7月27日 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、PNAS 以及各领域顶级商科与社会科学期刊。 AI 已悄然成为研究工具，而验证工作尚未跟上 本周最相关的两篇论文关注的都是方法，而非模型。在 Journal of Consumer Psychology 上，一组[评论文章](https://doi.org/10.1002/jcpy.70037)回应 Schmitt、Hao、Pham 和 Hofstetter 提出的生成式扎根理论（Generative Grounded Theory, GGT），这是一个七步框架，让生成式 AI 深度参与语料库构建、数据结构化、编码、概念聚类、抽象化、理论整合以及饱和度评估。这意味着 AI 已经进入诠释研究者传统上行使判断力的几乎每一个步骤，远远超出了质性项目的边缘地带。评论这一体裁本身就是信号：学界尚未就这类框架能担保什么达成共识，还在通过纸面论辩解决分歧。 同一问题的定量侧面出现在 [Journal of Management](https://doi.org/10.1177/014

7月20日 更新：7月27日 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science 以及各领域顶级期刊。 智能化科研真正的薄弱环节：你允许智能体读什么 本周最令人不安的结果同时也是最简单的。据 [Nature](https://www.nature.com/articles/d41586-026-02071-w) 报道，研究人员下载了五个争议议题上的公开数据集，对其加以改动，使统计趋势的方向和强度发生变化，再将改动后的版本上传至私有仓库。随后，他们让 Anthropic、OpenAI 和 Google 构建的 AI 智能体同时访问公开仓库与被篡改的仓库，并要求其依据数据回答问题。平均而言，大约有一半的情况下，智能体轻信了被操纵的数据集，得出了"欺诈者"想要的结论。（该研究为预印本，尚未经同行评审。） 将这一结果与另外两项进展放在一起读，一个模式浮出水面：AI 辅助科研的压力点正从*生成*转向*验证*。在首尔举行的 [ICML 2026](https://www.techtimes.com/articles/319684

7月16日 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science、PNAS 以及各领域顶级商科期刊。 当可辩护的分析变得廉价，证据便会充裕，却不再可信 几十年来，对 p 值操纵（p-hacking）的实际约束是人力成本。多分析师研究（many-analyst studies）由多个独立团队在同一数据上检验同一假设，并且经常得出相互冲突的结论，这类研究证明了可辩护分析构成的多元宇宙确实存在，但组织一次这样的研究需要昂贵的人力协调。本周，Martin Bertran、Riccardo Fogliato 和 Zhiwei Steven Wu 撤除了这道刹车。他们在 [PNAS](https://doi.org/10.1073/pnas.2606495123) 上发表的研究基于大语言模型构建了完全自主的 AI 分析师，每个分析师在固定数据集和固定假设上独立执行完整的分析流程，并由另一个独立的 AI 审计员筛查每次运行的方法学有效性。在三个数据集上，AI 分析师再现了人类多分析师研究中观察到的分析离散度：效应量、*P*...

7月11日 欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science 以及各领域顶级期刊。 AI 正在成为研究仪器：它既预测实验，也执行实验 对社会科学家而言，本周最引人注目的结果以最令人不安的方式带来启发。Ashwini Ashokkumar、Luke Hewitt、Isaias Ghezae 和 Robb Willer 在 Nature 上汇集了 70 项预注册的、全国代表性的调查实验，覆盖 105,165 名美国被试中的 476 个处理效应，并让 GPT-4 模拟具有代表性的美国样本对每一项刺激的反应。模型预测的处理效应与真实处理效应的相关系数达到 r = 0.85，追平乃至超过了人类专家预测小组。关键在于，对那些不可能泄漏进训练数据的未发表研究，模型准确度依然保持（r = 0.90），尽管其倾向于高估效应量。Nature 的一篇配套评论主张审慎地使用大语言模型，在正式施测之前对研究设计进行筛选与预检验。 如果第一篇论文展示的是 AI 预测实验，第二篇论文展示的则是 AI 亲自运行实验。在 Science 上，Kex