文献综述

从已核实的种子论文开始，使用 Inciteful 探索文献，通过完整判断示例、检索日志和候选记录，建立可追溯的文献清单。

一条可用的引文需要通过两项检查：文献确实存在且书目信息准确；文献内容能够支持您想提出的论断。在人工智能推荐的参考文献进入您的稿件之前，请完成这两项检查。 下载研究工作流程模板（research workflow templates）：这是一个 ZIP 文件，包含可编辑的 CSV 记录表，分别用于证据提取、引文核查、质性编码审查和分析检查。请在电子表格或研究工作空间中打开这些文件。 这一工作流程适用于审阅人工智能辅助草稿的研究人员、学生和导师。您需要草稿、学术检索或图书馆资源的访问权限，以及一份简单的核查记录。它同样适用于同事推荐的参考文献，或在二手综述中发现的文献。 将论断与参考文献分开 把您打算加以支持的句子复制到记录表中，并为其分配一个论断编号。在相邻字段中记录所提议的引文、DOI 或网址、经核实的文献、相关段落及其定位、您的判定以及核查日期。 例如，草稿中可能写道：“人工智能提高了所有质性分析的质量。”即使尚未检索，“所有”一词就已设定了极高的举证门槛。您的任务是判断文献实际证实了什么，并改写句子，使其与这一范围相符。 独立查找书目记录..

使用人工智能将一组界定清晰的论文整理为证据矩阵，然后逐条对照原始文献进行核查。真正有用的产出是一份可追溯的研究比较表，并且能够随着阅读的深入不断修订。 下载研究工作流程模板（research workflow templates）：这是一个 ZIP 文件，包含可编辑的 CSV 记录表，分别用于证据提取、引文核查、质性编码审查和分析检查。请在电子表格或研究工作空间中打开这些文件。 这一入门级工作流程适用于探索性综述、学位论文的某一章，或研究项目的早期阶段。您需要一个研究问题、论文的获取渠道、一款文献管理软件和一个电子表格。请预留第一次工作时段，用于构建并核查一个小规模的试点样本。系统综述还需要一份成文的研究方案、合适的数据库检索、明确的筛选规则，以及与其设计相匹配的报告方式。 从一个能够约束检索的问题开始 写下一个足够具体的问题，使您能够据此判断哪些研究应纳入综述。例如：“博士研究人员如何核实生成式人工智能推荐的参考文献？”明确您所需要的研究对象、现象、情境以及证据类型。 请人工智能助手提出同义词和相关概念。把这些建议视为检索词汇。在本学科常用的学

Image via Wikimedia Commons (public domain). 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 以及商学领域的顶级期刊。 从静态论文到可运行的智能体 任何尝试复用已发表方法的人都深知其中的艰辛：寻找代码、修复运行环境、解读补充材料。在 Nature 上，Jiacheng Miao、Joe R. Davis、Jonathan K. Pritchard 及其合作者提出了 Paper2Agent，这是一个自动化框架，能够将一篇研究论文转化为充当“虚拟通讯作者”（"virtual corresponding author"）的人工智能智能体。 多个智能体分析论文及其代码库，构建模型上下文协议（MCP）服务器，随后生成并运行测试以提升其稳健性。在与 Claude Code 等对话智能体连接后，所生成的“论文智能体”能够以自然语言回答科学问题，同时调用论文自身的工具与工作流程。在基于 AlphaGenome、Scanpy 和 TISSUE 的案例研究中，作者报告这些智能体复现了原始论

2025年4月5日 大家好，这是工作坊第一天的录像。另请访问我们的 GitHub 页面，获取幻灯片、阅读材料和其他学习资料： http://github.com/lanceyuu/osloworkshop 00:15 开场介绍 15:00 生成式人工智能基础 01:19:46 文献综述与文献管理 02:04:23 自动化、助手与智能体 02:36:03 实验刺激材料生成 03:18:33 AI 访谈员 03:52:38 API 03:59:01 文本分析

使用 NotebookLM 阅读材料、生成音频概览，逐条追踪引用、检查遗漏，并根据你的账户类型核实隐私与数据使用设置。

2024年10月8日 设想一下，如果我们能够自动化地发现突破性的科学假设，以前所未有的速度开启新的可能性。三个研究团队已朝这一方向迈出了重要一步，推出了旨在高效生成和评估科学假设的机器学习框架。 这一新框架围绕三个核心阶段构建：提取、生成和评估假设。首先，系统从科学文献中提取已有假设，并以命题逻辑的形式加以表示。其次，系统使用经过优化的机器学习模型，基于所提取的知识生成新的假设。最后，一组基于图论的指标对所生成假设的新颖性和相关性进行评估。 这项工作属于更广泛的新一波机器学习框架浪潮的一部分，这些框架旨在实现科学假设生成的自动化。近期研究还推出了其他若干在该领域展现潜力的框架，它们利用 GPT-4 和 Claude-2 等大语言模型（LLM）的能力，加速包括心理学在内的多个领域的科学发现。 其中一个值得关注的框架是芝加哥大学开发的 HypoGeniC，它侧重于基于标注数据生成假设。HypoGeniC 分三个阶段运行： 初始假设生成：框架分析少量示例，生成初始假设。 假设迭代更新：受多臂老虎机问题启发，HypoGeniC 使用奖励函数对假设进行迭代

2024年5月10日 更新于：2024年5月12日 本次网络研讨会由 Wiley 培训团队主办，聚焦生成式人工智能对信息发现的变革性影响，尤其是在学术研究与出版领域。主讲人为 Wiley Partner Solutions 智能服务组总监朱虹博士（Dr. Hong Zhu）。本场研讨旨在阐明人工智能技术，特别是生成式人工智能，正在如何重塑研究人员与数字内容互动并加以利用的方式。 研讨会以 Wiley 培训团队成员的致辞和介绍开场。该成员概述了会议安排以及参会者可获取的资源，包括会后提供的录像和可供参考下载的幻灯片。 朱博士的报告分为若干部分，分别探讨人工智能融入研究与出版领域的不同方面： 朱博士介绍了学术研究中数字化转型的概念，强调人工智能、大数据与云技术的融合。他概述了人工智能在提升研究资料可发现性与可获取性方面的作用，从而使研究人员能够从内容中获得更多价值。 讨论的很大一部分集中于生成式人工智能在信息发现中的作用。朱博士解释了 GPT 和 BERT 等人工智能模型如何被用于生成研究内容并改进信息检索流程。他重点介绍了人工智能在研究阶段的若干应

Image: "Schlagwortkatalog" by Dr. Marcus Gossler (CC BY-SA 3.0) via Wikimedia Commons, recoloured. 8月10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 以及各领域顶级商科与社会科学期刊。 AI 正在审计科学记录，而记录节节败退 三年来，关于 AI 与科研诚信的争论只朝一个方向进行：当机器用捏造的文本和虚构的引文污染文献时会发生什么。本周 [Nature 报道](https://www.nature.com/articles/d41586-026-02235-8)了反向运行的车流。杭州之江实验室的一位理论化学家用 AI 系统预测沸点，而系统不断给出与一份有 75 年历史的参考数据库中长期被接受的条目相冲突的数值。他回头逐条核对原始文献，结果发现出错的是参考数据，而非模型。在其他案例中，同样的方法还找出一篇已发表论文中的笔误，以及一组错误的、百年前的沸点测量值。Nature 指出，这项技术在发现旧论文和参考工具书

使用 NotebookLM 阅读材料、生成音频概览，逐条追踪引用、检查遗漏，并根据你的账户类型核实隐私与数据使用设置。

想象一下，如果我们能自动发现突破性的科学假说，比以往任何时候都更快地开启新的可能性。 三个研究团队朝着这个方向迈出了重要的一步，推出了一个机器学习框架，旨在以显著的效率生成和评估科学假说。 新框架围绕三个基本阶段展开：提取、生成和评估假设。 首先，系统从科学文献中提取现有假设，并以命题逻辑的形式表示出来。 接下来，它使用一个精炼的机器学习模型，根据这些提取的知识生成新的假设。 最后，一套基于图论的指标对生成的假设的新颖性和相关性进行评估。 这项工作是旨在自动生成科学假设的新机器学习框架浪潮的一部分。 最近的研究揭示了其他几个框架在这一领域的潜力，它们利用 GPT-4 和 Claude-2 等大型语言模型（LLM）的力量，加速了包括心理学在内的各个领域的科学发现。 其中一个著名的框架是芝加哥大学开发的 HypoGeniC，它主要基于标记数据生成假设。 HypoGeniC 分三个阶段运行： 1. 生成初始假设： 该框架分析少量示例以生成初步假设。 2. 迭代假设更新：从多臂匪徒中汲取灵感，HypoGeniC 利用奖励函数迭代完善假设，平衡潜在假设的探

由 Wiley 培训团队主办的网络研讨会围绕生成式人工智能对信息发现的变革性影响展开，尤其是在学术研究和出版方面。Wiley 合作伙伴解决方案智能服务部总监 Hong Zhu 博士是主讲人。会议旨在阐明人工智能技术，尤其是生成式人工智能，如何重塑研究人员与数字内容互动和利用数字内容的方式。 网络研讨会开始时，Wiley 培训团队的一位成员首先致辞并做了介绍，他概述了会议的后勤工作和与会者可利用的资源，包括会后可利用的录音和可下载的幻灯片。 Zhu 博士的演讲分为几个部分，分别讨论了人工智能融入研究和出版领域的不同方面： 朱博士介绍了学术研究数字化转型的概念，强调了人工智能、大数据和云技术的整合。他概述了人工智能在提高研究资料的可发现性和可访问性方面的作用，从而使研究人员能够从内容中获得更多价值。 讨论的很大一部分集中于生成式人工智能在信息发现中的作用。Zhu 博士解释了如何利用 GPT 和 BERT 等人工智能模型生成研究内容并改进信息检索过程。他强调了人工智能在研究阶段的几种应用，从确定研究方向到协助出版过程。 朱博士分享了人工智能在现实世界中