Source–Claim Verification in Generative AI-Assisted Academic Writing: Effects on Citation Integrity, Evidence Traceability, and Argument Quality

NGUYỄN VĂN HÙNG

HIGHLIGHTS

• Phát triển Source–Claim Verification (SCV) như một cơ chế kiểm soát nhận thức luận nhằm quản trị quá trình chuyển từ generated proposition sang accepted scholarly claim trong viết học thuật có hỗ trợ bởi Generative AI.
• Phân biệt bốn tầng kiểm chứng: Source Authenticity → Bibliographic Accuracy → Claim–Evidence Fit → Evidence Traceability.
• Khái niệm hóa Citation Integrity (CI) như một composite evidential-quality construct, thay vì đồng nhất với citation presence hoặc formatting accuracy.
• Lý thuyết hóa Evidence Traceability (ET) như khả năng tái dựng độc lập chuỗi claim–source–evidence, không chỉ là việc ghi page number hoặc evidence location.
• Đề xuất Source–Claim Verification Matrix tạo audit trail giữa claim, source, evidence, warrant, qualification và verification decision.
• Phát triển randomized three-condition writing experiment nhằm phân biệt GenAI Assistance Effect với Incremental SCV Effect.
• Đề xuất cơ chế trung gian nối tiếp SCV → Citation Integrity → Evidence Traceability → Argument Quality.
• Tái định vị responsible GenAI-assisted academic writing từ AI detection sang evidence accountability và human scientific accountability.

TÓM TẮT

Bối cảnh. Generative Artificial Intelligence (GenAI) đang tái cấu trúc hoạt động viết học thuật thông qua khả năng hỗ trợ hình thành ý tưởng, xây dựng cấu trúc, tóm tắt, tổng hợp literature, hiệu chỉnh ngôn ngữ, tạo code và phát triển văn bản. Tuy nhiên, năng lực tạo sinh không mặc nhiên bảo đảm độ tin cậy nhận thức luận. Một văn bản có thể trôi chảy, thuyết phục và mang đầy đủ hình thức học thuật nhưng vẫn chứa nguồn không tồn tại, thông tin thư mục sai, citation-attributed claims không được source viện dẫn hỗ trợ hoặc kết luận vượt quá phạm vi của evidence. Vì vậy, vấn đề trung tâm không còn đơn thuần là liệu GenAI có tạo được citation hay không, mà là liệu toàn bộ chuỗi claim → source → evidence → warrant → qualification → conclusion có thể được kiểm chứng, truy xuất và bảo vệ khoa học hay không.

Khoảng trống nghiên cứu. Literature hiện tại đã ghi nhận fabricated references, bibliographic errors, hallucination và citation–claim mismatch. Tuy nhiên, phần lớn nghiên cứu tập trung vào nhận diện lỗi của AI hơn là thiết kế một cơ chế nhận thức luận có cấu trúc nhằm ngăn generated proposition được chuyển trực tiếp thành accepted scholarly claim. Ba nhầm lẫn vẫn đặc biệt quan trọng: citation presence không đồng nghĩa citation integrity; source relevance không đồng nghĩa evidential support; linguistic fluency không đồng nghĩa scientific argument quality. Đồng thời, việc xác nhận một source tồn tại vẫn chưa đủ nếu người đọc không thể truy xuất evidence cụ thể được dùng để biện minh cho claim.

Mục tiêu. Nghiên cứu phát triển Source–Claim Verification (SCV) như một epistemic control mechanism và đề xuất kiểm định tác động của SCV đối với Citation Integrity (CI), Evidence Traceability (ET) và Argument Quality (AQ). SCV yêu cầu người viết xác minh source authenticity, bibliographic accuracy, evidence location, claim–evidence fit, warrant adequacy, qualification và verification status trước khi chấp nhận một claim quan trọng vào manuscript.

Phương pháp đề xuất. Một randomized controlled writing experiment gồm ba điều kiện được đề xuất: (C1) Traditional Writing; (C2) GenAI-Assisted Writing không có structured verification; và (C3) GenAI-Assisted Writing kết hợp SCV. Hai planned contrasts trung tâm là C2 − C1, đại diện cho GenAI Assistance Effect, và C3 − C2, đại diện cho Incremental SCV Effect. Dữ liệu được phân tích ở document level và claim–citation level. Citation Integrity được khái niệm hóa như một composite construct gồm Source Authenticity, Bibliographic Accuracy và Claim–Evidence Fit. Evidence Traceability được đo bằng mức độ một evaluator độc lập có thể tái dựng evidence lineage của claim. Writing Quality được tách khỏi Argument Quality.

Đóng góp. Nghiên cứu dịch chuyển trọng tâm từ “AI có tạo lỗi hay không?” sang “cơ chế nào quyết định việc output tạo sinh có được chuyển thành tri thức có thể bảo vệ?”. Mô hình trung tâm là SCV → CI → ET → AQ. Nghiên cứu đồng thời đặt verification literacy như một thành tố của responsible research AI literacy và định vị human scientific accountability như nguyên tắc xuyên suốt.

Kết luận. Responsible GenAI-assisted academic writing cần được tái định vị từ AI detection hoặc disclosure đơn thuần sang epistemic accountability. AI có thể hỗ trợ tạo lập và cải thiện văn bản, nhưng việc xác minh nguồn, đánh giá evidence, giới hạn inference và chịu trách nhiệm đối với scholarly claim cuối cùng vẫn thuộc về tác giả con người.

Từ khóa: Generative AI; Source–Claim Verification; Citation Integrity; Evidence Traceability; Claim–Evidence Fit; Argument Quality; academic writing; epistemic accountability.

ABSTRACT

Background. Generative artificial intelligence (GenAI) is rapidly reshaping academic writing by supporting ideation, outlining, summarization, literature synthesis, linguistic revision, coding, and text generation. Yet generative capability does not necessarily ensure epistemic reliability. Academically fluent text may still contain fabricated sources, inaccurate bibliographic metadata, citation-attributed claims unsupported by the cited literature, or conclusions that exceed the scope of available evidence. The central challenge is therefore not merely whether GenAI can generate citations, but whether the full chain linking claim, source, evidence, warrant, qualification, and conclusion can be verified, traced, and scientifically defended.

Research gap. Existing research has documented fabricated references, bibliographic errors, hallucinations, and weaknesses in citation–claim alignment. However, much of this literature focuses on error detection rather than on designing a structured epistemic intervention that prevents generated propositions from being accepted as scholarly claims without adequate verification. Three distinctions remain especially important: citation presence is not equivalent to citation integrity; source relevance is not equivalent to evidential support; and linguistic fluency is not equivalent to scientific argument quality. Moreover, confirming that a source exists is insufficient when the evidence supporting a particular claim cannot be independently located and reconstructed.

Purpose. This study develops Source–Claim Verification (SCV) as an epistemic control mechanism and proposes an experimental test of its effects on Citation Integrity (CI), Evidence Traceability (ET), and Argument Quality (AQ). SCV requires writers to verify source authenticity, bibliographic accuracy, evidence location, claim–evidence fit, warrant adequacy, qualification, and verification status before accepting a consequential claim into a scholarly manuscript.

Method. A three-condition randomized controlled writing experiment is proposed: (C1) Traditional Writing, (C2) GenAI-Assisted Writing without structured verification, and (C3) GenAI-Assisted Writing with an SCV intervention. Two planned contrasts distinguish the GenAI Assistance Effect (C2 − C1) from the Incremental SCV Effect (C3 − C2). Citation Integrity is conceptualized as a composite construct formed by Source Authenticity, Bibliographic Accuracy, and Claim–Evidence Fit. Evidence Traceability is operationalized as the extent to which an independent evaluator can reconstruct the evidential lineage of a claim. Analyses are proposed at document and claim–citation levels, while Writing Quality is separated from Argument Quality.

Contribution. Rather than treating GenAI as intrinsically beneficial or harmful, the framework identifies verification behavior as the mechanism determining whether generative capability becomes defensible scholarly knowledge. The proposed sequential pathway is SCV → Citation Integrity → Evidence Traceability → Argument Quality. Verification literacy is further positioned as a core component of responsible research AI literacy.

Conclusion. Responsible GenAI-assisted academic writing should be reframed as a problem of epistemic accountability, not merely AI detection or disclosure. AI may support drafting and revision, but source verification, evidential judgment, inferential restraint, and final scientific accountability remain human responsibilities.

Keywords: generative AI; Source–Claim Verification; citation integrity; evidence traceability; claim–evidence fit; argument quality; academic writing; epistemic accountability.

1. GIỚI THIỆU

1.1. Từ tự động hóa văn bản đến trách nhiệm nhận thức luận

Generative AI đang tạo ra một chuyển dịch căn bản trong hoạt động nghiên cứu và scholarly writing. Nếu các công cụ số truyền thống chủ yếu hỗ trợ tìm kiếm, reference management, spelling, grammar hoặc formatting, các large language models hiện có khả năng tham gia sâu hơn vào những công việc từng được xem là hoạt động nhận thức cốt lõi của người nghiên cứu: hình thành ý tưởng, đề xuất research gap, cấu trúc hóa literature review, tổng hợp nguồn, phát triển explanatory arguments, tạo code, diễn giải kết quả và sửa đổi manuscript.

Sự mở rộng này mang lại tiềm năng đáng kể. Người viết có thể giảm chi phí của brainstorming, sentence reformulation, outlining hoặc preliminary synthesis. Người học ngôn ngữ thứ hai có thể cải thiện readability. Researchers có thể nhanh chóng thử nghiệm nhiều cách trình bày một lập luận.

Tuy nhiên, một thay đổi quan trọng khác ít dễ nhận thấy hơn đang đồng thời xảy ra: chi phí tạo ra một phát biểu có vẻ hợp lý đang giảm nhanh hơn chi phí xác minh rằng phát biểu đó thực sự có cơ sở khoa học.

Đây là một sự bất đối xứng nhận thức luận.

Một đoạn văn có thể được tạo trong vài giây, nhưng kiểm tra mọi factual claim, truy xuất source, đọc methodology, xác định evidence, đánh giá claim–evidence fit và giới hạn conclusion có thể mất nhiều thời gian hơn đáng kể.

UNESCO (2023) đặt việc sử dụng GenAI trong education và research dưới một human-centred perspective. Theo nguyên tắc đó, hiệu quả công nghệ không thể thay thế human judgment, agency và responsibility. Trong scholarly writing, AI có thể tham gia vào text production nhưng không có khả năng nhận trách nhiệm khoa học cho validity của claim mà nó tạo ra.

Messeri và Crockett (2024) làm sâu sắc thêm vấn đề bằng khái niệm illusions of understanding. Công nghệ AI có thể làm tăng productivity khoa học nhưng đồng thời làm tăng cảm giác rằng researchers hiểu phenomena sâu hơn mức mà evidence thực tế cho phép. Trong academic writing, văn phong tự tin và cấu trúc thuyết phục có thể tạo cảm giác epistemic certainty dù underlying evidence yếu hoặc không tồn tại.

Do đó, phân biệt nền tảng đầu tiên là:

Generative capability ≠ Epistemic reliability.

1.2. Fabricated citations không chỉ là lỗi bibliography

Walters và Wilder (2023) cho thấy GPT-3.5 và GPT-4 có thể tạo fabricated bibliographic citations và substantive errors trong references có thật. Ý nghĩa lâu dài của phát hiện này không nằm ở một error rate cụ thể, bởi model capabilities thay đổi nhanh theo version, retrieval environment và prompt structure.

Ý nghĩa quan trọng hơn là nguyên tắc:

Một reference có vẻ hoàn chỉnh không thể được chấp nhận như một source đã được xác minh chỉ vì hình thức của nó giống một citation học thuật.

Trong scholarly workflows truyền thống, người viết thường tìm được source trước rồi mới cite. Với GenAI, thứ tự đó có thể đảo ngược: một model có thể tạo citation-looking output trước khi người viết từng nhìn thấy source.

Farquhar et al. (2024) mở rộng vấn đề sang hallucination trong large language models và đề xuất semantic entropy như một approach để phát hiện một số unreliable generations. Tuy nhiên, uncertainty estimation không thể thay thế việc đọc source. Một system có thể đánh dấu output có rủi ro nhưng không tự giải quyết câu hỏi quan trọng hơn: source nói gì, evidence nằm ở đâu và claim có phù hợp với evidence hay không.

Như vậy, fabricated citation chỉ là tầng đầu của vấn đề.

1.3. Từ source existence đến citation–claim fidelity

Linardon et al. (2026) chuyển trọng tâm phân tích từ reference existence sang citation-attributed claims. Đây là bước phát triển có giá trị lý thuyết vì nó cho thấy một source có thật vẫn có thể bị sử dụng sai.

Một source có thể đồng thời:

• tồn tại;
• có DOI đúng;
• có metadata chính xác;
• liên quan đến topic;

nhưng vẫn không hỗ trợ claim cụ thể.

Ví dụ, một correlational study có thể bị sử dụng cho causal claim. Một qualitative study có thể bị viện dẫn để hỗ trợ prevalence estimate. Một nghiên cứu trên một population hạn chế có thể bị dùng để đưa ra universal conclusion.

Vấn đề do đó không còn là:

“Source này có thật không?”

mà là:

“Evidence trong source này hỗ trợ chính xác claim đến mức nào?”

Từ đó hình thành một architecture:

Source Authenticity → Bibliographic Accuracy → Claim–Evidence Fit → Evidence Traceability.

1.4. Citation như một thực hành nhận thức luận

Radu và Rocher (2026) đề xuất chuyển citation education từ compliance và plagiarism prevention sang critical citation literacy. Đây là một thay đổi đặc biệt phù hợp với GenAI.

Trong cách tiếp cận truyền thống, student có thể được hỏi:

“Citation này có đúng APA 7 không?”

Critical citation literacy yêu cầu những câu hỏi mạnh hơn:

• Source có thật không?
• Đây có phải source phù hợp về thẩm quyền không?
• Source thực sự báo cáo điều gì?
• Evidence nằm ở vị trí nào?
• Claim có đúng phạm vi của evidence không?
• Có qualification nào cần bổ sung?
• Có contrary evidence đáng kể hay không?

Citation vì vậy không chỉ là một convention trình bày. Nó là một verification infrastructure.

1.5. Bốn nhầm lẫn lý thuyết cần giải quyết

Bài viết đặt trọng tâm vào bốn nhầm lẫn.

Thứ nhất:

Citation Presence ≠ Citation Integrity.

Một parenthetical citation không chứng minh source tồn tại hoặc claim được hỗ trợ.

Thứ hai:

Source Relevance ≠ Evidential Support.

Một source cùng topic chưa chắc hỗ trợ proposition.

Thứ ba:

Evidence Presence ≠ Warrant Adequacy.

Ngay cả evidence đúng cũng có thể được sử dụng qua một inference không hợp lệ.

Thứ tư:

Linguistic Fluency ≠ Scientific Argument Quality.

Ngôn ngữ thuyết phục không bảo đảm lập luận khoa học mạnh.

Bốn phân biệt này chuyển trọng tâm nghiên cứu từ:

Text Production

sang:

Knowledge Justification.

1.6. Khoảng trống nghiên cứu

Research hiện nay đã mô tả tốt nhiều lỗi liên quan đến GenAI-generated citations. Tuy nhiên, việc nhận diện lỗi không đồng nghĩa đã có một mechanism ngăn lỗi.

Khoảng trống quan trọng là thiếu một intervention có thể:

1. yêu cầu người viết xác minh source;
2. xác định evidence cụ thể;
3. đánh giá claim–evidence fit;
4. kiểm tra warrant;
5. giới hạn claim;
6. tạo audit trail;
7. quyết định giữ, sửa hoặc loại claim.

Nghiên cứu này gọi mechanism đó là Source–Claim Verification (SCV).

SCV không phải “AI detector”.

Nó cũng không phải “reference checker”.

SCV là một epistemic gate kiểm soát transition:

Generated Proposition → Accepted Scholarly Claim.

1.7. Mục tiêu nghiên cứu

Nghiên cứu có bốn mục tiêu.

Thứ nhất, đánh giá ảnh hưởng của GenAI-assisted writing đối với Writing Efficiency.

Thứ hai, xác định Citation Risk khi GenAI được sử dụng mà không có structured verification.

Thứ ba, đánh giá tác động bổ sung của SCV đối với Citation Integrity và Evidence Traceability.

Thứ tư, kiểm định cơ chế:

SCV → Citation Integrity → Evidence Traceability → Argument Quality.

1.8. Câu hỏi nghiên cứu

RQ1. GenAI-assisted writing ảnh hưởng như thế nào đến Writing Efficiency so với Traditional Writing?

RQ2. GenAI-assisted writing không kèm SCV ảnh hưởng như thế nào đến Citation Risk?

RQ3. SCV có cải thiện Citation Integrity vượt lên trên GenAI assistance đơn thuần hay không?

RQ4. SCV ảnh hưởng như thế nào đến Evidence Traceability?

RQ5. Citation Integrity có liên hệ như thế nào với Evidence Traceability?

RQ6. Evidence Traceability có liên hệ như thế nào với Argument Quality?

RQ7. CI và ET có tạo thành một sequential mechanism nối SCV với AQ hay không?

2. VIẾT HỌC THUẬT NHƯ MỘT QUÁ TRÌNH BIỆN MINH TRI THỨC

2.1. Claim, evidence và warrant

Scholarly writing không chỉ là trình bày thông tin. Nó là hoạt động đưa ra knowledge claims và biện minh cho chúng.

Toulmin (1958) phân biệt giữa data, claim và warrant. Warrant giải thích tại sao evidence cho phép người đọc chấp nhận claim.

Distinction này đặc biệt quan trọng trong GenAI-assisted writing.

Ví dụ, một source có thể báo cáo:

“GenAI use was positively associated with student confidence.”

Một manuscript sau đó có thể viết:

“GenAI improves student confidence.”

Citation có thể chính xác. Source có thể có thật. Evidence có thể được locate.

Nhưng inference vẫn không hợp lệ nếu research design không hỗ trợ causality.

Vì vậy:

Citation Accuracy ≠ Inferential Validity.

2.2. Evidence là quan hệ, không chỉ là vật thể

Một lỗi phổ biến trong writing instruction là nói về “strong evidence” như thể strength hoàn toàn là thuộc tính của source.

Thực tế, evidential adequacy phụ thuộc vào claim.

Một RCT có thể mạnh cho causal effect nhưng không thích hợp để trả lời lived experience.

Một interview study có thể cung cấp rich evidence về meaning nhưng không cung cấp prevalence estimate.

Một meta-analysis có thể mạnh cho average effects nhưng vẫn có hạn chế về transferability.

Do đó:

Evidence Quality = f(Claim, Design, Data, Inference Context).

Điều này phù hợp với methodological-fit principle của Creswell và Creswell (2023).

2.3. Source, evidence và claim

Ba khái niệm cần được phân biệt.

Source là scholarly object chứa thông tin.

Evidence là phần nội dung hoặc dữ liệu cụ thể được lấy từ source để biện minh cho claim.

Claim là proposition mà tác giả muốn người đọc chấp nhận.

Quan hệ logic:

Source → Evidence → Claim.

Nhưng quy trình verification thường diễn ra theo chiều ngược:

Claim → Identify Source → Locate Evidence → Evaluate Fit.

SCV làm explicit quy trình này.

2.4. Attribution và verification

Citation thực hiện hai chức năng.

Attribution: ghi nhận nguồn trí tuệ.

Verification: cho phép người khác kiểm tra claim.

Trong GenAI-assisted writing, attribution có thể được mô phỏng dễ dàng. Verification thì không.

Một synthetic citation có thể trông hoàn chỉnh nhưng không thể truy xuất.

Một real citation có thể được gắn vào một claim mà source không hỗ trợ.

Do đó, scholarly citation cần được đánh giá theo khả năng hỗ trợ independent verification.

3. GENERATIVE AI VÀ RESEARCH AI LITERACY

3.1. GenAI như năng lực mở rộng

Sallam (2023) tổng hợp nhiều opportunities và concerns của ChatGPT trong education, research và practice. Lợi ích gồm efficiency và accessibility; concerns gồm hallucination, bias, citation reliability và integrity.

Những bằng chứng này không hỗ trợ technological determinism.

GenAI không tự động cải thiện hoặc làm suy giảm research quality.

Một architecture hợp lý hơn là:

Generative Capability × Human Judgment × Verification Architecture → Scholarly Outcome.

3.2. Prompt literacy không phải Research AI Literacy

UNESCO (2024) mở rộng AI competency vượt khỏi operational use.

Trong research context, AI literacy phải bao gồm:

• understanding limitations;
• source verification;
• output evaluation;
• bias awareness;
• privacy judgment;
• inferential restraint;
• transparency;
• accountability.

Do đó:

Prompt Literacy ≠ Research AI Literacy.

Một researcher có thể prompt rất tốt nhưng không biết kiểm chứng một source.

Vì vậy, nghiên cứu đề xuất Verification Literacy là thành tố cốt lõi của Responsible Research AI Literacy.

3.3. AI-augmented methodology vẫn cần rigor

González Canché (2026) đặt GenAI cùng data science và interactive visualization trong methodological ecosystem cho qualitative, mixed-methods và multimodal evidence.

Điểm quan trọng là AI không thay thế methodology.

Nó mở rộng capability trong một methodological architecture.

Nisbet et al. (2024) tương tự nhấn mạnh model evaluation như một bước thiết yếu trong AI/ML workflow.

Logic này có thể mở rộng sang writing:

Generate → Evaluate → Verify → Interpret.

Một generated output không trở thành scholarly evidence chỉ vì nó đã được tạo.

3.4. Integrity, governance và human accountability

Porsdam Mann et al. (2024) nhấn mạnh ethical use và acknowledgment của LLM trong academic writing.

Singh (2026) đặt GenAI trong higher education trong architecture rộng hơn của ethics, integrity và governance.

Nguyên tắc hội tụ là:

AI assistance does not transfer scientific responsibility away from the human author.

Tác giả vẫn phải:

• kiểm chứng source;
• đánh giá interpretation;
• sửa sai;
• xác nhận originality;
• chịu trách nhiệm về manuscript.

Do đó:

AI Assistance ≠ Scientific Accountability.

4. CÁC CẤU TRÚC CỐT LÕI

4.1. Source Authenticity

Source Authenticity (SA) là mức độ một reference tương ứng với một scholarly object có thật và có thể được xác minh.

Verification có thể dựa trên:

• publisher;
• journal site;
• Crossref/DOI registry;
• PubMed;
• institutional repository;
• database có thẩm quyền.

Một source không vượt SA phải bị loại.

4.2. Bibliographic Accuracy

Bibliographic Accuracy (BA) là mức độ chính xác của metadata:

• author;
• title;
• year;
• journal/book;
• volume;
• issue;
• pages/article number;
• DOI;
• publisher.

SA và BA độc lập tương đối.

Một source có thể tồn tại nhưng metadata sai.

Vì vậy:

Source Authenticity ≠ Bibliographic Accuracy.

4.3. Claim–Evidence Fit

Claim–Evidence Fit (CEF) là mức độ evidence thực tế trong source hỗ trợ đúng nội dung, phạm vi và mức độ chắc chắn của claim.

Rubric đề xuất:

3 – Directly supported: evidence trực tiếp hỗ trợ claim.

2 – Partially supported: evidence hỗ trợ phần cốt lõi nhưng claim cần qualification.

1 – Weak/indirect support: source liên quan nhưng evidential support yếu.

0 – Unsupported: source không hỗ trợ claim.

−1 – Contradicted: source cung cấp evidence trái claim.

CEF là nơi verification chuyển từ bibliography sang scientific reasoning.

4.4. Citation Integrity như composite construct

Nghiên cứu định nghĩa:

Citation Integrity (CI) là mức độ một citation được sử dụng đáng tin cậy xét đồng thời tính xác thực của source, độ chính xác bibliographic và mức phù hợp giữa claim với evidence.

Quan trọng hơn, CI được khái niệm hóa như một composite construct, không phải reflective latent construct.

Cấu trúc:

CI = f(SA, BA, CEF).

Lý do:

Một citation có thể:

• authentic nhưng metadata sai;
• metadata chính xác nhưng unsupported;
• source đúng nhưng claim bị exaggerate.

Không có lý do lý thuyết đủ mạnh để giả định một latent CI gây ra đồng thời SA, BA và CEF.

Do đó, các components cấu thành quality của CI.

Hệ quả:

• Cronbach’s alpha không phải criterion trung tâm;
• component reliability và coding reliability quan trọng hơn;
• weighting phải được preregister;
• sensitivity analysis cần kiểm tra alternative scoring.

4.5. Evidence Traceability

Evidence Traceability (ET) là mức độ một claim có thể được một evaluator độc lập truy ngược đến source và evidence unit cụ thể theo cách đủ rõ để tái kiểm tra evidential relationship.

ET gồm:

• source identification;
• source retrieval;
• evidence location;
• evidence recoverability;
• unambiguous claim–evidence linkage;
• reconstructability.

Điểm quan trọng:

Evidence Location ≠ Evidence Traceability.

Ghi “p. 14” mới chỉ là metadata.

ET tồn tại khi reviewer có thể từ claim đi tới evidence và tái đánh giá relationship.

Như vậy, ET là một epistemic property of the evidence chain, không phải chỉ là thao tác ghi chú.

4.6. Argument Quality

Argument Quality (AQ) là mức độ scholarly argument:

• đưa ra claim rõ;
• sử dụng evidence thích hợp;
• có warrant hợp lý;
• duy trì logical coherence;
• qualification tương xứng;
• xử lý counterevidence;
• giữ conclusion trong giới hạn evidence.

Toulmin (1958) cung cấp nền tảng claim–data–warrant.

Booth et al. (2016) tiếp tục nhấn mạnh cấu trúc claim–reason–evidence trong research argument.

AQ vì vậy vượt khỏi linguistic correctness.

4.7. Writing Quality và Argument Quality

Writing Quality (WQ) gồm:

• grammar;
• clarity;
• cohesion;
• organization;
• readability;
• register.

Argument Quality (AQ) gồm:

• evidence;
• inference;
• warrant;
• qualification;
• coherence;
• counterevidence.

Hai construct phải được đo riêng.

Trong GenAI-assisted writing:

WQ có thể tăng trong khi AQ không tăng.

Đây là một outcome có ý nghĩa lý thuyết.

5. SOURCE–CLAIM VERIFICATION

5.1. Định nghĩa

Source–Claim Verification (SCV) là một quy trình kiểm chứng có cấu trúc trong đó người viết hoặc reviewer xác nhận source authenticity, bibliographic accuracy, evidence location, claim–evidence fit, warrant adequacy, qualification và verification decision trước khi một claim quan trọng được chấp nhận vào manuscript.

5.2. Đơn vị SCV kiểm soát

SCV kiểm soát transition:

Generated Proposition → Accepted Scholarly Claim.

Workflow không có SCV:

Generation → Acceptance.

Workflow SCV:

Generation
→ Source Authentication
→ Metadata Verification
→ Evidence Localization
→ Claim–Evidence Assessment
→ Warrant Evaluation
→ Qualification
→ Acceptance / Revision / Rejection.

SCV không giả định mọi AI output đều sai.

Nó giả định:

Every consequential scholarly claim requires justification independent of its origin.

5.3. Source–Claim Verification Matrix

Layer	Trường	Câu hỏi
Claim	Claim ID	Claim nào đang được đánh giá?
Claim	Claim Type	Factual, empirical, theoretical hay interpretive?
Source	Source Identity	Source nào được viện dẫn?
Authenticity	Verification	Source có thật không?
Metadata	Bibliographic Accuracy	Metadata có chính xác không?
Evidence	Evidence Location	Evidence nằm ở đâu?
Evidence	Evidence Record	Evidence thực tế là gì?
Fit	Claim–Evidence Fit	Evidence hỗ trợ claim đến mức nào?
Reasoning	Warrant	Vì sao evidence cho phép suy ra claim?
Boundary	Qualification	Claim cần giới hạn gì?
Decision	Verification Status	Verified, Partial, Unsupported hay Contradicted?
Audit	Verification Record	Ai kiểm tra, khi nào, bằng nguồn nào?

5.4. Verification decision

SCV không chỉ thu thập thông tin. Nó dẫn tới decision:

Verified: giữ claim.

Partially supported: sửa hoặc thu hẹp claim.

Unsupported: loại claim hoặc tìm evidence khác.

Contradicted: loại hoặc viết lại theo evidence.

Do đó SCV là decision architecture.

5.5. SCV và Critical Citation Literacy

Radu và Rocher (2026) chuyển citation education sang epistemic responsibility.

SCV operationalize nguyên tắc đó bằng behavior có thể quan sát.

Nó thay câu hỏi:

“Bạn đã cite chưa?”

bằng:

“Bạn có thể bảo vệ claim này bằng traceable evidence không?”

 

6. PHÁT TRIỂN GIẢ THUYẾT

6.1. GenAI Assistance và Writing Efficiency

GenAI có khả năng giảm thời gian brainstorming, outlining và language revision. Vì vậy, người dùng có thể tạo quality-adjusted text nhanh hơn.

Tuy nhiên, raw speed không đủ. Nếu text cần nhiều correction, net efficiency có thể thấp.

Nghiên cứu định nghĩa efficiency theo quality-adjusted productivity.

H1. GenAI-Assisted Writing tạo Writing Efficiency cao hơn Traditional Writing.

6.2. GenAI không SCV và Citation Risk

Walters và Wilder (2023) cho thấy LLMs có thể tạo fabricated references và metadata errors.

Linardon et al. (2026) cho thấy risk còn xuất hiện ở citation-attributed claim level.

Nếu writer không có verification gate, error có thể truyền sang manuscript.

Tuy nhiên, outcome phụ thuộc model/version/task.

Vì vậy:

H2. Trong experimental environment được xác định, GenAI-Assisted Writing không kèm structured verification tạo Citation Risk cao hơn Traditional Writing.

6.3. SCV và Citation Integrity

SCV trực tiếp yêu cầu verification ba components cấu thành CI.

Do đó:

H3. GenAI-Assisted Writing kết hợp SCV tạo Citation Integrity cao hơn GenAI-Assisted Writing không kèm SCV.

6.4. SCV và Evidence Traceability

SCV yêu cầu writer không chỉ xác định source mà còn evidence record và location.

Quan trọng hơn, evidence chain phải reconstructable.

H4. GenAI-Assisted Writing kết hợp SCV tạo Evidence Traceability cao hơn GenAI-Assisted Writing không kèm SCV.

6.5. Citation Integrity và Evidence Traceability

Nếu source giả, ET không thể tồn tại.

Nếu metadata sai, retrieval bị cản trở.

Nếu CEF thấp, một chain có thể technically traceable nhưng không epistemically valid.

Do đó:

H5. Citation Integrity có quan hệ tích cực với Evidence Traceability.

6.6. Evidence Traceability và Argument Quality

ET có thể cải thiện AQ qua ba mechanisms.

Comparison mechanism: writer phải so claim với evidence.

Constraint mechanism: evidence giới hạn mức độ khái quát.

Audit mechanism: khả năng independent checking tăng accountability.

Do đó:

H6. Evidence Traceability có quan hệ tích cực với Argument Quality.

6.7. CI như mediator

SCV trước hết thay đổi quality của citation use.

CI sau đó làm evidence chain đáng tin hơn.

H7. Citation Integrity trung gian hóa tác động của SCV đối với Evidence Traceability.

6.8. Sequential mechanism

Central mechanism:

SCV → CI → ET → AQ.

Logic:

SCV tăng verification.

Verification tăng CI.

CI tạo nền cho ET.

ET giúp người viết nhận diện overclaim, unsupported inference và missing qualification.

Điều này cải thiện AQ.

H8. Citation Integrity và Evidence Traceability trung gian hóa nối tiếp tác động của SCV đối với Argument Quality.

H8 là central theoretical hypothesis.

7. MÔ HÌNH KHÁI NIỆM TÍCH HỢP

Mô hình đề xuất:

EXPERIMENTAL WRITING CONDITION

Traditional Writing
vs.
GenAI-Assisted Writing
vs.
GenAI + SCV

↓

SOURCE–CLAIM VERIFICATION

↓

CITATION INTEGRITY

↓

EVIDENCE TRACEABILITY

↓

ARGUMENT QUALITY

Hai paths bổ sung:

GenAI Assistance → Writing Efficiency

và:

GenAI without SCV → Citation Risk

Cơ chế trung tâm:

SCV → CI → ET → AQ

Boundary principle:

HUMAN SCIENTIFIC ACCOUNTABILITY

8. PHƯƠNG PHÁP NGHIÊN CỨU ĐỀ XUẤT

8.1. Article type

Bản thảo hiện tại được định vị rõ là:

a conceptual-development paper incorporating a preregisterable randomized experimental protocol.

Bài phát triển:

• constructs;
• intervention;
• hypotheses;
• experimental design;
• measurement architecture;
• analysis plan.

Bài không tuyên bố đã có empirical results.

8.2. Thiết kế thực nghiệm

Đề xuất:

three-condition randomized controlled writing experiment.

C1 – Traditional Writing

Không sử dụng GenAI.

C2 – GenAI-Assisted Writing

Sử dụng GenAI nhưng không dùng structured SCV.

C3 – GenAI + SCV

Sử dụng cùng GenAI protocol như C2 nhưng áp dụng SCV.

Hai planned contrasts:

C2 − C1 = GenAI Assistance Effect

C3 − C2 = Incremental SCV Effect

C3−C2 là primary causal contrast của contribution SCV.

8.3. Participants

Population:

• final-year undergraduates;
• master’s students;
• doctoral students giai đoạn đầu;
• early-career researchers.

Inclusion:

• ≥18 tuổi;
• đã hoàn thành ít nhất một research-based writing assignment;
• có basic scholarly reading ability;
• có năng lực ngôn ngữ phù hợp task.

Participant quá thiếu research-writing exposure có thể tạo floor effect.

8.4. Sample size

Cỡ mẫu được xác định bằng a priori power analysis.

Không sử dụng arbitrary “100 per group”.

Power analysis cần dựa trên:

• primary C3−C2 effect;
• expected standardized difference;
• desired power;
• alpha;
• attrition;
• clustering;
• sequential mediation.

Nếu H8 là primary mechanism, Monte Carlo simulation nên được sử dụng.

Planning range:

N ≈ 300–450

chỉ là điểm khởi đầu cho simulation, không phải justification cuối.

8.5. Randomization

Randomization sau baseline assessment.

Có thể block theo:

• prior writing proficiency;
• academic level;
• prior GenAI use.

Sequence được tạo trước.

Allocation process được documented.

8.6. Writing task

Participants viết academic text 800–1.200 từ.

Task phải yêu cầu:

• empirical claims;
• synthesis;
• theoretical reasoning;
• source use.

Không chọn task thuần opinion.

8.7. Closed-source design

Primary experiment nên dùng fixed source corpus.

Lợi ích:

• giảm confounding do search skill;
• kiểm soát source access;
• xác định objectively CEF;
• tăng rater consistency.

Sau đó có thể replication bằng open-search environment.

8.8. Source corpus

Corpus nên gồm:

• direct-support sources;
• topically relevant but insufficient sources;
• studies có limitations;
• partially conflicting findings;
• nguồn có evidence dễ định vị;
• nguồn đòi hỏi qualification.

Như vậy task kiểm tra reasoning, không chỉ citation insertion.

8.9. GenAI protocol

C2 và C3 phải dùng:

• cùng model;
• cùng version;
• cùng system capability;
• cùng retrieval settings;
• cùng task instructions;
• cùng time window.

Prompt histories được lưu.

Ngày experiment và model version được báo.

8.10. SCV training

C3 được hướng dẫn về:

1. claim identification;
2. source authentication;
3. metadata verification;
4. evidence localization;
5. CEF scoring;
6. warrant assessment;
7. qualification;
8. verification decision;
9. audit documentation.

Training không cung cấp substantive answers.

8.11. SCV fidelity

SCV fidelity gồm:

• coverage;
• verification accuracy;
• evidence-location accuracy;
• CEF accuracy;
• qualification quality.

Do đó:

Matrix Completion ≠ SCV Fidelity.

8.12. Writing Efficiency

Possible measures:

• completion time;
• active drafting time;
• revision time;
• words accepted in final manuscript;
• quality-adjusted productivity.

Nếu dùng composite, formula phải preregister.

8.13. Citation Risk

Citation Risk có thể gồm:

• fabricated source rate;
• metadata error rate;
• unsupported claim rate;
• contradicted claim rate.

Mỗi rate có denominator rõ.

8.14. Measurement của Citation Integrity

CI gồm ba component scores:

SA

BA

CEF

Primary composite rule phải được định trước.

Ví dụ:

CI = standardized SA + standardized BA + standardized CEF

hoặc theoretically weighted composite.

Sensitivity analyses:

• equal weighting;
• alternative weighting;
• minimum-component rule.

Nếu conclusion phụ thuộc weighting, cần báo minh bạch.

8.15. Measurement của Evidence Traceability

ET rubric:

1. source identifiable;
2. source retrievable;
3. evidence location explicit;
4. evidence recoverable;
5. claim–evidence link unambiguous;
6. independent evaluator reconstructs chain.

Criterion 6 là critical feature.

Nó bảo vệ ET khỏi việc trở thành simple documentation score.

8.16. Argument Quality

Rubric:

1. claim clarity;
2. evidence adequacy;
3. evidence relevance;
4. warrant adequacy;
5. logical coherence;
6. qualification;
7. counterevidence treatment;
8. conclusion proportionality.

AQ được chấm từ manuscript version đã loại treatment markers.

8.17. Writing Quality

WQ rubric:

• grammar;
• lexical precision;
• cohesion;
• organization;
• readability;
• academic register.

WQ không bao gồm evidence quality.

8.18. Hai cấp phân tích

Level 1: claim–citation units.

Level 2: participants/documents.

Một participant có thể có nhiều claims hơn participant khác.

Do đó, nested structure cần được xử lý.

8.19. Rater procedure

Ít nhất hai independent raters.

Training manual.

Calibration set.

Reliability:

• Cohen’s κ;
• weighted κ;
• ICC.

Không sử dụng một reliability coefficient cho mọi outcome.

8.20. Blinding

Raters blind với condition khi khả thi.

SCV Matrix không được đưa cho AQ raters.

Điều này giảm expectation bias và construct contamination.

8.21. Manipulation checks

Check:

• C1 có sử dụng GenAI không;
• C2/C3 có dùng tool thực sự không;
• C3 có áp dụng SCV không;
• participants hiểu task không;
• time-on-task;
• prior familiarity.

8.22. Threats to validity

Contamination: participants chia sẻ SCV.

Differential expertise: prior AI competence khác nhau.

Demand effects: C3 đoán hypothesis.

Rater unblinding: text có dấu hiệu treatment.

Topic familiarity: prior knowledge ảnh hưởng evidence use.

Mitigation phải preregister.

8.23. Research ethics

Prompt histories và writing logs có thể chứa:

• personal data;
• original work;
• sensitive academic content.

Protocol cần:

• informed consent;
• data minimization;
• de-identification;
• access control;
• retention limits;
• provider risk assessment.

Confidential or identifiable data không được đưa vào external GenAI systems trái ethics approval hoặc consent.

8.24. Open science

Preregistration nên bao gồm:

• hypotheses;
• primary contrast;
• outcomes;
• scoring rules;
• exclusions;
• analysis plan.

Khi có thể chia sẻ:

• anonymized data;
• code;
• prompts;
• coding manual;
• SCV Matrix;
• source corpus metadata.

Một bài về traceability nên thực hành traceability.

 

9. KẾ HOẠCH PHÂN TÍCH

9.1. Preliminary analysis

Báo:

• recruitment;
• randomized sample;
• attrition;
• exclusions;
• fidelity;
• rater reliability;
• descriptive statistics.

Baseline differences nên được trình bày bằng standardized differences, không chỉ significance tests.

9.2. H1

C2 vs C1 về Writing Efficiency.

Report:

• raw mean difference;
• standardized effect;
• 95% CI;
• exact p.

9.3. H2

C2 vs C1 về Citation Risk.

Nếu outcome là proportion/count, sử dụng generalized models phù hợp.

9.4. H3 và H4

Primary SCV contrast:

C3 − C2

Outcomes:

• CI;
• ET.

9.5. H5 và H6

Kiểm định:

CI → ET

ET → AQ

Do mediators không được randomized độc lập, causal language phải thận trọng.

9.6. H7

Indirect effect:

SCV → CI → ET.

Bootstrap hoặc simulation-based interval.

9.7. H8

Sequential mediation:

SCV → CI → ET → AQ.

Báo:

• path coefficients;
• indirect effect;
• confidence interval;
• direct effect;
• total effect.

Không chỉ kết luận “mediation significant”.

9.8. Multilevel models

Nếu claim-level data:

Claims nested in participants.

Multilevel regression/SEM được cân nhắc.

Nếu source dependence đáng kể, có thể xem xét cross-classified structure.

9.9. Intention-to-treat

Primary inference sử dụng ITT.

Per-protocol là sensitivity analysis.

9.10. Robustness checks

Bao gồm:

• ITT vs per-protocol;
• alternative CI weighting;
• alternative ET thresholds;
• document vs claim level;
• prior AI experience;
• baseline writing proficiency;
• discipline;
• low-fidelity participant exclusions.

9.11. Multiple outcomes

Pre-classify:

Primary outcomes: CI, ET, AQ.

Secondary: Writing Efficiency, Citation Risk, WQ.

9.12. Missing data

Báo:

• percentage missing;
• patterns;
• reasons.

Dùng FIML hoặc multiple imputation khi assumptions phù hợp.

Không mặc định listwise deletion.

10. KHUNG BÁO CÁO KẾT QUẢ

Bản thảo hiện tại là conceptual/protocol paper.

Vì vậy không đưa:

• invented β;
• invented p;
• invented R²;
• invented effect sizes;
• invented CFI/RMSEA.

Empirical article tương lai nên có:

10.1. Participant flow

10.2. Sample characteristics

10.3. Manipulation fidelity

10.4. Rater reliability

10.5. Descriptive outcomes

10.6. H1–H4 experimental contrasts

10.7. H5–H8 mechanism analyses

10.8. Multilevel models

10.9. Robustness and sensitivity

Null findings phải được báo đầy đủ.

11. THẢO LUẬN

11.1. Generation không phải Verification

Đóng góp cơ bản của SCV là làm explicit một boundary mà GenAI làm cho dễ bị bỏ qua.

Khả năng tạo claim và khả năng biện minh claim là hai năng lực khác nhau.

Walters và Wilder (2023) cho thấy vấn đề ở source generation.

Linardon et al. (2026) cho thấy vấn đề ở source use.

SCV mở rộng sang reasoning.

11.2. Citation không phải Evidence

Citation chỉ là pointer.

Evidence là information unit.

Một manuscript có thể có citation density cao nhưng evidential quality thấp.

Do đó citation count không phải proxy cho rigor.

11.3. Source không phải Evidence

Source relevance operates at topic level.

Evidence support operates at proposition level.

Đây là một distinction đặc biệt quan trọng với LLMs vì language models rất mạnh trong semantic association.

Một source liên quan dễ bị trình bày như thể nó trực tiếp hỗ trợ claim.

11.4. Evidence không phải Warrant

Reference verification tools thường dừng trước warrant.

Nhưng scientific argument có thể thất bại ngay cả khi reference và evidence đúng.

Ví dụ:

Evidence: X và Y tương quan.

Conclusion: X gây Y.

Lỗi nằm ở inference.

SCV vì vậy thêm Warrant và Qualification.

11.5. Fluency không phải Scientific Argument Quality

GenAI đặc biệt mạnh về fluent prose.

Điều này có thể tạo một vấn đề:

epistemically weak reasoning expressed in rhetorically strong language.

Messeri và Crockett (2024) giúp giải thích tại sao high productivity có thể cùng tồn tại với illusion of understanding.

Do đó WQ và AQ phải tách.

11.6. Citation Integrity không phải APA compliance

Citation Integrity trong bài không hỏi:

“Dấu phẩy đã đúng chưa?”

Nó hỏi:

• source có thật không;
• source được nhận diện đúng không;
• source có hỗ trợ claim không.

Đây là dịch chuyển từ style integrity sang evidence integrity.

11.7. Vì sao CI là composite

Một reflective model sẽ giả định latent CI tạo ra các indicators.

Nhưng điều đó không phù hợp.

Source authenticity không gây bibliographic accuracy.

Bibliographic accuracy không gây claim–evidence fit.

Các components cùng cấu thành CI.

Do đó composite specification phù hợp hơn.

11.8. Vì sao ET là mediator thực chất

Một objection quan trọng là:

“ET tăng vì C3 đơn giản phải ghi evidence location.”

Nếu ET chỉ được đo bằng page number, objection này đúng.

Nhưng ET trong nghiên cứu được định nghĩa như:

independent reconstructability of evidential lineage.

Page number chỉ là một component.

ET có theoretical consequences:

• buộc writer đọc source;
• cho phép comparison;
• làm overclaim visible;
• hỗ trợ external audit.

ET vì vậy có thể giải thích AQ.

11.9. Từ AI Detection đến Evidence Accountability

Nhiều institutional responses hỏi:

“Sinh viên có dùng AI không?”

Câu hỏi này ngày càng ít đủ.

Một manuscript có thể không dùng AI nhưng vẫn có unsupported claims.

Một manuscript có thể dùng AI nhưng được rigorously verified.

Câu hỏi mạnh hơn:

“Các claims quan trọng có traceable and defensible evidence không?”

Đây là chuyển dịch:

AI Detection → Evidence Accountability.

11.10. Human-in-the-loop như epistemic architecture

Human-in-the-loop không chỉ là việc con người “approve”.

Trong SCV, human judgment cần ở các decisions:

• source authority;
• evidence relevance;
• causal restraint;
• qualification;
• counterevidence;
• acceptance/rejection.

Đây là epistemic responsibility.

11.11. Responsible AI Literacy

Responsible research AI literacy phải gồm:

Functional Literacy

• Verification Literacy
• Epistemic Literacy
• Integrity Literacy
• Judgment Literacy
• Disclosure Literacy.

Trong đó Verification Literacy là năng lực kết nối output với evidence thật.

11.12. AI Assistance không đồng nghĩa Scientific Accountability

Một AI system không thể:

• approve final manuscript;
• chịu responsibility với editor;
• trả lời allegations;
• xác nhận informed consent;
• chịu legal authorship responsibility.

Do đó:

AI Assistance ≠ Scientific Accountability.

Đây không chỉ là publishing rule.

Nó là foundational principle của model.

12. TÍCH HỢP CÁC PHÁT BIỂU HỌC THUẬT VÀO MẠCH LẬP LUẬN

Các kết quả lý thuyết ở những phần trước chỉ tạo thành đóng góp khi các nguồn được kết nối theo chức năng lập luận. Vì vậy, phần này tổng hợp các nghiên cứu trung tâm thành một chuỗi từ năng lực tạo sinh đến tri thức học thuật có thể bảo vệ.

Lập luận theo chuỗi

Các nguồn trung tâm của bài không được sử dụng như những “câu nói nổi tiếng” đứng tách biệt khỏi phần tổng quan tài liệu (tổng quan tài liệu (literature review)). Thay vào đó, mỗi nguồn đảm nhiệm một chức năng cụ thể trong kiến trúc lập luận (argument
architecture), nơi các phát biểu học thuật được tổng hợp, đối chiếu và kết nối thành một chuỗi lý luận thống nhất.

Chuỗi lập luận bắt đầu từ nền tảng chuẩn tắc. UNESCO (2023) xác lập định
hướng lấy con người làm trung tâm (human-centred foundation),
theo đó AI cần mở rộng năng lực con người mà không làm suy giảm quyền chủ thể,
bảo vệ dữ liệu và trách nhiệm đạo đức. Tuy nhiên, cơ hội này đồng thời tạo ra
một nghịch lý nhận thức luận. Messeri và Crockett (2024) phân
tích hiện tượng ảo tưởng về sự hiểu biết (illusion of understanding),
trong đó người sử dụng AI có thể tin rằng mình hiểu vấn đề sâu hơn mức thực tế
vì đầu ra được trình bày mạch lạc và thuyết phục. Từ hai luận cứ này hình thành
tầng nền tảng: AI CAPABILITY → GENERATED PROPOSITION. Năng lực
tạo sinh không đồng nghĩa với năng lực biện minh khoa học.

Bằng chứng thực nghiệm tiếp tục củng cố sự phân biệt trên. Walters và Wilder (2023)
cung cấp bằng chứng về fabricated citations, cho thấy 55%
citation do GPT-3.5 tạo và 18% citation do GPT-4 tạo trong nghiên cứu của họ là
không có thật. Linardon et al. (2026) tiếp tục chuyển đơn vị
phân tích từ sự tồn tại của reference sang citation–claim fidelity:
ngay cả khi nguồn có thật, nguồn đó vẫn có thể không hỗ trợ claim được gán
cho nó. Hai nguồn này xác lập tầng bằng chứng: GENERATED PROPOSITION →
SOURCE–CLAIM VERIFICATION. Vấn đề không còn chỉ là source có tồn tại
hay không, mà là claim có được source hỗ trợ một cách chính xác và tương xứng
hay không.

Tầng khái niệm được củng cố bởi Radu và Rocher (2026), những người tái định
nghĩa citation literacy như một thực hành nhận thức luận và
đạo đức, cùng với Farquhar et al. (2024), những người nhấn
mạnh sự cần thiết của nhận thức về bất định (uncertainty awareness)
và phát hiện hallucination. Từ đây hình thành tầng tiếp theo: SOURCE–CLAIM
VERIFICATION → CITATION INTEGRITY. Citation integrity không chỉ bao
gồm tính xác thực của nguồn và độ chính xác thư mục, mà còn đòi hỏi mức độ phù
hợp giữa claim với evidence và khả năng nhận diện bất định trong đầu ra do AI
hỗ trợ.

Tầng năng lực được mở rộng bởi UNESCO (2024), với khung năng lực AI nhấn
mạnh đạo đức, phán đoán và năng lực lấy con người làm trung tâm, cùng với Sallam
(2023), người cho thấy lợi ích và rủi ro của GenAI cần được đánh giá
đồng thời. Từ đây xác lập quan hệ: CITATION INTEGRITY → EVIDENCE
TRACEABILITY. Khả năng truy xuất bằng chứng không chỉ là một yêu cầu
kỹ thuật, mà còn là năng lực đòi hỏi phán đoán phản biện và nhận thức đạo đức.

Tầng phương pháp luận được củng cố bởi González Canché (2026), người đặt
GenAI trong một hệ sinh thái phương pháp luận (methodological
ecosystem), và Nisbet et al. (2024), những ngườinhấn mạnh vai trò của evaluation trong analytical quy trìnhs.

Từ đây hình thành quan hệ: EVIDENCE TRACEABILITY → ARGUMENT QUALITY.
SCV vì vậy không chỉ cải thiện độ tin cậy của citation mà còn hỗ trợ nâng cao
chất lượng lập luận khoa học thông qua khả năng truy xuất, đối chiếu và đánh
giá bằng chứng.

Tầng trách nhiệm được xác lập bởi Porsdam Mann et al. (2024), những người
gắn việc sử dụng LLM với ethical acknowledgment và author
responsibility, cùng với Singh (2026), người mở rộng
trách nhiệm sang governance và institutional integrity. Các chính sách xuất bản
học thuật đương đại tiếp tục củng cố yêu cầu về human verification và
accountability. Từ đó xác lập tầng cuối: ARGUMENT QUALITY →
DEFENSIBLE SCHOLARLY KNOWLEDGE.

Toàn bộ kiến trúc này vận hành dưới một điều kiện biên (điều kiện biên):
HUMAN SCIENTIFIC ACCOUNTABILITY. AI có thể hỗ trợ quá trình
tạo sinh, kiểm chứng và truy xuất bằng chứng, nhưng trách nhiệm khoa học cuối
cùng đối với nguồn, diễn giải, suy luận và claim được công bố không thể được
chuyển giao cho hệ thống.

Mạch lập luận thống nhất này chuyển trọng tâm từ câu hỏi “AI có được sử dụng hay không?”
sang câu hỏi “Claim nào được đưa ra, dựa trên bằng chứng nào, được kiểm
chứng như thế nào và ai chịu trách nhiệm khoa học đối với claim đó?”. Đây
là sự chuyển dịch từ AI policing sang evidence accountability.

 

KIẾN TRÚC LẬP LUẬN HOÀN CHỈNH

AI CAPABILITY      ↓GENERATED PROPOSITION      ↓SOURCE–CLAIM VERIFICATION      ↓CITATION INTEGRITY      ↓EVIDENCE TRACEABILITY      ↓ARGUMENT QUALITY      ↓DEFENSIBLE SCHOLARLY KNOWLEDGE Điều kiện biên xuyên suốt:HUMAN SCIENTIFIC ACCOUNTABILITY

Tầng lập luận	Nguồn học thuật	Chức năng trong lập luận
AI CAPABILITY	UNESCO (2023); Messeri & Crockett (2024)	Xác lập nền tảng lấy con người làm trung tâm và cảnh báo về illusion of understanding.
GENERATED PROPOSITION	Walters & Wilder (2023); Linardon et al. (2026)	Cung cấp bằng chứng thực nghiệm về fabricated citations và vấn đề citation–claim fidelity.
SOURCE–CLAIM VERIFICATION	Radu & Rocher (2026); Farquhar et al. (2024)	Tái định nghĩa citation literacy như một thực hành nhận thức luận và củng cố yêu cầu về uncertainty awareness.
CITATION INTEGRITY	UNESCO (2024); Sallam (2023)	Mở rộng AI literacy sang đạo đức, phán đoán và trách nhiệm; nhấn mạnh việc đánh giá đồng thời lợi ích và rủi ro.
EVIDENCE TRACEABILITY	González Canché (2026); Nisbet et al. (2024)	Đặt GenAI trong hệ sinh thái phương pháp luận và nhấn mạnh vai trò của evaluation trong analytical workflows.
ARGUMENT QUALITY	Porsdam Mann et al. (2024); Singh (2026)	Gắn việc sử dụng LLM với khai báo có đạo đức, trách nhiệm tác giả, quản trị và liêm chính thể chế.
DEFENSIBLE SCHOLARLY KNOWLEDGE	Contemporary publishing policies	Củng cố yêu cầu về kiểm chứng của con người, minh bạch và trách nhiệm giải trình trong xuất bản học thuật.
HUMAN SCIENTIFIC ACCOUNTABILITY	Tổng hợp toàn bộ nền tảng lý thuyết	Đóng vai trò điều kiện biên xuyên suốt; trách nhiệm khoa học cuối cùng không thể chuyển giao cho AI.

13. ĐÓNG GÓP LÝ THUYẾT

13.1. Từ reference-centered sang claim-centered verification

Phần lớn citation auditing bắt đầu ở reference list.

SCV bắt đầu ở claim.

Điều này thay đổi câu hỏi:

từ

“Reference này đúng không?”

sang

“Claim này dựa trên evidence nào?”

13.2. Citation Integrity như evidential-quality construct

CI mở rộng research integrity khỏi formatting.

Một citation chỉ có integrity khi:

• source authentic;
• identity accurate;
• evidence supports claim.

13.3. Evidence Traceability như epistemic mechanism

ET không chỉ hỗ trợ transparency.

Nó thay đổi reasoning process bằng cách buộc writer confront evidence.

13.4. Kết nối citation research với argumentation theory

SCV tích hợp:

Source → Evidence → Warrant → Claim.

Do đó bài nối hai literature thường tách biệt:

• citation integrity;
• scientific argumentation.

13.5. Tách Writing Quality khỏi Argument Quality

GenAI era làm distinction này trở nên cấp thiết.

Một hệ thống có thể cải thiện prose mà không cải thiện inference.

Việc gộp WQ và AQ vào một rubric duy nhất có thể che giấu effect này.

13.6. Verification Literacy như research competence

Bài mở rộng AI literacy bằng proposition:

Không thể coi researcher là responsible AI-literate nếu họ không có năng lực kiểm chứng output do AI hỗ trợ.

13.7. SCV như intervention

Nhiều research-integrity principles mang tính normative.

SCV chuyển principle thành observable intervention có thể randomized và tested.

14. HÀM Ý GIÁO DỤC

14.1. Từ Search–Cite–Format sang Verify–Trace–Reason

Traditional academic-writing instruction:

Search → Cite → Format.

Framework mới:

Search → Evaluate → Verify → Trace → Reason → Cite → Disclose.

14.2. SCV trong lớp học

Students có thể hoàn thành SCV Matrix cho 5–10 central claims.

Instructor đánh giá process, không chỉ final text.

14.3. Peer evidence audit

Peers trao đổi claims.

Người review phải:

• retrieve source;
• locate evidence;
• score CEF;
• challenge warrant;
• recommend qualification.

14.4. Thesis supervision

SCV phù hợp cho:

• theoretical claims;
• causal statements;
• numerical claims;
• literature synthesis;
• policy statements.

Supervisor có thể yêu cầu evidence trail cho high-stakes claims.

14.5. Assessment redesign

Rubrics nên tách:

Language & Presentation

và:

Evidence & Reasoning.

Nếu không, linguistic polish có thể che epistemic weakness.

15. HÀM Ý CHO JOURNALS VÀ SCHOLARLY PUBLISHING

15.1. Reference auditing

Journal có thể ưu tiên audit:

• surprising claims;
• causal claims;
• statistics;
• controversial claims;
• AI-assisted syntheses.

15.2. Disclosure không thay Verification

AI disclosure tạo transparency.

Nhưng:

Disclosure ≠ Evidence Quality.

Một manuscript disclosure đầy đủ vẫn có thể sai source.

15.3. Reviewer practice

Reviewers có thể dùng logic SCV:

Claim → Source → Evidence → Warrant → Qualification.

Điều này giúp review vượt khỏi “more references needed”.

15.4. Editorial governance

GenAI governance nên cân bằng:

• transparency;
• author responsibility;
• verification;
• privacy;
• confidentiality.

AI-use detection không nên là mục tiêu duy nhất.

16. HÀM Ý CHO THIẾT KẾ HỆ THỐNG AI

AI writing systems có thể được thiết kế để hiển thị:

Claim
↓
Source
↓
Supporting passage/data
↓
Evidence scope
↓
Verification status

System có thể cảnh báo:

• missing source;
• unverifiable DOI;
• causal language từ correlational design;
• unsupported generalization;
• evidence contradicting claim.

Tuy nhiên:

Automated Verification ≠ Final Scientific Judgment.

AI-verification systems cũng có thể sai.

Architecture phù hợp:

AI-Assisted Verification + Human Audit + Human Accountability.

 

17. GIỚI HẠN VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI

Thứ nhất, model dependence. Performance thay đổi nhanh.

Thứ hai, task dependence. Literature review khác methods writing.

Thứ ba, disciplinary dependence. Standards of evidence khác nhau.

Thứ tư, verification cost. SCV có thể tăng time-on-task.

Thứ năm, mechanical compliance. Participants có thể điền Matrix mà không reasoning sâu.

Thứ sáu, durability. Short intervention chưa chứng minh long-term habit.

Future longitudinal model:

SCV Scaffold → Repeated Practice → Internalized Verification Habit.

Thứ bảy, closed-source design tăng internal validity nhưng giảm ecological validity.

Thứ tám, CI weighting cần được validation.

Thứ chín, ET mediator cần replication bằng interventions khác Matrix.

Thứ mười, AQ rating có subjectivity.

Thứ mười một, cần cross-language validation, đặc biệt English–Vietnamese scholarly writing.

Thứ mười hai, cần so sánh:

Human-only Verification

vs.

AI-assisted Verification

vs.

AI Verification + Human Audit.

Thứ mười ba, SCV có thể được mở rộng sang:

• statistical claims;
• code;
• qualitative coding;
• data visualization;
• image provenance;
• AI-generated summaries.

18. KẾT LUẬN

Generative AI đang thay đổi scholarly writing không chỉ vì nó giúp con người viết nhanh hơn. Thay đổi sâu hơn là nó làm giảm đáng kể chi phí của việc tạo ra một phát biểu có vẻ khoa học, trong khi chi phí để chứng minh phát biểu đó vẫn cao.

Sự bất đối xứng này tạo ra một vấn đề nhận thức luận mới.

Một reference có thể không tồn tại.

Một reference có thể tồn tại nhưng metadata sai.

Metadata có thể đúng nhưng source không hỗ trợ claim.

Source có thể hỗ trợ claim một phần nhưng language của manuscript vượt quá evidence.

Evidence có thể chính xác nhưng warrant không hợp lệ.

Warrant có thể hợp lý nhưng conclusion vẫn vượt boundary của design.

Vì vậy, responsible GenAI-assisted writing không thể được bảo vệ chỉ bằng citation formatting, plagiarism checking hoặc AI disclosure.

Nó cần một architecture:

Source Authenticity
→ Bibliographic Accuracy
→ Claim–Evidence Fit
→ Evidence Traceability
→ Argument Quality.

SCV tạo epistemic gate cho architecture đó.

Thay vì:

Generation → Acceptance

workflow trở thành:

Generation
→ Verification
→ Qualification
→ Acceptance / Revision / Rejection.

Mô hình lý thuyết trung tâm là:

SCV → Citation Integrity → Evidence Traceability → Argument Quality.

Điểm quan trọng nhất là SCV không xuất phát từ giả định rằng GenAI luôn không đáng tin.

Nó xuất phát từ một nguyên tắc rộng hơn:

Mọi consequential scholarly claim, bất kể được con người hay AI hỗ trợ tạo ra, đều cần được biện minh bằng evidence có thể truy xuất và một inference có thể bảo vệ.

AI có thể tăng capability.

SCV tạo accountability.

Human judgment quyết định acceptance.

Vì vậy, ba ranh giới cần được bảo vệ:

Generation ≠ Verification.

Evidence ≠ Warrant.

AI Assistance ≠ Scientific Accountability.

Trong kỷ nguyên GenAI, câu hỏi trung tâm của academic writing không nên chỉ là:

“Ai đã viết câu này?”

hay:

“AI có được sử dụng hay không?”

Mà phải là:

“Bằng chứng nào cho phép chúng ta giữ lại claim này như một phát biểu khoa học có thể truy xuất, kiểm chứng, giải trình và bảo vệ?”

TÀI LIỆU THAM KHẢO

1. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association.
2. Booth, W. C., Colomb, G. G., Williams, J. M., Bizup, J., & FitzGerald, W. T. (2016). The craft of research (4th ed.). University of Chicago Press.
3. Committee on Publication Ethics. (2023). Authorship and AI tools. COPE.
4. Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and mixed methods approaches (6th ed.). Sage.
5. Dwivedi, Y. K., Kshetri, N., Hughes, L., et al. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.
6. Farquhar, S., Kossen, J., Kuhn, L., & Gal, Y. (2024). Detecting hallucinations in large language models using semantic entropy. Nature, 630, 625–630. https://doi.org/10.1038/s41586-024-07421-0
7. Gao, C. A., Howard, F. M., Markov, N. S., Dyer, E. C., Ramesh, S., Luo, Y., & Pearson, A. T. (2023). Comparing scientific abstracts generated by ChatGPT to real abstracts with detectors and blinded human reviewers. npj Digital Medicine, 6, 75.
8. González Canché, M. S. (2026). Data science, interactive visualizations, and generative AI tools for the analysis of qualitative, mixed-methods, and multimodal evidence. Morgan Kaufmann/Elsevier.
9. Hyland, K. (2019). Second language writing (2nd ed.). Cambridge University Press.
10. Kasneci, E., Sessler, K., Küchemann, S., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
11. Lazar, J., Feng, J. H., & Hochheiser, H. (2017). Research methods in human-computer interaction (2nd ed.). Morgan Kaufmann.
12. Linardon, J., Messer, M., Anderson, C., Soliman, O. M., Liu, C., Firth, J., & Torous, J. (2026). Fluency without fidelity: Errors in citation-attributed claims in large language model-generated literature reviews in mental health. Journal of Technology in Behavioral Science. https://doi.org/10.1007/s41347-026-00630-6
13. Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. https://doi.org/10.1038/s41586-024-07146-0
14. Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
15. Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
16. Mugaanyi, J., Cai, L., Cheng, S., Lu, C., & Huang, J. (2024). Evaluation of large language model performance and reliability for citations and references in scholarly writing: Cross-disciplinary study. Journal of Medical Internet Research.
17. Nisbet, R., Miner, G. D., & McCormick, K. (2024). Handbook of statistical analysis: AI and ML applications (3rd ed.). Elsevier.
18. (2023). GPT-4 technical report. arXiv. https://doi.org/10.48550/arXiv.2303.08774
19. Porsdam Mann, S., Vazirani, A. A., Aboy, M., Earp, B. D., Minssen, T., Cohen, I. G., et al. (2024). Guidelines for ethical use and acknowledgement of large language models in academic writing. Nature Machine Intelligence, 6, 1272–1274. https://doi.org/10.1038/s42256-024-00922-7
20. Radu, C., & Rocher, L. (2026). Teaching citation in the age of generative AI: Rethinking research literacy, academic integrity, and epistemic responsibility. The Journal of Academic Librarianship, 52(4), 103267. https://doi.org/10.1016/j.acalib.2026.103267
21. Sallam, M. (2023). ChatGPT utility in healthcare education, research, and practice: Systematic review on the promising perspectives and valid concerns. Healthcare, 11(6), 887. https://doi.org/10.3390/healthcare11060887
22. Singh, U. G. (Ed.). (2026). GenAI in higher education: Ethical frontiers, challenge and sustainable pathways. Elsevier.
23. Swales, J. M., & Feak, C. B. (2012). Academic writing for graduate students: Essential tasks and skills (3rd ed.). University of Michigan Press.
24. Toulmin, S. E. (1958). The uses of argument. Cambridge University Press.
25. (2022). Recommendation on the ethics of artificial intelligence. UNESCO.
26. (2023). Guidance for generative AI in education and research. UNESCO.
27. (2024). AI competency framework for students. UNESCO.
28. van Dis, E. A. M., Bollen, J., Zuidema, W., van Rooij, R., & Bockting, C. L. (2023). ChatGPT: Five priorities for research. Nature, 614, 224–226.
29. Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045. https://doi.org/10.1038/s41598-023-41032-5
30. Williamson, K., & Johanson, G. (Eds.). (2018). Research methods: Information, systems, and contexts (2nd ed.). Chandos Publishing.