Reviews in Fish Biology and Fisheries｜大语言模型赋能渔业管理研究：潜力、风险与负责任使用路径

大语言模型如何赋能渔业管理研究？

一篇关于 LLMs 潜力、风险与负责任使用路径的综述

近年来，以 ChatGPT、Gemini、Claude、DeepSeek 等为代表的大语言模型（Large Language Models, LLMs）正在快速进入科学研究领域。它们能够辅助文献整理、文本撰写、代码生成、数据处理和知识总结，也为渔业科学与管理研究带来了新的可能。

然而，在渔业管理这样一个高度依赖数据、模型和政策建议的领域，LLMs 不应被简单视为“自动决策工具”。如果使用不当，其产生的错误信息、虚假引用、数据泄露、算法偏见等问题，可能影响资源评估结果、管理建议的可信度，甚至关系到生态保护、渔业经济和利益相关者公平性。

近期发表在 Reviews in Fish Biology and Fisheries 的综述文章 “Large Language Models (LLMs) for fisheries management research: understanding potential and navigating risks”，系统梳理了大语言模型在渔业管理研究中的应用前景与风险边界，并提出了一个面向渔业研究和管理咨询过程的风险感知型使用流程。

一、LLMs 可以用于渔业研究的哪些环节？

文章认为，大语言模型在渔业管理研究中主要具有四类潜在应用场景。

1. 文献综述与知识综合

渔业科学研究往往涉及大量文献、资源评估报告、管理文件和政策资料。LLMs 可以帮助研究者快速筛选文献、提取关键信息、总结研究趋势，并识别潜在研究空白。

例如，在系统综述或政策研究中，LLMs 可用于辅助提取研究对象、管理措施、评估指标和主要结论，从而提高文献整理效率。但需要注意的是，LLMs 生成的文献总结必须由研究者核查，尤其要避免虚构文献和错误引用。

2. 数据收集与数据处理

渔业数据通常来源复杂，包括渔民记录、调查报告、观察员记录、声学数据、图像和视频资料等。文章指出，目前渔业领域中相对成熟的 LLMs 应用主要集中在数据相关任务上。

例如，LLMs 可用于从非结构化的渔获记录中提取物种、地点、数量等信息，也可与多模态模型结合，用于水下图像和视频中的鱼类识别。这类技术对于小规模渔业、电子监测和渔业数据标准化具有重要潜力。

图 1 不同学科中 LLMs 应用成熟度比较。渔业领域目前在数据收集与处理方面进展较快，而在模型支持和利益相关者沟通方面仍有较大发展空间。

3. 模型开发、优化与解释

现代渔业资源评估与生态系统模型通常需要复杂的编程、参数设置和结果解释。LLMs 可以辅助生成 R 或 Python 代码，帮助研究者搭建分析流程、开展参数敏感性分析，或解释模型输出结果。

例如，在资源评估结果解读中，LLMs 可以将复杂的概率预测、风险评估和管理情景转换为更容易理解的文字说明，帮助管理者和利益相关者理解科学结果。

不过，文章特别强调，LLMs 只能作为模型开发和解释的辅助工具，不能替代专业的模型诊断、统计检验和专家判断。

4. 科学传播与利益相关者沟通

渔业管理不仅是科学问题，也是沟通问题。资源评估结果、捕捞限额、保护措施和管理建议通常需要面向渔民、管理部门、公众和政策制定者进行解释。

LLMs 可用于生成通俗化摘要、科普文本、会议材料和利益相关者问答内容，帮助降低技术术语带来的沟通门槛。但对于涉及利益分配、传统生态知识、原住民权利或区域资源共享等敏感问题，仍必须由人类专家进行把关。

二、LLMs 如何嵌入渔业管理研究流程？

文章提出，LLMs 不是只能完成单一任务的工具，而可以作为辅助系统嵌入渔业管理研究的多个环节，包括：

文献综述与知识综合；渔业数据收集与处理；模型开发与优化；模型解释与管理策略评估；学术写作；利益相关者沟通；政策实施效果回顾。

图 2 LLMs 增强型渔业管理研究流程。LLMs 可在文献整理、数据处理、模型开发、结果解释、论文写作和政策沟通等环节发挥辅助作用。

这一框架说明，LLMs 的价值并不在于替代渔业科学家，而在于提高研究流程中信息整理、代码生成、文本表达和沟通转化的效率。

三、当前渔业领域应用仍处于起步阶段

文章通过与生态学、环境科学和海洋学等相关领域进行比较发现，LLMs 在渔业管理研究中的应用仍然相对有限。

目前，渔业领域已有较明确进展的方向主要是数据收集与处理，例如非结构化渔获记录整理、图像识别和传感器数据辅助分析。相比之下，在模型构建支持、知识综合和利益相关者沟通方面，很多应用仍处于概念探索或初步适配阶段。

这也说明，渔业科学仍有很大的发展空间，可以借鉴生态学、环境科学和海洋学中已有的 LLMs 应用经验，逐步建立适合渔业研究特点的工具体系和规范流程。

四、使用 LLMs 必须面对四类风险

文章强调，LLMs 的价值必须与风险一起讨论。对于渔业管理研究而言，LLMs 的风险可以概括为四个方面。

1. 技术风险

LLMs 可能生成看似合理但实际错误的信息，也可能虚构文献、误用术语或前后表述不一致。在渔业研究中，这可能表现为错误总结种群趋势、误解资源评估结果，或引用不存在的研究。

因此，所有关键结论、数据、代码和参考文献都必须经过人工核查。

2. 操作风险

渔业数据中可能包含敏感信息，如渔船位置、捕捞记录、企业数据、观察员资料和利益相关者信息。如果直接将这些数据输入公共 LLM 平台，可能带来数据安全和隐私风险。

文章建议，对敏感数据进行匿名化、聚合化处理，并优先使用安全、可控的模型环境。

3. 法律与合规风险

LLMs 生成的文本、代码和分析结果可能涉及版权、知识产权、署名和数据使用协议等问题。对于论文写作、管理报告和政策建议，必须明确说明 LLMs 的使用方式，并遵守期刊、机构和数据提供方的相关规定。

4. 伦理与社会风险

LLMs 的训练数据可能存在地域、语言、文化和社会群体偏差。在渔业管理中，这可能导致对小规模渔业、地方知识、传统生态知识或弱势群体的忽视和误读。

因此，涉及公平性、资源分配、传统知识和敏感社会议题时，不能依赖 LLMs 自动生成结论，而应由具备领域知识和伦理判断能力的专家进行审查。

图 3 LLMs 在渔业研究中的风险类型与风险矩阵。文章将风险归纳为技术风险、操作风险、法律与合规风险、伦理与社会风险四类。

五、文章提出六步风险感知型使用流程

为推动 LLMs 在渔业管理研究中的负责任使用，文章提出了一个六步工作流程。

第一步，明确研究需求和渔业背景。研究者需要首先判断任务类型，是文献总结、数据处理、模型辅助，还是科学传播。

第二步，识别 LLMs 的潜在使用场景并筛查风险。不同任务对应不同风险，不能“一刀切”使用。

第三步，配置模型和提示词设计。包括选择合适模型、设定输出格式、明确数据来源和限制条件。

第四步，开展小规模试运行和质量检查。先在低风险任务中测试模型输出，检查准确性、完整性和可解释性。

第五步，验证适用性并记录使用过程。关键输出需要人工核查，并记录模型版本、提示词、数据来源和修改过程。

第六步，将通过验证的结果整合进现有研究或管理流程。LLMs 输出只能作为辅助材料，最终责任仍由研究者和管理机构承担。

图 4 面向渔业管理研究的六步风险感知型 LLMs 使用流程。该流程强调先明确需求、再筛查风险，并通过试运行、验证和记录确保模型输出可控、可查、可追溯。

六、核心观点：LLMs 是助手，不是决策者

这篇综述的核心观点非常明确：大语言模型可以提高渔业研究效率，帮助研究者处理文本、数据、代码和沟通任务，但它们不能替代渔业科学家的专业判断，也不能成为资源管理中的自动决策者。

对于渔业管理研究而言，LLMs 的合理定位应是：

辅助文献整理，而不是替代系统综述；辅助数据处理，而不是替代数据质量控制；辅助代码和模型解释，而不是替代模型诊断；辅助科学传播，而不是替代管理决策。

未来，随着渔业领域专用知识库、检索增强生成技术、可解释 AI 和安全模型部署的发展，LLMs 有望在渔业资源评估、生态系统管理和科学决策支持中发挥更大作用。

但前提是：透明使用、严格核查、保护数据、明确责任。

结语

大语言模型正在改变科学研究的工作方式，也为渔业管理研究带来了新的工具和想象空间。

在数据复杂、模型多样、利益相关者众多的渔业管理领域，LLMs 的价值不在于“替代人类专家”，而在于帮助研究者更高效地组织知识、处理信息、解释结果和开展沟通。

真正值得期待的，不是让 AI 自动给出管理答案，而是在人类专家主导下，让 AI 成为更加透明、可靠和负责任的科研助手。

关键词： 大语言模型；人工智能；渔业管理；资源评估；科学传播；风险治理；负责任 AI