Thực nghiệm sử dụng AI để giả mạo bài báo khoa học và những diễn biến ghi nhận được

Khoa học đang đối mặt với vấn nạn thư rác. Và bộ lọc thư rác đang ngày càng quá tải. Theo các báo cáo, hoạt động xuất bản học thuật đang chìm ngập trong thứ được gọi là "rác AI" (AI slop): nội dung kém chất lượng, được sản xuất hàng loạt bằng AI. Đến năm 2025, ước tính có 57% tổng số bài báo học thuật được xuất bản xuất hiện dấu hiệu can thiệp có thể phát hiện được của các mô hình ngôn ngữ lớn (LLM), tăng vọt so với mức 12% vào năm 2023. Đáng chú ý hơn, hơn 12% bài bình duyệt trên Nature Communications trong năm 2025 được xác định là hoàn toàn do AI tạo ra. Khi xét đến thực tế là cứ 40 bài báo có bằng chứng thống kê về việc sử dụng AI vào năm 2025 thì chỉ có một bài công khai minh bạch, những số liệu này có thể vẫn thấp hơn nhiều so với mức độ can thiệp thực tế của LLM hiện nay. Đương nhiên, bằng chứng về việc sử dụng AI không đồng nghĩa với việc bài báo đó là rác. Dẫu vậy, một số ước tính cho thấy hiện có hàng trăm nghìn ấn phẩm giả mạo, chủ yếu do AI tạo ra, được xuất bản mỗi năm. Bà Amanda Sulicz, Quản lý liêm chính nghiên cứu của IEEE, cảnh báo: "Không chỉ các hồ sơ lưu trữ khoa học bị đe dọa, mà toàn bộ nền khoa học cũng đang lâm nguy. Rác AI đang làm xói mòn hoàn toàn niềm tin vào khoa học và mọi quy trình khoa học vốn được dày công xây dựng qua nhiều thế kỷ". Dù vậy, những số liệu thống kê và tuyên bố về mức độ nghiêm trọng của vấn đề—thậm chí mang tính sống còn đối với khoa học—vẫn chưa phản ánh hết thực tế. Việc sử dụng AI để tạo ra một bài báo khoa học giả mạo hoàn toàn nhưng vẫn đầy thuyết phục dễ dàng đến mức nào? Liệu các nhà xuất bản có công cụ để ngăn chặn rác AI xâm nhập hồ sơ khoa học mà không làm gia tăng gánh nặng cho đội ngũ bình duyệt vốn đang quá tải và làm việc trên tinh thần tình nguyện hay không? Lấy ý tưởng từ khái niệm "vibe coding" (lập trình theo cảm hứng), phương thức mà các lập trình viên sử dụng câu lệnh ngôn ngữ tự nhiên để tạo mã nguồn, người viết quyết định tiến hành "nghiên cứu theo cảm hứng" một bài báo ngụy tạo bằng cách đưa câu lệnh yêu cầu LLM tạo giả thuyết, mã nguồn và văn bản với sự can thiệp tối thiểu của con người. Sau đó, người viết đã liên hệ với bà Jenny Mahoney, Thư ký tòa soạn của tạp chí đa ngành và truy cập mở IEEE Access, để đề xuất một thử nghiệm mô phỏng nhằm đưa sản phẩm ngụy tạo này vượt qua hàng rào kiểm duyệt của tạp chí. Bà Mahoney cùng IEEE đã đồng ý tham gia thử nghiệm. Cuộc thử nghiệm được chia làm hai phần. Thứ nhất, kiểm tra xem một người không có chuyên môn sâu về AI liệu có thể dùng các công cụ AI phổ thông để tạo ra một bài báo thuyết phục về một nghiên cứu chưa từng được thực hiện, đủ sức đánh lừa hệ thống phòng thủ của nhà xuất bản hay không. Tiếp đó, mức độ thử thách được nâng cao: Điều gì sẽ xảy ra khi các hệ thống AI tiên tiến hơn không chỉ viết bài mà còn trực tiếp tiến hành nghiên cứu nền tảng? Trong quá trình thực hiện, thử nghiệm này đã mở ra góc nhìn về cách thức tự động hóa bằng AI đang làm thay đổi quá trình phát hiện khoa học, đồng thời buộc các bên liên quan phải tư duy lại toàn bộ hệ thống xuất bản học thuật. Vòng 1: Tạo tài liệu giả mạo Để tạo ra một tài liệu giả mạo có sức thuyết phục, người viết cho phép bản thân nhập câu lệnh nhiều lần trong giới hạn hợp lý. Tuy nhiên, nhằm bảo đảm tính công bằng, người viết không sử dụng các phiên bản trả phí tiên tiến nhất của LLM, mà chỉ dùng ChatGPT miễn phí (ở thời điểm đó là GPT-5.3/5.2 Mini) và Gemini (3 Flash). Ngoài ra, người viết không được chỉnh sửa trực tiếp bất kỳ kết quả đầu ra nào, cũng như không tìm kiếm sự hỗ trợ từ các chuyên gia kỹ thuật câu lệnh AI. Đây phải là một thử nghiệm mang tính nghiệp dư, trong đó bài báo được tạo ra chủ yếu bởi các mô hình LLM. Nhận định việc sử dụng tên tác giả và cơ quan công tác giả mạo sẽ lập tức làm dấy lên nghi vấn, đồng thời không muốn đưa tên tuổi của các nhà khoa học có uy tín vào thử nghiệm, phương án tối ưu được lựa chọn là để người viết đứng tên tác giả duy nhất. Quyết định này giới hạn phạm vi nghiên cứu trong những lĩnh vực mà người viết đã có kinh nghiệm học thuật nhất định. Do đó, đề tài luận án tiến sĩ từ gần hai thập kỷ trước đã được lựa chọn: soliton quang học (optical solitons) – những xung ánh sáng đơn lẻ truyền đi mà không bị biến đổi hình dạng. Nỗ lực đầu tiên với yêu cầu: “Bạn có thể nghiên cứu tổng hợp giúp tôi một bài báo gốc về soliton quang học không?” đã không mang lại kết quả như kỳ vọng. Dù Gemini sẵn sàng thực hiện yêu cầu (khác với ChatGPT, vốn kiên quyết từ chối tạo dữ liệu hoặc nghiên cứu giả lập), kết quả thu được vẫn rất mờ nhạt. Điều này làm nổi bật một vấn đề lặp đi lặp lại trong toàn bộ quá trình: khi thiếu nghiên cứu thực nghiệm làm cơ sở, nội dung đầu ra trở nên sơ sài một cách đáng kinh ngạc, và các mô hình LLM thường gặp khó khăn trong việc viết đủ bốn trang giấy. Tuy nhiên, khi kỹ năng ra lệnh (prompt) được cải thiện, các mô hình bắt đầu hoạt động linh hoạt hơn và thể hiện rõ tính chất dài dòng đặc trưng. Bài báo sau đó được chia nhỏ thành từng phần cấu thành – tóm tắt, mở đầu, phương pháp nghiên cứu và các phần tiếp theo – để xử lý lần lượt từng mục. Nếu một LLM từ chối phát triển thêm, việc chuyển sang mô hình còn lại và đặt câu hỏi về bước đi tiếp theo “trên phương diện giả thuyết” thường mang lại hiệu quả. Sau khoảng hơn mười câu lệnh, một bài báo có cấu trúc tương đối hoàn chỉnh đã hình thành. Tiếp tục với khoảng mười câu lệnh nữa, hệ thống đã tạo và tinh chỉnh các biểu đồ, chú thích, trích dẫn tài liệu tham khảo, đồng thời định dạng bài viết theo đúng quy chuẩn của IEEE Access. Tại thời điểm này, toàn bộ bài báo được rà soát kỹ lưỡng. Nội dung bài viết thể hiện ở mức tương đối tốt, các luận điểm khoa học có tính thuyết phục cao, thậm chí gợi mở khả năng triển khai thực nghiệm ngoài đời thực đối với các đề xuất mà LLM đưa ra. Đáng chú ý, không có dấu hiệu nhận diện đặc trưng nào của AI (AI-isms) bị phát hiện. Cụ thể, các LLM không tạo ra những cụm từ gượng ép – cách diễn đạt khác thường thay thế cho các thuật ngữ kỹ thuật chuẩn mực, chẳng hạn như dùng “tổ chức thần kinh sâu rộng” thay cho “mạng nơ-ron sâu” (deep neural network). Những dấu vết khác của AI vẫn có thể hiện diện, thể hiện qua các thói quen hành văn như dùng từ ngữ giảm nhẹ (“tiềm năng”, “thông thường”), cấu trúc liệt kê ba vế (“Nghiên cứu cung cấp một khuôn khổ rõ ràng, súc tích và có tính khả thi”), cùng các từ chuyển tiếp mang tính công thức (“Tóm lại,…”). Tuy nhiên, những đặc điểm này rất khó phát hiện do chúng cũng thường xuyên xuất hiện trong văn phong của con người. Vòng 1: Nỗ lực xuất bản Hai phương pháp tạo bài báo khoa học bằng AI Hai lộ trình hoàn toàn khác biệt đã được áp dụng nhằm tạo ra một bài báo khoa học bằng AI. Ban đầu, các chatbot miễn phí, đa mục đích được dẫn dắt qua từng bước; sau đó là việc sử dụng FARS, một hệ thống nghiên cứu tự chủ được thiết kế để tự thực hiện phần lớn công việc khoa học. VÒNG 1: CHATGPT + GEMINI 1. Lựa chọn đề tài nghiên cứu Yêu cầu các chatbot miễn phí tạo một bài báo gốc về soliton quang học, lĩnh vực nghiên cứu trong luận án tiến sĩ trước đây của người viết. 2.