引用本文请注明出处

作者：Roohi Ghosh

译者：赵宇晴

校译：王一雪

来源：https://scholarlykitchen.sspnet.org/2026/05/06/zero-click-readership-are-ai-overviews-changing-the-way-we-discover-research/

你有没有注意到自己最近使用谷歌的方式？有没有什么变化呢？如今，我很少再点击链接了；通常只需看一眼AI生成的概览，就能获得我需要的信息。这让我不禁思考，这些概览究竟对研究人员的搜索行为产生了怎样的影响。当他们输入搜索词时，他们真的会点击链接吗？还是说，他们对AI生成的、内容全面且看似自信的概览已经感到满意，从而不再点击？我认为是后者。

因此，零点击阅读可以被定义为：读者在未访问原始来源的情况下，直接消费、解读甚至再利用研究成果。这意味着什么？从可发现性的角度来看，这意味着人们无需下载PDF文件、无需打开新标签页、也无需阅读论文，就可以了到解文章的主旨。这与传统阅读论文的方式相比，可谓发生了翻天覆地的变化。传统的论文检索流程是：搜索 → 浏览结果列表 → 点击有潜力的文章 → 阅读/浏览这些文章 → 引用，但如今这一流程变得更短了：搜索 → 阅读AI生成的概述 → 继续浏览。

从读者的角度来看，这种获取整合信息的新方式更快、更高效。但如果读者逐渐都不点击论文就能找到所需内容，那么期刊作为信息目的地将何去何从？研究本身的完整性和可见性又将如何？论文的实际访问量将下降，这不仅会削弱论文本身的可见度，也会影响刊载这些论文的期刊。这同样会影响出版商用于了解其作者群体的数据。此外，这还可能对作者产生潜在影响，进而影响资金申请、终身教职及晋升相关的决策。

尽管这种改变很高效，但对读者而言也存在一定风险——它是以牺牲理解力为代价的。传统方式中，读者在阅读不同论文时总会遇到障碍。当他们对论文进行批判性评估时，可能会注意到前后不一致之处，或对“方法”部分的细节感到困惑。但这种情况正在逐渐改变，因为他们不再对所读内容提出质疑，他们正在学会接受人工智能综合整理的内容。

随着时间的推移，这可能会产生微妙但重大的影响。例如，依赖人工智能合成的论文的青年研究人员可能无法学会对论文进行批判性评估。人工智能系统可能会产生幻觉、错误归因研究结果或夸大其词，而摘要往往会过度简化问题。其结果是，这种研究形式虽然更易于理解，但可能更难被质疑。

人工智能不仅仅是在总结研究成果，实际上它是在筛选哪些内容需要纳入综述。出版商、期刊编辑和同行评审员传统上被视为“守门人”；他们决定哪些内容应当被选中，哪些内容值得一读。关于把关机制及其偏见与局限性，已有无数专题讨论和文章探讨。这些至少是可见且可以被质疑的。但人工智能引入的这种把关机制又如何呢？它决定收录哪些论文、展示哪些研究结果、省略哪些观点，这种筛选发生在后台，没有任何明确的迹象表明哪些内容被排除在外，这一过程不透明，既没有编辑委员会可以质询，也没有同行评审员可以提出异议。

这就像是算法的不透明性正在取代编辑的偏见：被大量引用的论文更容易被发表，英文论文比地区语言的论文更容易被推荐，而结构严谨、语言通俗易懂且格式标准化的、适合人工智能阅读的论文，在搜索结果中出现的概率更高。

这就像一个循环，可见的事物最终变得更加显眼，而隐藏的事物则依然不为人知。对于全球南方的作者而言，这个问题尤为突出，因为他们的作品可能永远无法触及人工智能检索所依赖的综合信息层。

我们观察到的另一个重要变化是，出版商可能不再是连接研究与读者之间的主要桥梁。事实上，他们已然成为底层基础设施的一部分——不可或缺，却不再那么显眼。它们依然在生产、整理和验证内容，但这些内容越来越多地作为输入源融入其他生态系统，而非将用户吸引到自身平台。它们的角色变得至关重要，却也愈发隐形。

这种动态并非完全新鲜。索引服务和聚合平台一直以来都在为学术内容的获取提供中介服务，但人工智能通过将检索与解读合二为一，加速并深化了这一趋势，用户不再需要在各个平台之间来回切换。

在这种情况下，我们需要思考：当读者不再直接接触出版商的平台时，出版商如何才能保持其存在感？除了提供可信内容之外，出版商的角色将如何演变？他们能否在推动人工智能产出的透明度和可追溯性方面发挥关键作用？

最后，这种新的搜索行为会如何影响我们分析影响力的方式？如今，我们是通过综合整理而非主动发现来获取文章的。如果论文实际上并未被阅读，那么引用量究竟衡量的是什么？这导致了知识应用方式与影响力衡量方式（即通过论文下载量和引用量）之间存在根本性的脱节。如果实际点击阅读论文的人越来越少，下载量便失去了意义；而且，目前尚不清楚引用是源于直接阅读，还是基于AI摘要的解读。从某种意义上说，我们所衡量的体系已不再反映知识的实际应用方式。

人们很容易将这些变化视为流量、曝光度和控制力的流失。然而，关键不在于抵制人工智能介导的发现机制，而在于引导其发展方向。

1. 应具备可追溯性：即读者能够追溯到具体来源。若缺乏这一点，研究结果的公信力和可靠性将受到损害。如果研究人员无法轻易区分哪些内容源自文献、哪些是由人工智能推导出的，那么证据与解释之间的界限便会变得模糊。出版商在界定这些预期方面需要发挥作用。

2.对“影响力”的理解需要与时俱进：我们是否应该考虑新的影响力形式？或许衡量影响力的一个指标是人工智能生成的摘要和答案中的包含，更具体地说，研究成果在发现系统中出现的频率，以及人工智能如何归因？

3.元数据至关重要：摘要、关键词、资助信息和作者角色不仅是描述性元素，更是决定研究如何呈现的信号。元数据不准确或不一致不仅降低可发现性，还可能导致研究内容变得隐形，因此需要鼓励这一点。

学术体系的诚信一直建立在一个相对稳定的前提之上：即从事研究的人会追溯到原始来源。这一前提如今正面临考验。这也引出了最后一个尚未解决的思考：如果人们获取研究成果的方式越来越依赖于人工智能生成的摘要，而非原始文献，那么“参与研究”究竟意味着什么？