top of page

生成式AI助力科研计划


从这里开始
选择一项研究任务,沿着实用学习路径逐步练习和核查。

实用教程
学习文献阅读、学术写作、质性编码和数据分析的具体方法。

研究工具
按任务寻找工具,并在使用前评估输出质量和数据处理方式。

视频与研讨会
探索精选录像和学习资源,查看原始来源并动手练习。

系统课程
通过结构化课程和实践练习,逐步提升研究技能。

研究动态
阅读研究解读,并追溯原始论文及其证据。

负责任的研究
了解 AI 辅助研究中的透明度、隐私和质量要求。

期刊 AI 政策
了解出版方要求,并到原始政策页面核实最新规定。

高校 AI 政策
浏览高校指南,核实适用于自己研究项目的要求。


生成式人工智能驱动的消费者研究面临"平均陷阱"与模型崩溃风险
Image via Wikimedia Commons (public domain). 当生成式人工智能成为标准研究工具时,消费者研究会发生什么变化?Huang 和 Rust 在 *Journal of Consumer Research* 上提出,生成式人工智能遵循一条从"民主化"到产生泛化回答的"平均陷阱"、最终走向模型崩溃的发展轨迹,并为研究者提出了具体的应对之道。 从民主化到模型崩溃 消费者研究者如今使用生成式人工智能起草问卷、编码开放式回答、模拟受访者并大规模分析文本。这些工具降低了开展研究的成本,对许多学者而言是好消息。更难回答的问题是:当越来越多的研究都经由同一类模型完成时,证据基础本身会发生什么变化。Ming-Hui Huang(台湾大学)与 Roland T. Rust(马里兰大学)在一篇概念性文章(而非实证研究)中探讨了这一问题。 根据 Huang 和 Rust 的研究(*Journal of Consumer Research*, 2025),生成式人工智能会经历三个相互关联的现象。首先是民主化:更多消费者参与到为研究提供
10小时前


PNAS 研究发现:大语言模型团队遵循分布式计算定律
Image: "Thirty-five rowers on a long racing pirogue in Laos" by Basile Morin (CC BY-SA 4.0) via Wikimedia Commons, recoloured. 由大语言模型组成的多智能体系统正在迅速普及,但大多数仍靠反复试错搭建。*PNAS* 新近发表的一项研究探讨,经典分布式计算理论能否预测大语言模型团队何时有效、应使用多少个智能体以及应选择何种架构。研究的回答是:团队的扩展规律遵循由任务结构决定的分布式计算定律。 用分布式系统理论设计大语言模型团队 研究者越来越多地将多个语言模型串联使用:一个智能体起草,另一个批评,第三个汇总。其吸引力显而易见,因为单个模型在推理、记忆和性能方面存在硬性限制。此前所缺少的,是一种有原则的方法,用来判断团队何时真正优于单个模型、值得为多少个智能体付出成本,以及智能体应向一个协调者汇报还是彼此直接交流。 根据 Mieczkowski、Collins、Sucholutsky、Vélez 和 Griffiths 的研究(*P
1天前


大语言模型在社会科学中的四种角色:从研究对象到审核者
Image: "Street crowd reflecting in the polyhedral mirrors of the station Tokyu" by Basile Morin (CC BY-SA 4.0) via Wikimedia Commons, recoloured. 大语言模型正在如何改变社会科学研究?*Nature Human Behaviour* 新近发表的一篇综述将其用途归纳为四种角色:模拟的研究对象、分析助手、假设生成的合作者以及质量评估者。综述认为这些用途确实加快了研究进程,但也指出因果推断、伦理问题以及对社会复杂性的再现能力仍有待解决。 研究对象、助手、合作者、评估者 关于生成式人工智能在社会科学中应用的方法论讨论,大多仍把它视为单一事物:一个要么可信、要么不可信的聊天机器人。由 Fengli Xu(清华大学)和 James A. Evans(芝加哥大学、圣塔菲研究所)领衔,并有来自清华大学、香港科技大学和微软亚洲研究院的合作者参与的一篇综述认为,这种框架过于粗糙。这篇发表于 *Nature Human Beh
2天前


现场实验显示:生成式人工智能使在线零售销售额最高提升16%
Image via Wikimedia Commons (public domain). 生成式人工智能究竟能否真正提高销售额,还是只在纸面上提升生产率?一项发表于 2026 年 *Management Science* 的研究,在一家领先的跨境在线零售商的七个生成式人工智能业务流程中开展了大规模随机现场实验。多数流程提高了销售额,增幅最高达 16.3%,主要来自更高的转化率,同时退货率没有上升,评分也没有下降。 七个流程、一家零售商、随机化证据 关于生成式人工智能在工作中作用的证据,大多来自实验室任务、问卷调查或单一部署场景。本研究采取了不同的路径。据 Fang、Yuan、Zhang、Donati 和 Sarvary(Management Science, 2026)报告,一家领先的跨境在线零售平台在 2023 年和 2024 年间将生成式人工智能整合进七个业务流程,作者通过一系列涉及数百万用户和商品的随机现场实验对这些部署进行了评估。 这些流程覆盖消费者购物旅程和卖家两端:客户服务、消费者与商品的匹配、广告投放以及面向卖家的服务。由于每项应用
3天前

订阅我们
© 生成式AI助力科研计划
bottom of page