学术期刊出版正经历AI驱动的深刻变革，稿件评审这一决定学术成果准入的核心环节某种程度来说已被AI技术渗透。但技术赋能始终是把“双刃剑”^[1]。当期刊社因AI的判断不当拒绝一篇具有原创性的稿件，或AI因训练数据内嵌的偏见对特定研究方向、特定作者群体产生歧视，抑或AI在训练与运行过程中未经许可使用受版权保护的学术文献，甚至泄露作者未公开的研究数据与个人信息时，相关侵权责任应当由谁承担？是AI的开发者，还是使用该系统的期刊社？^[2]

在期刊融合出版的大背景下，上述问题的紧迫性愈发凸显。期刊社不再仅仅是论文内容的“学术守门人”，也是AI的使用者、风险管控者与传导者。当前，我国制度层面尚未对AI辅助审稿的责任认定问题作出明确回应，学界现有研究多聚焦于AI生成内容的著作权归属、算法推荐的监管规则等通用领域，针对AI辅助审稿这一特定场景的责任认定、风险防控的系统性研究仍较为薄弱，尤其缺乏对不同应用场景、不同风险类型的差异化规制方案。

不同应用模式的AI，其技术自主性、对审稿结果的影响力、潜在的法律风险存在本质差异。厘清其应用类型是构建责任认定体系之前提。

结合当前学术出版行业之发展现状，根据AI介入审稿之深度、对决策的影响力与潜在风险等级，可将AI辅助审稿划分为三类。其中，本文的核心研究对象为中风险与高风险两类应用模式，对低风险应用的讨论仅作为技术背景予以说明。

第一类为低风险辅助型AI。形式合规审查与重复率检测是其当前最广泛、技术最成熟且人为干预程度最高的应用模式。其核心功能是替代编辑完成标准化、流程化的形式审查工作，此类AI的决策规则明确、运行逻辑透明，仅能完成标准化的机械性工作，几乎不会对作者的核心权益产生实质性影响，也极少引发本文即将讨论的责任纠纷。第二类为中风险决策参考型AI。内容初审与期刊适配性评估是其在当前行业应用的主流场景，该模式也是引发争议最多的应用模式。其工作原理即通过自然语言处理（NLP）技术提取论文的研究问题、研究方法、核心观点等关键要素，主要完成两项核心工作：初步判断论文的创新性与期刊定位的契合度，作出“进入外审”“修改后重审”“直接拒稿”的初步建议；基于论文内容与审稿人研究领域的匹配度完成审稿人智能推荐。目前，Elsevier等国际大型出版集团已广泛部署此类AI，国内大量核心期刊也已将其作为初审环节的核心工具 ^[3]。此类AI给出的初审建议、审稿人推荐结果会直接影响稿件的走向，但在行业通行规则中，此类AI的结论仅为“决策参考”，最终决定权仍归属编辑与审稿专家。也正因此，实践中极易出现编辑高度依赖该建议、虚化人工复核的问题 ^[4]，这也是本文讨论的核心场景。第三类为高风险实质评审型AI。此类AI目前仍处于探索与试点阶段，但其潜在风险也最高。其能对论文的学术质量进行实质性评审，包括评估研究方法的严谨性、实验设计的完整性，识别图像篡改、数据伪造等潜在学术不端行为，甚至可通过海量文献数据预测论文的学术影响力 ^[5]。此类AI决策逻辑的“黑箱”特性极为明显，一旦被直接用于实质评审环节，将对作者的学术发表权益产生决定性影响，是本文重点规制的场景 ^[6]。

结合行业实践与司法实践中的争议来看，AI辅助审稿引发的法律风险可分为四类，各类风险存在本质差异，需进行差异化分析，而非笼统规制 ^[7]。

著作权侵权风险是AI辅助审稿最易涉及的法律风险，也是当前学界讨论最多的风险类型。一是训练阶段的著作权侵权。审稿AI的核心能力源于对海量学术文献的深度学习与分析，而当前市面上绝大多数商用审稿AI的训练数据大多来自爬取的已发表学术论文、未公开的预印本等受著作权保护的作品。若AI开发者未经著作权人许可，复制、存储、分析上述作品用于模型训练，且不符合《中华人民共和国著作权法》（后简称《著作权法》）规定的合理使用情形，将直接构成对权利人复制权、信息网络传播权的侵害。此类侵权行为具有极强的隐蔽性，作者往往在自己的作品被用于训练AI，甚至被AI作为比对依据否定论文创新性时才知晓自身权利被侵害。二是使用阶段的著作权侵权。AI在生成审稿意见的过程中可能实质性复述、抄袭他人论文的核心观点或独创表达，若期刊社依此将该审稿意见发送给作者，甚至作为拒稿的核心理由，将构成对他人著作权的侵害。

名誉权侵害风险的核心关涉是作者的学术声誉。需明确的是，并非所有AI给出的负面审稿意见都构成名誉权侵权，学术评价差异在所难免，只有同时满足以下构成要件才可能构成名誉权侵害 ^[8]。①AI作出了超出合理学术评价范畴的负面评价，其评价内容甚至涉及学者人格等非学术领域，且该评价并非基于合理的学术判断，而是源于算法设计缺陷、训练数据内嵌的系统性偏见 ^[9]；②该负面评价产生了对作者学术声誉的实质性贬损，包括负面评价被不当公开、因系统性偏见导致作者多次被拒稿、负面评价在学术圈内扩散等情形；③负面评价与作者的声誉损害之间存在直接的因果关系；④AI使用者存在过错 ^[10]。实践中，此类风险的核心表现是AI的系统性偏见引发的不公评价 ^[11]。以主流学者、主流研究方向的历史发表数据为训练基础的审稿AI会先天倾向于否定新兴交叉学科、小众研究范式的论文价值，对非知名机构的青年学者、非主流研究方向作者作出负面评价。此类系统性偏见引发的负面评价已具备侵害作者学术名誉的现实可能性。

缔约过失与违约责任风险是现有研究未覆盖的类型，现分述之。首先是缔约过失责任风险。该风险多发生于投稿后、录用前的缔约磋商阶段。期刊社负有基于诚信原则的先合同义务，若其违反该义务，造成作者信赖利益损失，需承担缔约过失责任。核心场景包括：未在投稿指南中以显著方式告知作者AI审稿的使用范围、作用与决策权重，侵犯作者的知情权与选择权；完全依赖AI初审结果直接拒稿，未进行任何实质性的人工复核，违反公正评审的核心义务；AI审稿过程中泄露作者未公开的研究成果，导致作者错失发表机会与学术优先权；AI的审稿人推荐算法被“学术共谋圈子”利用，导致稿件被分配给指定的“友好审稿人”，破坏评审公正性。然后是违约责任风险。该类风险发生在出版合同成立生效之后。若期刊社在出版合同中已明确约定审稿流程、评审方式等内容，却违反合同约定使用AI审稿，需承担违约责任。核心场景包括：期刊社承诺采用双盲审制度，却使用AI审稿，泄露了作者的身份信息；规范流程为稿件需经过三轮外审与编委会终审，而期刊社却仅通过AI评审就作出于作者不利之决定；因AI系统故障导致稿件长期积压，给作者造成损失等。

个人信息与数据安全风险虽非AI辅助审稿的特有风险，但其在学术出版场景下具备特殊的侵害性，也是当前行业实践中频发的风险。^[12]作者在向期刊投稿的过程中会提交大量个人信息与敏感数据，包括姓名、单位、职称、联系方式等，以及未公开的实验数据、研究成果、核心创新点等敏感商业与学术数据。AI在审稿全流程中若存在技术漏洞等问题，极易导致作者的个人信息与未公开数据泄露、篡改、丢失，给作者造成难以估量的损失。此类风险中，期刊社作为作者个人信息的处理者，负有《中华人民共和国个人信息保护法》规定的安全保障义务，AI开发者作为技术提供方负有保障系统安全的法定义务，二者的责任边界与承担方式，是此类风险规制的核心。

AI的介入打破了传统期刊审稿的稳定法律关系，厘清法律关系的变化逻辑及不同责任主体关联，是解决责任认定困境的基础。

传统期刊审稿形成了“作者—期刊社—审稿人”三方主体构成的稳定三角法律关系，各主体间的权利义务边界清晰，责任认定规则明确。

其一，结合前文对缔约过失风险与违约责任风险的分析，可以推知作者与期刊社之间的法律关系分为两个阶段。首先是投稿后、录用前的缔约磋商阶段，作者向期刊投稿的行为属于要约，期刊社负有基于诚信原则产生的先合同义务，包括公正评审义务、告知义务、保密义务等，若期刊社违反该义务造成作者信赖利益损失，需承担缔约过失责任；然后是录用通知发出后的出版合同关系阶段，录用通知属于承诺，自到达作者时起，双方的出版合同成立生效，期刊社需按照合同约定履行审稿、编辑、出版等义务，违反约定需承担违约责任。这一界定修正了“投稿即形成合同关系”的不当表述，符合我国《中华人民共和国民法典》合同编的基本规则。其二，期刊社与审稿人之间的法律关系属于委托合同关系，期刊社委托审稿人对稿件的学术质量、创新性、合规性进行专业评审，审稿人需按照委托合同的约定履行公正、勤勉、保密的评审义务，若因审稿人的故意或重大过失造成期刊社或作者损失，需承担相应违约责任。其三，审稿人与作者之间虽无直接的合同关系，但审稿人基于行业规范与公序良俗对作者负有公正评审、保密的法定义务，若审稿人恶意诋毁、泄露作者未公开研究成果的，需承担相应侵权责任。

而AI的介入新增了AI开发者这一主体，原本的三角法律关系演变为“作者—期刊社—审稿人—AI开发者”菱形法律关系。其中新增的法律关系包括：期刊社与AI开发者之间的合同关系，具体包括软件采购、技术服务等多种合同，AI开发者负有提供符合约定标准的AI服务、保障系统安全稳定、提供技术维护等合同义务，期刊社负有支付费用、按照约定使用系统等义务 ^[13]；AI开发者与作者之间虽无直接合同关系，但AI开发者作为算法的设计者、数据的处理者对作者负有保障算法公平、数据安全、著作权保护等法定义务，若因算法设计缺陷、数据侵权等问题造成作者损失，需承担相应侵权责任。

在这一菱形法律关系中，期刊社既是作者的缔约相对方，也是AI的使用者与风险管控者，更是审稿流程的最终责任人。而AI开发者与作者之间的关系因技术壁垒的存在处于严重的信息不对等状态，作者很难直接向AI开发者主张权利，这也是后续责任认定困境的核心成因之一。

责任主体从三方变为四方使得期刊社与AI开发者之间的责任边界变得模糊，过错认定难的成因是期刊社“合理注意义务”标准的缺失。

其一，过错认定对象发生转移。当审稿意见源于AI的算法缺陷、数据偏见时，过错认定对象究竟是期刊社还是AI开发者？编辑的专业能力往往无法完全理解深度学习算法的运行逻辑，其“合理注意义务”应当如何界定？其二，不同主体的过错边界无法厘清。AI引发的审稿错误往往是多环节过错共同作用的结果，在算法黑箱的遮蔽下很难区分错误的根源是算法设计缺陷还是期刊社的使用不当，更无法准确界定二者的过错程度与责任比例，极易出现相互推诿责任的情况 ^[14]。实践中大量期刊社表面宣称“AI仅作参考，最终人工决定”，但实际是编辑面对海量投稿，极容易直接点击采纳AI建议，一旦发生纠纷，又以“最终决策由人工作出”为由推卸责任，形成“责任不粘锅”的乱象。

AI介入后，审稿决策是AI初审、编辑复核、外审专家评审、主编终审等多个环节共同作用的结果，因果关系的认定变得极为复杂，作者与被告之间的举证能力严重失衡。

其一，因果关系的证明难度极大。作者很难证明AI的建议与自身权益受损之间存在法律上的相当因果关系。即便AI的建议是拒稿核心因素，期刊社也可以“编辑最终作出了独立的专业判断”为由主张人工决策中断了AI建议与损害结果之间的因果关系。而作者处于审稿流程的全封闭环节之外，无法获取期刊的内部决策记录、AI的运行数据，难以完成因果关系的举证 ^[15]。其二，算法黑箱加剧了举证困难。作者无法知晓AI作出建议的具体原理，无法获取AI的训练数据、算法模型、决策权重等核心信息，也就无法证明AI存在算法缺陷、数据偏见、逻辑错误等，更无法完成侵权责任构成要件的举证。这种举证能力的严重失衡，致使作者的合法权益很难通过司法途径获得救济。

AI的系统性偏见内嵌于训练数据与算法模型之中，会对特定作者群体作出持续性、普遍性的不公评价。这种系统性偏见引发的侵权责任认定面临三大难题：一是很难证明偏见存在。学术评价本身具有极强的主观性，尤其是人文社科，不同的研究范式、学术观点之间本就存在争议，作者很难证明AI的建议源于算法偏见而非合理学术判断 ^[16]。二是很难界定责任比例。算法偏见源于训练数据的偏差、算法设计的缺陷，其根源在于AI开发者；但期刊社作为AI的使用者未对AI的公平性进行审查、未履行人工复核义务，也存在过错，二者的责任比例很难界定。三是损害结果难以量化。算法偏见对作者造成的损害主要是学术发表机会的丧失、学术声誉的贬损，这类损失属于无形损失，难以用具体金额量化，导致司法救济中的赔偿数额难以确定。

对于前述四类风险与三大责任认定困境，“一刀切”的通用规制模式显然不可取，应针对不同类型法律风险构建差异化的责任认定规则。

对于不同阶段的著作权侵权风险，应适用不同的归责原则与责任分配规则，核心是根据主体对侵权行为的控制力确定相应的责任。

训练阶段著作权侵权的归责适用过错责任原则，核心责任主体为AI开发者。因为AI开发者是训练数据的收集者、处理者与模型的训练者，对训练数据的合法性负有最高的注意义务，也是最有能力控制侵权风险的主体。期刊社的责任认定适用过错责任原则，若期刊社应知或明知AI训练数据存在瑕疵但仍采购、使用该AI，发生上述著作权侵权的应当与AI开发者承担连带责任；若期刊社在采购AI时已尽到合理的审查义务，包括但不限于要求开发者提供训练数据的版权授权证明、合规性承诺等，且对侵权行为不存在过错，则不承担著作权侵权责任。使用阶段著作权侵权的归责原则适用过错推定原则，核心责任主体为期刊社。因为期刊社是审稿意见的发布者与AI使用者，对审稿意见的合法性负有直接的注意义务，也是作者主张权利的直接相对方。若AI生成的审稿意见构成对他人著作权的侵害，期刊社不能证明自己已尽到合理的审查义务、不存在过错的，应当承担侵权责任。^[17] AI开发者的责任认定应根据其过错程度确定，若AI所涉审稿意见源于算法设计的固有缺陷，开发者未履行告知义务、未采取合理的风险防控措施的，应当与期刊社承担连带责任；若开发者已尽到告知义务与技术保障义务，案涉审稿意见因期刊社的不当使用所产生，开发者不承担侵权责任。

对于AI引发的名誉权侵害应适用过错推定原则，以期刊社为核心责任主体，兼顾AI开发者的过错责任，同时需要严格限定侵权构成要件，避免过度放大期刊社与AI开发者的风险，保障学术评价独立性与自由度。

期刊社是审稿结果的最终作出者，对审稿结果的公正性、合法性负有最终责任。作者只需初步证明：AI作出了超出合理学术评价范畴的负面评价、自身学术声誉遭受了实质性贬损、该负面评价与声誉损害之间存在关联性，“期刊社存在过错”要件则由期刊社举证，由其举证证明其已尽到合理的注意义务、不存在过错。若期刊社无法举证，应当承担侵权责任。^[18]对于AI开发者则适用过错责任原则。若AI的系统性偏见源于算法设计缺陷、训练数据的偏差，开发者在设计、训练模型时未履行公平性审查义务，存在过错的，应当根据其过错程度与原因力大小承担相应责任；若开发者明知AI存在系统性偏见仍向期刊社提供该系统，未履行告知义务的，应当与期刊社承担连带责任。

对于缔约过失责任与违约责任应严格遵循合同相对性原则，以期刊社为核心责任主体，根据不同的责任类型明确构成要件与责任承担方式。

缔约过失责任的认定规则适用阶段为作者投稿后、期刊社作出录用或拒稿决定前的缔约磋商阶段，归责原则应为过错责任原则，责任主体为期刊社。其构成要件包括：期刊社违反了基于诚信原则产生的先合同义务，包括告知义务、公正评审义务、保密义务等；作者遭受了信赖利益损失，包括为投稿付出的合理成本、错过其他期刊发表机会的损失、研究成果被泄露导致的学术优先权损失等；期刊社违反义务的行为与作者的损失之间存在直接的因果关系；期刊社存在过错。若AI开发者违反保密义务、算法设计存在重大缺陷是导致作者损失的直接原因，期刊社承担赔偿责任后，有权向AI开发者全额追偿；若期刊社自身存在未履行人工复核义务、未履行告知义务等过错，与AI开发者的过错共同导致损害结果的，双方根据过错程度分担责任。

违约责任的认定规则适用于期刊社发出录用通知、出版合同成立生效之后的阶段，归责原则应为无过错责任原则，责任主体为期刊社。^[19]只要期刊社未按照出版合同的约定履行义务，便需承担违约责任。其构成要件包括：双方的出版合同合法有效；期刊社存在违反合同约定的行为，包括违反约定的审稿流程、评审方式、保密义务等；作者遭受损失；违约行为与损失之间存在因果关系。作者只能向期刊社主张违约责任，即便违约行为是因AI开发者过错所致，期刊社也不能以此为由对抗作者的主张，需先向作者承担违约责任，再根据与AI开发者的合同约定向其追偿损失。

针对个人信息与数据安全风险，应严格遵循《中华人民共和国个人信息保护法》，适用过错推定原则，以期刊社为核心责任主体，强化AI开发者的连带责任，全面保障作者的个人信息与数据安全。^[20]

期刊社是作者个人信息与敏感数据的处理者，根据《中华人民共和国个人信息保护法》的规定，若作者的个人信息、未公开数据在AI审稿过程中发生泄露、篡改、丢失，期刊社不能证明自己已尽到法定的安全保障义务、不存在过错的，应当承担侵权责任。AI开发者的责任认定适用过错推定原则。AI开发者作为设计者、技术服务的提供者，对AI的安全性负有法定保障义务。若数据泄露、丢失是因AI存在技术漏洞、安全防护缺陷导致的，且开发者不能证明自己已尽到法定的安全保障义务、不存在过错的，应当与期刊社承担连带责任。其侵权责任的构成要件包括：作者的个人信息、敏感数据发生了泄露、篡改、丢失等损害结果；该损害结果发生在AI审稿的个人信息处理过程中；行为人不能证明自己已尽到法定的安全保障义务、不存在过错；损害结果与个人信息处理行为之间存在因果关系。若造成作者严重精神损害的，还应当承担精神损害赔偿责任。期刊社与AI开发者承担连带责任的，作者有权选择向任意一方主张全部赔偿责任，赔偿方承担责任后，有权向有过错的另一方追偿。

基于前述风险与困境及规则构建分析，相应制度之完善可从立法、司法、行业自律多个层面入手，形成协同发力的格局。

制度之定位在于确立风险防控之底线。具体工作可从以下方面推进。第一，推动制定《学术出版领域人工智能应用管理规范》。可由国家新闻出版署牵头，联合网信、教育等部门，出台部门联合规章或强制性国家标准。核心内容包括审稿AI分类备案与风险评估条款、算法透明度与算法可解释性条款及期刊社的“合理注意义务”条款，现分述之。审稿AI分类备案与风险评估条款即根据AI介入审稿之深度、自主性及对作者权益之潜在影响程度建立分类目录，对执行内容初审及更复杂审稿环节的AI强制备案，并要求AI设计者提交相应训练数据来源说明、学术偏见测试报告等。^[21]算法透明度与算法可解释性条款即规定审稿AI设计者必须向期刊社提供关键决策依据，用以说明如“基于本文章与甲文献在乙方法上的相似性判断创新性不足、检测到丙类统计学数据异常”等审稿结论的决策依据。^[22]同时规定期刊社必须向作者论证审稿结果的合理性，包含审稿AI在审稿决策中的主要作用。期刊社之“合理注意义务”条款即以规章或标准形式明确期刊社之核心义务，其中应包括：其一，审慎选择。采购AI前，期刊社应仔细审查其备案信息，并择优选择符合行业标准与伦理规范的产品；其二，过程监督。该义务要求期刊社建立并执行人类实质性监督。对于AI标记的“高风险”或“边缘”稿件，期刊社编辑须人工复核。第二，于《著作权法》中增设“文本与数据挖掘”条款。为防止科技发展因权利掣肘因噎废食，建议在《著作权法》中增设对TDM的版权例外规定。具体可限定为：为科研及开发新数据分析工具的，对已合法获取之作品进行复制或提取分析可不经著作权人许可，但不得用于实质性替代原作品，并应尊重权利人之著作权，给予相应报酬。^[23]这能为AI审稿工具的合法训练提供明确法律空间，平衡技术创新与著作权保护。

面对该类案件实践中的举证难、认定难问题，需对传统诉讼规则中的相关制度进行必要调整。其一便是在相关侵权诉讼中实行过错推定与举证责任倒置规则。当作者已能够初步证明其文章被错拒与期刊使用的审稿AI存在必然关联，且主张该系统存在算法缺陷或偏见时，则应由期刊社与AI设计公司证明其已履行法定“合理注意义务”，且AI并无缺陷，具体包括训练数据来源合法、算法经过充分测试与评估、审稿期间已对AI进行有效人工监督等。若不能证明，则应推定其存在过错。其二则是探索适用于算法偏见之“公平原则”。在因审稿AI涉嫌歧视或不公引发的纠纷中，法院可借鉴就业歧视等审查经验，引入对AI算法的系统性公平影响评估。原告可提供相关统计学证据表明该AI对特定群体存在普遍性不公，那么此时被告即期刊社或AI设计公司便需举证证明在该AI的设计或使用过程中已采取合理措施避免偏见，且最终审稿决策具有合法性、非歧视性 ^[24]。最后是明确AI设计方之产品责任。若审稿AI被证实确实存在设计缺陷，且该缺陷直接造成作者损失，则应允许作者依据《中华人民共和国产品质量法》向相应设计公司主张赔偿。

制度之完善少不了行业主体助力。首先，须建立“学术出版AI伦理委员会”，并配套构建第三方认证机制。可由中国期刊协会、中国科学技术期刊编辑学会等组织牵头组建AI伦理委员会。其中，委员会负责制定《AI辅助学术评审伦理指南》，明确公平、透明、可问责、人类主导等核心原则。同时推动建立第三方独立认证机制，对市场上的审稿AI进行独立中立的评估与认证。其次，推行算法影响评估制度，要求期刊社在引入审稿AI介入论文审核前对该AI进行全面深入的算法影响评估。评估报告应系统涵盖该AI对审稿质量、效率、作者权益及学术多样性之潜在影响，并在接收作者投稿前公开该评估摘要。再次，探索建立出版行业AI风险共担基金。鼓励保险机构开发因AI所致损害之职业责任险新险种，同时推动行业探索设立互助型风险基金，为因使用经认证之审稿AI仍发生难以预见之侵权损害之成员期刊社提供一定补偿，以分担行业创新风险，避免期刊社为避免承担责任而抗拒AI技术应用。最后也是最关键的，技术应用与推广之关键在于人。对编辑岗成员进行专门AI素养培训，使其不仅会使用AI，更能理解其原理、局限及潜在风险，培养其批判性使用AI与作出最终专业判断的能力。此为落实人类实质性监督之根本保障。

技术是手段，而非目的。数字浪潮下，学术出版的发展始终需要技术赋能与法治护航同向而行、同频发力。AI辅助期刊审稿的规范化发展既需要立法层面的顶层设计划定行为底线，司法层面的规则调整提供权利救济，更需要行业主体主动承担起技术风险管控与学术价值守护的双重责任，让人类主导始终成为AI应用的核心原则。唯有以精细化的制度设计、协同化的治理机制、常态化的责任落实，让AI始终服务于学术出版的核心目标，才能真正驾驭这把“双刃剑”，在充分释放技术对学术出版效率与质量的正向赋能的同时筑牢作者合法权益的保护防线、守护学术评价的公正底线，为学术创新突破、知识体系构建与科技文化传播提供更坚实的出版支撑。