随着生成式 AI 不断进入学术出版流程，越来越多出版机构开始探索如何利用 AI 提高编辑效率，同时保证同行评议质量和科研诚信。近日，BMJ Group 与 AWS 生成式 AI 创新中心介绍了双方联合开发 AI 编辑助手的实践，分享了这一工具的设计原则、技术架构、初步测试结果以及在学术出版中的应用思路。
BMJ Group 拥有近 70 种医学及健康领域期刊，每年接收数万篇稿件。论文编辑初筛和同行评议是整个出版流程中最核心的环节，但也面临两项现实挑战：一是大量稿件在送审后才发现方法学等方面存在问题，消耗了编辑和审稿人的大量时间；二是部分稿件虽然不符合目标期刊定位，却可能适合集团旗下其他期刊，缺乏跨期刊识别机制会降低优质稿件留存率。
为此，BMJ Group 与 AWS 生成式 AI 创新中心合作开发了一款面向编辑的 AI 助手，希望帮助编辑在稿件进入同行评议之前完成更加充分的分析，从而更准确地判断哪些稿件适合送审、哪些应当直接退稿以及退稿原因。同时，该工具也希望帮助编辑发现更适合集团其他期刊的稿件，提高优质论文的收录机会。双方强调，同行评议仍然是保障科研可信度的基础，AI 助手的定位始终是辅助编辑，而不是取代编辑判断。所有稿件筛选决定仍由编辑作出，编辑始终保有完整的决策权。
在这一理念下，项目采用了多智能体（Multi-agent）架构，由 8 个具有不同职责的 AI 模块共同完成分析。系统首先判断论文是否符合目标期刊范围；随后，结合 OpenAlex、PubMed 等数据库评估研究的新颖性和潜在影响；依据 CONSORT、STROBE、PRISMA 以及 CASP 等国际规范检查研究设计和方法学报告质量；自动生成并运行代码，对统计分析进行验证；检查伦理规范和合规要求；结合 PubPeer、ORCID 等信息识别作者身份和潜在利益冲突；之后，综合各模块结果形成建议；最终，生成编辑可直接参考的结构化评语。
整个系统建立在 Amazon Bedrock AgentCore 平台上，各智能体均采用 Anthropic Claude 模型，并通过 AWS Step Functions 协调运行。当系统发现稿件明显超出期刊范围时，可提前结束分析流程，从而节省计算资源和编辑时间。系统生成的所有分析结果均附带推理依据和信息来源，方便编辑进一步核查。
项目初步测试选取了 Emergency Medical Journal 和 BMJ Open 的 21 篇投稿进行验证。结果显示，AI 助手在方法学审查和研究创新性分析方面表现尤为突出。参与测试的编辑认为，该系统能够在有限时间内完成传统初筛阶段难以实现的深入分析，为编辑提供了具有实际价值的信息。从整体评估来看，该原型系统在三个技术指标上的成功率均超过 80%，包括识别已知错误、发现关键方法学缺陷以及 AI 建议与最终出版结果的一致程度。不过，团队也指出，未来仍需进一步优化输出内容，使分析更加聚焦、更加简洁。
项目团队总结认为，此次合作进一步证明，学术出版领域的 AI 工具必须与编辑共同开发，而不是简单部署给编辑使用。编辑、科研诚信专家与技术团队从项目初期便共同制定评价标准，不断根据实际反馈优化系统。实践表明，将复杂编辑流程拆分为多个职责明确的智能体，比单一模型承担全部任务更容易获得稳定且具有可解释性的结果。同时，与编辑真实工作流程保持一致的固定工作流，有助于提升编辑对 AI 结果的信任。
团队还发现，当 AI 依据成熟规范和标准化检查清单开展分析时，输出质量最好；而对于依赖多年编辑经验和综合判断的复杂问题，AI 仍然难以达到稳定水平。这再次说明，AI 更适合作为编辑工作的辅助工具，而不是自动替代编辑专业判断。目前，该项目已完成概念验证。BMJ Group 计划继续完善系统，开展更大规模测试，并与 ScholarOne 稿件管理系统进行集成。未来，这一工具还有望进一步扩展，为同行评议阶段的审稿人提供辅助支持。
