing Systems 36.
人工智能法律推理评测研究设计
How to Use Large Language Models for Empirical Legal Research
直接说明 LLM 如何用于法律文本分类和经验研究设计，是 AI 作为研究方法工具的核心材料。
Choi, J. H. (2023). How to Use Large Language Models for Empirical Legal Research. Journal of Institutional and Theoretical Economics (forthcoming).
人工智能实证研究文本分析研究设计
Language Model Interpretability and Empirical Legal Studies
提醒学生在使用 LLM 把法律文本转化为数据时，应权衡准确率、可解释性和方法透明。
Livermore, M. A., Herron, F., & Rockmore, D. (2024). Language Model Interpretability and Empirical Legal Studies. Journal of Institutional and Theoretical Economics, 180(2), 244.
人工智能实证研究可解释性法学方法
Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models
以系统证据说明法律大模型幻觉风险，适合训练引文核验、来源审计和 AI 输出的证据边界。
Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large Legal Fictions. Journal of Legal Analysis, 16(1), 64-93.
人工智能法律幻觉引文核验研究诚信
The Unreasonable Effectiveness of Large Language Models in Zero-Shot Semantic Annotation of Legal Texts
适合展示 AI 如何改变法律文本编码、案例分析和实证研究的前期探索成本。
Savelka, J., & Ashley, K. D. (2023). The Unreasonable Effectiveness of Large Language Models in Zero-Shot Semantic Annotation of Legal Texts. Frontiers in Artificial Intelligence, 6.
人工智能文本标注实证研究法律文本分析
Computational Legal Studies Comes of Age
用 law-as-code 与 law-as-data 概括计算法学发展，适合连接 AI、数据科学和传统法学方法。
Chau, B., & Livermore, M. A. (2024). Computational Legal Studies Comes of Age. European Journal of Empirical Legal Studies, 1(1).
计算法学人工智能实证研究法律文本分析
Textual Insights: What Can Computers Teach Legal Scholars About Law?
讨论计算工具如何补充教义学文本研究，适合说明 AI 不必替代传统法学方法，而可扩大可观察材料。
Lindholm, J. (2024). Textual Insights: What Can Computers Teach Legal Scholars About Law? Stockholm IP Law Review, 2, 25-32.
人工智能法教义学文本分析法学研究
Generative AI and the Future of Legal Scholarship
以生成式 AI 参与法律学术写作为示范和反思，适合讨论研究意义、原创性和作者责任的边界。
Perlman, A. M. (2024). Generative AI and the Future of Legal Scholarship. Suffolk University Law School Research Paper.
人工智能法学研究学术写作作者责任
Large Language Scholarship
从学术生产、期刊筛选、学生训练和认知去技能化等层面分析 AI 对法律学术生态的系统影响。
Frazier, K., & Rozenshtein, A. Z. (2025). Large Language Scholarship. 20 FIU Law Review (forthcoming 2026).
人工智能法律学术学术伦理法学院
Privacy in Context: Technology, Policy, and the Integrity of Social Life
情境完整性理论适合解释数据隐私、平台治理和 AI 决策的规范结构。
Nissenbaum, H. (2010). Privacy in Context. Stanford University Press.
隐私法律与科技理论框架交叉学科
Technological Due Process
自动化行政决策和程序保障的早期经典，适合连接 AI 治理与传统公法原则。
Citron, D. K. (2008). Washington University Law Review, 85, 1249-1313.
人工智能自动化决策正当程序法律与科技
Accountable Algorithms
把计算机科学的可审计机制与法律问责问题连接起来，是算法治理的基础阅读。
Kroll, J. A. et al. (2017). University of Pennsylvania Law Review, 165, 633-705.
人工智能算法问责法律与科技技术治理
Regulating by Robot: Administrative Decision Making in the Machine-Learning Era
适合讨论机器学习进入行政决策后，透明、理由说明、裁量和司法审查如何变化。
Coglianese, C., & Lehr, D. (2017). Georgetown Law Journal, 105, 1147-1223.
人工智能行政法自动化决策法律与科技
Life, Liberty, and Trade Secrets: Intellectual Property in the Criminal Justice System
说明商业秘密如何阻碍刑事司法中的算法质证，适合讨论可解释性与证据权利。
Wexler, R. (2018). Stanford Law Review, 70, 1343-1429.
人工智能刑事司法证据算法透明
A Right to a Human Decision
追问自动化治理中是否存在由人作出决定的权利，适合 AI 专题中的规范论证训练。
Huq, A. Z. (2020). Virginia Law Review, 106, 611-688.
人工智能自动化决策权利正当程序
The Right to a Glass Box: Rethinking the Use of Artificial Intelligence in Criminal Justice
从刑事司法风险评估出发主张可解释模型，适合讨论黑箱模型与法治要求的冲突。
Garrett, B. L., & Rudin, C. (2024). Cornell Law Review.
人工智能刑事司法可解释性算法问责
人工智能法学研究的反智化批判
提醒学生避免把技术热词替代真正的法学问题和方法训练。
刘艳红：《人工智能法学研究的反智化批判》，《东方法学》2019年第5期，第119-126页。
人工智能法律与科技法学方法中国法
人工智能时代提出的法学新课题
以“问题就是时代的口号”为入口，适合训练学生从技术变化中提炼真正的法学研究问题和研究意义。
王利明：《人工智能时代提出的法学新课题》，《中国法律评论》2018年第2期卷首语，第1-4页。
人工智能研究问题法律与科技中国法
算法权力的兴起、异化及法律规制
适合说明算法不只是技术工具，也可能成为影响权利、选择和社会排序的权力机制。
张凌寒：《算法权力的兴起、异化及法律规制》，《法商研究》2019年第4期。
人工智能算法权力法律与科技中国法
论算法的法律规制
系统比较算法公开、个人数据赋权、反算法歧视等规制路径及其局限。
丁晓东：《论算法的法律规制》，《中国社会科学》2020年第12期。
人工智能算法规制法律与科技中国法
热与冷：中国法律人工智能的再思考
从话语热与实践冷的落差出发，适合讨论法律 AI 的数据、场景和方法限制。
左卫民：《热与冷：中国法律人工智能的再思考》，《环球法律评论》。
人工智能中国法司法实证研究
中国计算法学的未来：审思与前瞻
适合讨论计算法学是否构成新范式，以及数据、统计和法律问题之间的真实关系。
左卫民：《中国计算法学的未来：审思与前瞻》。
计算法学人工智能法学方法中国法
论数字法学研究范式的转向：风险体系化治理
把数字法学的研究范式放在法律关系、技术风险和体系化治理之间，适合说明 AI 研究不能只做风险罗列。
赵精武、周瑞珏：《论数字法学研究范式的转向：风险体系化治理》，爱思想2024年9月28日转载。
数字法学人工智能研究范式风险治理
生成式人工智能将改变学术研究方式
虽非专门法学论文，但可作为讨论 AI 进入研究构思、写作、出版和诚信治理的中文背景材料。
薛刚：《生成式人工智能将改变学术研究方式》，《文献与数据学报》2024年第4期，第15-17页。
生成式AI学术研究学术写作学术诚信
示例阅读
"Authorities" in International Dispute Settlement: a Data Analysis
研究问题：国际争端解决中裁判机关和当事人如何引用判例与学说？
贡献：以数据分析方式揭示国际争端中的权威引用实践。
Charlotin, D. (2020). Doctoral thesis. https://doi.org/10.17863/CAM.59416
可讨论处
- 数据如何改变我们对国际法渊源和先例的理解？
- 样本、编码和解释偏差可能在哪里出现？
More Equal Than Others: Animals in the Age of the Human Rights Aristocracy
研究问题：赋予非人动物基本权利是否会削弱人的权利？
贡献：通过思想史重建权利观的两种类型，回应当代动物权利争议。
Fasel, R. N. (2019). Doctoral thesis. https://doi.org/10.17863/CAM.44968
可讨论处
- 历史材料如何服务于规范论证？
- 作者如何避免把价值立场伪装成事实结论？
Big Data's Disparate Impact
研究问题：数据挖掘如何在没有显性歧视意图时产生差别影响？
贡献：把算法偏见嵌入反歧视法框架，说明数据、特征选择和代理变量的法律意义。
Barocas & Selbst, California Law Review, 104, 671-732 (2016).
可讨论处
- 作者如何把技术过程翻译成法律问题？
- 算法公平研究容易在哪些地方误解反歧视法？
The Scored Society
研究问题：自动化评分如何影响个人机会，法律应如何提供程序保障？
贡献：把信用评分、预测和程序正义连接起来，提出自动化决策的问责路径。
Citron & Pasquale, Washington Law Review, 89, 1-33 (2014).
可讨论处
- 正当程序如何适用于私人或混合型算法系统？
- 黑箱问题是证据问题、权利问题，还是制度设计问题？
CAIL2018
研究问题：大规模裁判文书数据能否支持罪名、法条和刑期预测？
贡献：构建中国法律 AI 评测数据集，并显示法律预测任务的复杂性。
Xiao et al. (2018). arXiv:1807.02478.
可讨论处
- 预测准确率能否代表法律理解？
- 数据集构建会带来哪些偏见和伦理问题？
Technological Due Process
研究问题：当政府使用自动化系统决定福利、处罚或资格时，正当程序如何实现？
贡献：把传统正当程序原则带入自动化决策场景，提出透明、纠错和人类监督的制度要求。
Citron, Washington University Law Review, 85, 1249-1313 (2008).
可讨论处
- 自动化决策中的错误与传统行政错误有什么不同？
- 程序保障应当设计在系统前端、决策中还是救济阶段？
Accountable Algorithms
研究问题：法律要求算法可问责时，技术系统需要提供什么样的可检查机制？
贡献：把审计、承诺、可验证计算等技术工具引入法律问责讨论，避免停留在抽象透明口号。
Kroll et al., University of Pennsylvania Law Review, 165, 633-705 (2017).
可讨论处
- 法律学者如何避免把“公开算法”当成万能答案？
- 技术可审计性与法律责任之间还缺哪些制度环节？
A Right to a Human Decision
研究问题：人在自动化治理中是否享有由人类作出决定或复核的权利？
贡献：把“人类参与”从政策偏好转化为可争辩的权利命题，并检验其范围和理由。
Huq, Virginia Law Review, 106, 611-688 (2020).
可讨论处
- 为什么“human in the loop”不一定等于有效权利保障？
- 人类决定权应适用于所有自动化场景吗？
算法权力的兴起、异化及法律规制
研究问题：算法如何从工具变成塑造选择、排序和机会分配的权力？
贡献：把算法问题从技术黑箱扩展为权力异化与权利保障问题，提供中国语境中的规制框架。
张凌寒：《算法权力的兴起、异化及法律规制》，《法商研究》2019年第4期。
可讨论处
- 算法权力与传统公权力、私权力有何不同？
- 算法解释权能解决哪些问题，不能解决哪些问题？
论算法的法律规制
研究问题：算法公开、个人数据赋权、反算法歧视等传统规制路径为什么会遇到困难？
贡献：用分层和场景化的思路重构算法规制，避免把透明或赋权当成单一答案。
丁晓东：《论算法的法律规制》，《中国社会科学》2020年第12期。
可讨论处
- 算法公开为什么可能既不可行又不可欲？
- 分层规制如何把技术机制和法律价值连接起来？
人工智能法学研究的反智化批判
研究问题：人工智能热潮中的法律研究何时会用技术想象替代法学问题？
贡献：提醒研究者回到法律基础理论、部门法教义和真实技术能力，避免概念泡沫。
刘艳红：《人工智能法学研究的反智化批判》，《东方法学》2019年第5期。
可讨论处
- AI 法学研究最容易在哪些地方伪问题化？
- 批判技术热潮是否意味着拒绝计算法学？
人工智能时代提出的法学新课题
研究问题：人工智能时代哪些技术变化真正提出了新的法学问题，而不只是给旧问题换了一个技术名称？
贡献：以人格权、知识产权、数据保护、算法透明和侵权责任等问题为入口，示范如何从时代变化中提炼研究问题和研究意义。
王利明：《人工智能时代提出的法学新课题》，《中国法律评论》2018年第2期卷首语。
可讨论处
- “问题就是时代的口号”如何转化为可写作的法学问题？
- 哪些 AI 议题需要立法论，哪些可以先通过解释论处理？
中国计算法学的未来：审思与前瞻
研究问题：计算法学究竟是新学科、新方法，还是法律实证研究在机器学习条件下的新阶段？
贡献：把计算法学拆成概念、可计算数据和机器学习方法三个问题，帮助学生识别研究设计中的数据边界。
左卫民：《中国计算法学的未来：审思与前瞻》。
可讨论处
- 为什么并非所有法律问题都可以被计算？
- 机器学习发现相关性之后，法学研究还需要完成哪些规范判断？
论数字法学研究范式的转向
研究问题：数字法学和人工智能法学如何避免沦为“技术风险清单+对策建议”的简单写法？
贡献：把数字法学研究从单点风险治理推进到分级分类、全生命周期和协同治理，展示 AI 法研究如何建立理论框架。
赵精武、周瑞珏：《论数字法学研究范式的转向：风险体系化治理》。
可讨论处
- 风险治理能否成为法学研究范式？
- 跨学科知识在论文中是研究对象、论据，还是方法本身？
Generative AI and the Future of Legal Scholarship
研究问题：当生成式 AI 可以提出理论构想并生成法律学术文本时，法律学者的原创性和作者责任应如何重新说明？
贡献：以 AI 生成法律学术文本本身作为论证实验，迫使读者重新审视研究意义、写作主体和学术评价标准。
Perlman, A. M. (2024). Generative AI and the Future of Legal Scholarship.
可讨论处
- AI 生成的“新理论”如何被检验是否真正有贡献？
- 使用 AI 写作时，披露、核验和作者责任各自解决什么问题？
How to Use Large Language Models for Empirical Legal Research
研究问题：大语言模型能否替代或补充人工编码，帮助法律学者分析大量判例文本？
贡献：以最高法院意见的分类任务展示 LLM 在经验法学研究中的可能用途和限制，适合拆解 AI 辅助研究设计。
Choi, J. H. (2023). How to Use Large Language Models for Empirical Legal Research.
可讨论处
- LLM 分类结果怎样与人工编码互相校验？
- 模型表现良好是否足以证明研究结论可靠？
Large Legal Fictions
研究问题：公众可用的大语言模型在回答法律问题时会怎样产生幻觉，研究者如何系统测量这种风险？
贡献：建立法律幻觉类型和实证测量路径，让 AI 引文核验从道德提醒变成可操作的研究方法。
Dahl et al., Journal of Legal Analysis, 16(1), 64-93 (2024).
可讨论处
- 为什么法律研究比一般写作更不能容忍“看似真实”的错误？
- 幻觉研究如何影响学生使用 AI 做文献综述和案例检索？
LegalBench
研究问题：如果要评价 AI 的法律推理能力，应当把法律推理拆成哪些任务，而不是只问模型会不会答题？
贡献：由法律人与技术研究者共同构建评测任务，提供研究设计、指标选择和法律能力分类的范例。
Guha et al., Advances in Neural Information Processing Systems 36 (2023).
可讨论处
- 评测基准能否代表真实法律推理？
- 法律概念如何被转化为机器可评测任务而不被过度简化？
Zero-Shot Semantic Annotation of Legal Texts
研究问题：没有大量人工标注训练集时，LLM 能否帮助研究者快速建立法律文本编码方案？
贡献：展示用简短类型定义进行法律文本语义标注的可行性，并提醒研究者记录批量标注、成本和性能取舍。
Savelka & Ashley, Frontiers in Artificial Intelligence, 6 (2023).
可讨论处
- 零样本标注适合探索性研究还是最终结论？
- 编码定义如何影响 AI 输出和研究可复制性？
Large Language Scholarship
研究问题：当法律学术写作被 AI 大规模加速，法学院、期刊和学者应如何重建质量控制与学术责任？
贡献：把 AI 对法律学术的影响从个体写作扩展到出版压力、审稿机制、学生训练和学术权威的制度层面。
Frazier & Rozenshtein, Large Language Scholarship (2025).
可讨论处
- AI 提升产量是否会稀释学术贡献？
- 法律期刊应更重视 AI 披露还是作者最终责任？
课堂练习
AI 研究问题审计
把 AI 生成的研究问题转化为可验证、可引用、符合学术诚信的方案。
- 让 AI 生成 5 个法律研究问题。
- 逐一检查问题是否真实、重要、可回答。
- 用一手资料或权威文献验证其中 1 个问题。
- 记录 AI 输出中的幻觉、偏见或过度概括。
产出：AI 问题审计表和修订后的研究问题。
人工智能学术诚信批判性思维
研究问题细化
把宽泛兴趣变成具体、可回答、有意义的研究问题。
- 写下一个宽泛问题，例如“AI 对法律好吗”。
- 限定法域、制度、群体、时间和证据类型。
- 写出研究意义陈述。
产出：一个精炼问题和 150 字研究意义陈述。
研究问题选题
偏见识别工作坊
识别观察者偏见、选择偏差、确认偏差、发表偏差和资金偏差。
- 选取一个法律争议新闻或论文摘要。
- 标出可能影响问题、材料和结论的偏见。
- 提出两个降低偏差的研究设计改进。
产出：一页偏见诊断表。
批判性思维研究伦理
AI 引文核验实验
训练学生识别 AI 生成文献中的幻觉、张冠李戴和过度概括。
- 让 AI 为一个法学研究问题生成 10 条参考文献。
- 逐条核验题名、作者、刊物、年份和链接。
- 标注无法核验或引用错误的条目。
- 用真实文献替换至少 5 条。
产出：AI 引文核验表和修订书目。
人工智能学术诚信文献综述
AI 研究流程矩阵
训练学生逐项判断 AI 如何影响研究问题、研究意义、研究设计、研究方法、论证和贡献表达。
- 选择一个自己的法学选题。
- 分别让 AI 在六个环节提出建议：问题、意义、设计、方法、论证、贡献。
- 为每一项标出可采纳、需核验、应删除三类结果。
- 用真实文献、规范文本或数据材料改写 AI 给出的建议。
产出：一张六环节 AI 研究流程矩阵和 600 字修订说明。
人工智能研究设计研究问题学术诚信
AI 反方论证压力测试
把 AI 用作反对意见生成器，同时训练学生区分有效反驳、虚假权威和空泛质疑。
- 写出一个论文核心主张和三条理由。
- 让 AI 生成最强反对意见、可能反例和需要补充的证据。
- 逐项判断哪些反对意见有真实文献或案例支持。
- 修改主张的限定条件，并记录哪些 AI 反驳被舍弃。
产出：反方论证审计表和一版修订后的核心主张。
人工智能论证批判性思维
AI 使用披露日志
训练学生把 AI 使用写成可核验的方法记录，而不是笼统声明“使用过 AI”。
- 记录所用 AI 工具、日期、任务、提示词和输入材料。
- 标出 AI 输出进入论文的具体环节。
- 说明每一处输出如何被核验、改写或删除。
- 写出一段可放入论文方法说明或致谢中的 AI 使用披露。
产出：AI 使用日志和 150 字披露说明。
人工智能学术诚信研究方法法律写作
实证编码方案
把法律文本或案例材料转化为可检查的编码规则。
- 选择 10 份案例、裁判文书或监管处罚决定。
- 定义 3 个变量和每个变量的取值规则。
- 让另一位同学试编码 2 份材料。
- 比较差异并修改编码手册。
产出：编码手册初稿和一致性问题清单。
实证研究数据研究设计
算法治理备忘录
把算法权力、算法公开、解释权和正当程序转化为可比较的制度方案。
- 选择一个算法场景，例如招聘、信贷、刑事风险评估或平台推荐。
- 列出受影响主体、潜在损害和现有法律资源。
- 比较算法公开、解释权、审计、人工复核四种工具。
- 提出一个分层规制方案并说明其限制。
产出：一份 800 字算法治理备忘录。
人工智能法律与科技制度设计
研究计划提示
选择一个法学题目，记录 AI 在问题、意义、设计、方法、论证和贡献表达六个环节提供了什么帮助，并逐项说明你的核验、修正和取舍理由。
研讨问题
- AI 能否提出真正原创的法学研究问题，还是只能重组已有问题？
- 法律大模型评测应测试法律知识、法律推理、资料真实性，还是职业伦理？
- 当 AI 帮助生成研究意义和论文贡献时，作者如何证明最终贡献属于自己的判断？
- 在什么条件下，LLM 文本标注可以成为法律实证研究的方法，而不是未经说明的捷径？