arXiv 于 2026 年 6 月 2 日发布的一篇评论文章《Thinking Through Signs: PEEL as a Semiotic Scaffolding for Epistemically Accountable AI-Enabled Research》，由 Clarisse de Souza 等五位作者共同完成，全长 10 页、含 5 幅图表，归类于人工智能（cs.AI）与计算机与社会（cs.CY）两个方向。文章的核心关切是：大语言模型正在重塑研究实践，却在不知不觉中侵蚀研究者对所产出知识的认识论责任（epistemic accountability）。作者提出，当研究者把阅读、概括与解释的工作交给模型时，往往难以察觉输出内容在数量、用词频率和认识论语气上发生的系统性偏移，而这些偏移恰恰会影响研究结论的可信度。
为应对这一问题，作者提出了 PEEL 框架，全称为“Protocols for Epistemically Engaged Literacy in AI”，即“AI 中认识论参与式素养协议”。PEEL 是一套仍在完善中的工作脚手架，其设计思路是把两类方法并置：一方面借助 Voyant Tools 进行确定性的远读（distant reading）测量，另一方面借助 Claude 进行大语言模型解释，并以皮尔士符号学（Peircean semiotics）与溯因推理（abductive reasoning）作为理论根基。换言之，PEEL 并不要求研究者放弃 AI 工具，而是要求在 AI 解释之外保留一套可复核、可重复的非 AI 测量手段，使两者相互校验。
在实证部分，作者将 PEEL 应用于三篇源文本的 AI 生成浓缩版本。结果显示，这些浓缩文本在数量信息、术语频率以及认识论声音（epistemic voice）三个维度上都出现了系统性失真，而这些失真在缺少非 AI 测量的情况下几乎无法被察觉。文章据此提炼出三点设计启示：其一，确定性测量工具必须与 AI 工具配套使用；其二，语言的流畅并不等同于内容的忠实，流畅性不能作为可信度的替代指标；其三，认识论权威必须在设计阶段就嵌入流程之中，而不能假设它会自然产生。
从研究实践的角度看，这项工作提醒学界：在使用大语言模型辅助文献综述、摘要生成与文本解读时，需要建立明确的对照机制。Voyant Tools 提供的词频、文本长度等可重复指标，可以作为检验 LLM 输出是否偏离原文的基线；而皮尔士符号学视角则帮助研究者区分符号、对象与解释项之间的层次，理解模型在转述过程中如何改变了意义的呈现方式。文章强调，PEEL 目前仍是一个“working scaffolding”，即尚在演进中的框架，而非成熟的标准化流程，其价值在于为后续的工具设计与研究规范讨论提供一个可操作的起点。该文以 arXiv:2606.04152v1 形式提交，DOI 为 10.48550/arXiv.2606.04152，全文可通过 arXiv 页面获取 PDF。