每日文摘 · 2026-09-17
收录 3 条材料：同行评议「分诊」的一组硬数据（投稿量 2018→2025 增长约 68%、每录用 1 篇对应 2.5 篇桌拒、审稿邀请接受率 43%→22.3%、53% 审稿人用 AI 而仅约 20% 期刊有 AI 政策），并标注作者所在公司的商业利益关系；Silverchair《2026 Future of Peer Review》报告（延伸参考）；斯坦福 AI Index 2026 教育章（延伸参考）——「使用先行、规则滞后」的第四个独立来源。逐条附证据分级与原文链接。
人文社科方法与学术出版
同行评议「分诊」：一组硬数据，以及一处必须标注的利益关系
核心论点：同行评议被困在三重相互竞争的要求之间——投稿量、编辑速度、评审质量。作者提出的问题是：不断攀升的桌拒（desk reject）率，究竟反映的是质量把关在起作用，还是系统已经不堪重负？
文中数据（均出自原文）
- 投稿量 2018 → 2025 增长约 68%（据 Silverchair 的《2026 Future of Peer Review》报告）；2026 年初同比增速最高达 34%；
- 桌拒：2025 年每录用 1 篇对应约 2.5 篇桌拒（2022 年为 1.7 篇）；
- 审稿邀请接受率从 2018 年的 43% 降到 2024 年的 22.3%；现在平均需要 4.5 次邀请才能换来一份评审；
- 一个细节：审稿人拒绝邀请所花的时间是接受邀请的 1.5 倍——说明「决定本身变难了」；
- 53% 的审稿人表示会在评审工作中使用 AI（此数字出自 2025 年 Frontiers Media 的一项调查，非作者所在公司的数据）；而只有约 20% 的期刊有针对评审中适当使用 AI 的政策。
作者主张：应当保住的是编辑判断、研究诚信、以及通过社群投入与认可机制留住审稿人；不该保的是现状。她主张用自动化预筛工具过滤噪音，同时保留人的监督，并通过指导与实质性互动重建与审稿人的关系，而不是把审稿人当作「可榨取的资源」。
⚠️ 必须标注的利益关系：作者是 Silverchair 的副总裁，而 Silverchair 正是销售稿件系统与自动化预筛工具的供应商；文中数据亦主要引自该公司自有的《Future of Peer Review》报告与其 ScholarOne 系统数据。这不意味着数据不可信，但意味着：她的结论方向（「需要自动化预筛工具」）与其商业利益一致，属于有立场的论证。引用时应同时标注作者身份与数据来源归属；诊断部分（数据）与处方部分（工具）应分开评估。
📌 一处口径冲突：另有一项研究给出高影响因子期刊 83%、中等影响因子期刊 75% 有 AI 指引（Learned Publishing 的跨学科分析），与本文的「约 20%」相差一个数量级。两者分母、样本与「何为指引」的定义很可能不同，目前无法判定谁更接近实况——两个数字都不宜单独引用，须回各自原始报告核对定义。
与研究的关联：投稿端的数据（每录用 1 篇对应 2.5 篇桌拒）说明形式规范与期刊匹配度在进入评审前就决定了多数稿件的命运；对作者而言，选刊匹配、投稿信、结构完整性的投入产出比因此比以往更高。
延伸参考（非本期窗口）：Silverchair《2026 Future of Peer Review》
方法学：2,000 余名全球作者与审稿人的问卷＋对同行评议专家的访谈＋文献综述＋ScholarOne 系统八年数据。
主要发现：ScholarOne 审稿人库自 2018 年增长 54%，审稿邀请量增长超过 100%；但接受率从 43%（2018）降至 22%（2024），平均需 4.5 次邀请才能换来一次接受。
这组数字把问题定位得很精确：审稿人库其实在增长（+54%），问题不是「没人」，而是邀请量增长得更快（+100%）、且每个人接受的比例腰斩。这把「审稿人短缺」重新表述为**「审稿人被过度索取」**——与 AAUP 的教职结构数据（有终身教职或处于终身轨的教师比例从 1987 年的 53.1% 降至 2023 年的 31.8%）指向同一机制：没有稳定教职的人，凭什么承担无偿、且不计入晋升的审稿劳动。
⚠️ 证据边界：本报告为供应商自有研究；具体统计需下载完整报告核对，此处数字来自 Silverchair 官网摘要与上一条客座文章的转述。
高校教学改革与 AI 素养
延伸参考（非本期窗口）：斯坦福 AI Index 2026 教育章——「使用先行、规则滞后」的第四个独立来源
教育章的六条要点（逐条按官方章节页核对）
- 五分之四的美国高中生与大学生现在用 AI 完成学业任务，「而学校的政策没有跟上」——只有一半的初高中制定了 AI 政策，且仅有 6% 的教师认为那些政策清晰。学生最常用生成式 AI 做资料检索、作文修改与头脑风暴。
- 美国四年制大学计算机科学入学人数在 2024→2025 年下降 11%，但 AI 相关硕士毕业生在 2023→2024 年增长 17%。
- 美国在 ICT 毕业生数量上仍领先，但土耳其、巴西、墨西哥增长更快。
- 超过 90% 的国家已在初等或中等阶段提供计算机科学教育，但 AI 教育的落地更慢；中国与阿联酋自 2025—26 学年起强制开展 AI 教育。
- 美国与加拿大新增 AI 博士人数 2022→2024 年增长 22%，且全部增长流向学术界，逆转了此前十年「AI 博士主要流向产业」的趋势。
- 人们在正规教育之外获取 AI 技能并将其写入简历；在多数国家，AI 素养类技能的增长快于工程类 AI 技能（阿联酋、智利、南非是例外）。
为什么这条重要
① 「使用先行、规则滞后」现在有四个独立来源。
| 来源 | 使用侧 | 规则侧 | 落差 |
|---|---|---|---|
| 斯坦福 AI Index 2026 | 学生 80%（美） | 初高中有政策 50% | 30 个百分点 |
| UNESCO IESALC（19 国 200 校） | 机构在用 87% | 有正式战略 26% | 61 个百分点 |
| HEPI（英国 163 校） | — | 41% 无公开政策 | — |
| 数字教育理事会（DEC） | 学生 88%／92%（数字存疑） | — | — |
② 「只有 6% 的教师认为现有 AI 政策足够清晰」比「有没有政策」更锋利。 前三个来源测的都是政策的有无，斯坦福这一条测的是政策的可用性——**有政策但不清晰，在实践效果上可能与没有政策相差无几。**这与英国 HEPI 研究的论断（高校 AI 政策「用教育的语言，行合规之实」）正好接上。两者合起来指向一个尚未被系统研究的问题：**AI 教育政策的「名义覆盖率」与「实际可操作性」之间差距有多大？**目前已知研究几乎都在测前者。
③ 「中国与阿联酋自 2025—26 学年起强制 AI 教学」这一表述，把中国的做法放进了国际比较的显著位置——做中外 AI 教育政策比较研究时，这是一份国际权威机构如何定位中国政策的现成引证。
⚠️ 使用警示：AI Index 是汇编性年度报告，各项数据来自不同原始研究，引用具体数字前应通过报告全文追溯至原始出处，不宜直接引用汇编本身。另需说明：本条目依据的是官方章节页的要点摘述；关于 K–12 学生使用率的区间值（50%—84%）与美国／英国高教使用率（约 90%／95%）等更细的数字，本章节摘页未列出，本期未予收录。