哈佛最新研究:AI文書寫得妙筆生花,為什麼申請者反而更難被錄取?

一篇幾乎挑不出語病、結構也相當完整的申請文書,如今可能帶來一個意想不到的風險:招生官懷疑文章呈現的並非申請者本人的聲音。

哈佛大學和紐約大學三位學者最近分析了7462份申請,它們來自美國一個競爭激烈的公共政策碩士項目,時間跨越2020至2025年六個申請季。這是迄今為止位數不多、能夠將AI使用、文書質量和實際錄取結果放在同一組數據中觀察的大樣本研究之一。

結果並不是簡單的「AI有用」或「AI無用」。 AI讓文書更絲滑、錯誤更少,卻沒有讓申請者更容易獲得錄取。 一旦招生官覺得某篇文書像AI作品,對其評價會顯著降低。

近六成申請者至少提交過一篇疑似AI文書

研究涉及項目要求每個申請人提交字數介於250至500不等的五篇文書,內容涉及申請動機、個人特質和職業背景、以及未來如何參與公共服務。 項目要求申請人獨立使用英語完成材料,2023年起還明確禁止使用生成式AI。

研究者使用GPTZero識別「高置信度、主要由AI生成」的文本,並用另一款檢測器Pangram和更寬鬆的閾值進行復核。 在ChatGPT發布前的2020至2022年,幾乎沒有文書被標記為AI生成;在2025年的全部申請者中,56%至少有一篇文書被檢測器高置信度地判定為主要由AI生成。 如果把2025年申請者按身份分開統計,69.3%國際申請人至少有一篇文書被如此標記;美國本土申請者中,這一比例為38.6%。

由於研究只把「主要由AI生成」且檢測器高度確信的文本算進來,只用AI做部分改寫或修飾的情況並未被完整統計,因此這56%、69.3%和38.6%均應理解為該檢測口徑下的保守估計,不是申請者自報的AI使用率。

2020至2025年,至少一篇文書被判定為主要由AI生成的申請者比例;紅線和藍線分別代表美國本土與國際申請者,虛線為全部申請者。

AI改善的主要是語言,較少觸及內容

研究者從語法、風格、清晰度、是否回應題目、個人聲音、對公共服務的投入和領導力七個維度評估文書。 他們先讓模型評分,再請該項目的五名招生工作人員對同一批樣本打分。 兩套分數的相關係數為0.70;係數越接近1,說明兩種評分的高低排序越一致。 這表明模型評分與招生人員判斷有較強關聯,但不是完全一致;這一步用來校準自動評估,而不是把模型分數直接當作招生官判斷。

模型綜合評分與招生人員評分的相關係數為0.70;分數越高代表文書質量越高。

ChatGPT上線後,申請文書的整體質量明顯提高,國際申請者的變化尤其突出。 但改善主要來自語法、風格和清晰度等機械層面;在是否真正回應題目、是否保留個人聲音、是否展示持久投入與領導力等內容層面,提升幅度明顯較小。

這是這項研究對申請家庭最有用的提醒之一。AI很擅長把一個普通句子變得通順,卻不會憑空產生有分量的細節。 如果原始經歷、觀察和判斷本來就空洞,經過AI修飾後只會成為更流暢的空洞。

ChatGPT問世後,文書的語法、風格和清晰度提升幅度顯著,實質內容質量提升較小。

文書質量提高了,錄取率卻下降了

在2023和2024申請季,至少一篇文書被標記為AI書寫的人,實際錄取率低於未被標記的人。 兩類申請者的成績、經歷和其他材料可能存在系統差異,研究者因此用雙重機器學習方法,將年齡、標化考試以及從整套申請材料中提取的數百個特徵納入控制。

在控制了申請者年齡、標化考試和其他已觀察特徵後,統計模型估計:與其他條件相似且沒有文書被標記的申請者相比,每多一篇被標記的AI文書,錄取概率平均低1.5個百分點。這裡的「百分點」是錄取概率的絕對差:例如從20%降至18.5%,就是下降1.5個百分點。

在至少有一篇文書被標記的申請者中,平均每人有2.32篇被標記的文書。 按每篇1.5個百分點估算,這類申請者的總體錄取概率估計低3.48個百分點。 當統計模型進一步把文書質量納入控制時,每篇被標記文書對應的估計差異擴大到2.6個百分點;對平均有2.32篇的申請者而言,估計差異約為6個百分點。 這兩組結果都是統計估計,不是學校公布的固定扣分標準。

這些數字不能被理解為適用於所有大學的固定「AI扣分」。 數據只來自一個公共政策碩士項目,而且觀察性研究無法排除所有未被測量的差異。 它所顯示的是一個值得認真對待的方向:語言質量提高,不等於招生結果一定變好。

這所學校當時並沒有用AI檢測器系統篩查申請材料,也沒有建立一套查獲後自動扣分的處理流程。因此,錄取差異更可能來自閱讀者對文本風格的判斷和質量評價,而不是一個預先設定的技術處罰。這也解釋了為什麼研究者接著要測試招生官本人能否識別AI文本。

不同統計模型對「AI文書數量與錄取概率」的估計;負數代表被標記文書越多,估計錄取概率越低。

招生官看得出AI文書嗎?

該項目的五名招生工作人員一共評估了100篇文書,其中50篇被檢測為人類書寫,50篇被檢測為AI生成。 他們在不知道檢測結果的情況下,用六級量表判斷每篇文書更像人類還是AI。

識別實驗的AUC為0.70。 直觀地說,如果隨機抽取一篇被檢測為AI生成的文書和一篇被檢測為人類書寫的文書,招生人員有約70%的概率把前者判得更像AI;隨機猜測的基準是50%。 因此，招生人員確實能識別部分AI寫作,但距離準確無誤很遠。

按招生人員的六級判斷分組,在被他們歸入「更像人類書寫」一側的文書中,70.4%同時被GPTZero分類為人類書寫;在被歸入「更像AI」一側的文書中,67.8%同時被GPTZero分類為AI生成。 這裡的兩個百分比,分母分別是招生人員判為偏人類和偏AI的兩組文書。

招生人員和AI檢測器判斷文書是否AI生成具有很高的相關性

更值得注意的是評分。 招生官越認為一篇文書由AI生成,給出的質量分越低;被判為「非常可能由AI生成」的文書,下降幅度最大。 即使研究者控制了模型評估的文書質量、文書是否真的被檢測為AI生成,以及申請者的學業和人口背景,這種負相關仍然存在。

招生人員越認為文書像AI作品,給出的質量評分越低;「6」代表「非常可能由AI生成」

檢測工具不能成為定罪依據

這項研究並沒有證明AI檢測器可以對單個申請者作出可靠裁決。 研究者選擇了高置信度閾值,並用ChatGPT問世前三個申請季的材料檢查誤報情況,目的是在一個大樣本中觀察趨勢。 這與學校拿一個檢測分數判定某名學生作弊,是兩件事。

檢測器會遇到誤報和漏報,非英語母語者的文本也曾被發現存在被錯誤標記的風險。 本研究在自己的數據中沒有發現國際申請者或語言考試提交者有更高的差異誤報率,但也沒有把檢測器描述為不會出錯的證據。

對大學而言,比「能不能抓出AI」更重要的問題是:申請文書究竟要測量什麼。如果它用來觀察申請者的經歷、思考方式和自我認識,審核重點就應該放在信息是否真實、表達是否能由本人負責,而不是把一個不確定的技術分數當成結論。

不同大學對AI的界線並不相同

美國大學並沒有一套全國統一的AI文書規則。共同申請系統(Common App)要求申請者確認材料由本人完成、事實真實並誠實呈現,把由他人或工具生成的內容當作自己作品提交,可能觸及申請欺詐政策。

耶魯大學的規定較為具體:可以用AI檢查語法和拼寫,也可以在寫作開始時尋求一般建議或選題靈感;把AI平臺生成的實質性內容當作自己的申請材料提交,則被視為申請欺詐,可能導致錄取被撤銷或入學後被退學。

布朗大學同樣強調申請內容必須真實地反映申請者本人。 Kaplan在2025年對招生官的調查顯示,越來越多的學校正在明確AI使用邊界,但具體表述仍不完全一致。 申請人不能只憑「別的學校允許」推導目標學校也允許,應以當年官網、申請承諾和題目說明為準。

中國學生如何使用AI而不失去自我

對中國申請者而言,AI最容易帶來的幫助是減少語法錯誤,檢查句子是否難懂,或指出文章哪些地方重複。 這些工作和請老師或同學校對有一定相似之處,前提是學校政策允許,而且修改後的句子仍然表達申請者自己的經歷和意思。

風險往往出現在下一步:學生把整篇初稿丟給模型「全面優化」,或直接讓其生成一個更有衝突、更感人的故事。 這樣的文本很容易出現申請者平時不會使用的詞彙、過度工整的節奏、空泛的價值升華,甚至在細節上虛構經歷。

較穩妥的方法是:先由學生自己確定題材,列出具體時間、場景、人物、行動和反思,完成一版能夠用口頭講清楚的初稿;如果使用AI,只讓它指出問題,不讓它替換經歷和結論;最後逐句檢查,確保每一句都能當面解釋,每一個事實都經得起核對。

申請學生還得對第三方升學顧問或文書服務模式保持知情。 即使是第三方代筆或使用AI改寫,最終對申請材料的真實性和原創性作出承諾的仍是學生本人。 「我不知道顧問用了AI」,通常不能消除申請者的責任。

當流暢寫作變得廉價,真實信息會更具價值

這項研究只觀察了一個碩士項目,這不能直接代表美國本科招生,也無法告訴我們每所大學會如何處理AI文書。 它卻記錄了一個已經開始影響申請的變化:當正確語法、清晰結構和流暢表達可以被工具低成本獲得,這就不再是稀缺信號。

招生官會更看重難以批量生產的信息:申請者在何種場景中做到了什麼,為何作出那個選擇,遇到了什麼細小而真實的阻力,以及經歷之後對自己的認識如何變化。 這些內容未必華麗,但能幫助審閱者觀察到一個活生生的人。

AI可以成為寫作過程中的校對工具,也可以幫助申請者發現表達中的漏洞。 但申請文書最難的一步,從來不是把句子寫得像出版物,而是決定哪些經歷值得寫、它們為什麼重要,以及自己願意如何對這些經歷負責。 把這一步也交給機器,失去的就不只是個人語氣,而是申請文書存在的理由。

參考資料：

https://arxiv.org/abs/ 2609.22549

https://admissions.yale.edu/ai-政策

https://admission.brown.edu/apply/ 如何-應用/完整性-應用-流程

https://www.commonapp.org/files/ Common-App-Fraud-Policy.pdf

https://kaplan.com/about/ 新聞-媒體/college-admissions-officers-survey-2025-essays-ai