实用教程

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。

通过模拟 CSV 数据、重复记录与缺失值检查、已测试的 Python 代码和可手算的标准答案，核查 AI 生成的数据分析。

按文献检索、引文核查、定性编码和数据分析查找精选教程与视频，配合具体练习，为个人学习或研究小组讨论制定学习路径。

使用已知结果的小型示例、数据检查和干净环境重跑，核查 AI 生成的 R 或 Python 分析代码，再解释和使用研究结果。

从小规模试点开始评估 AI 辅助定性编码，明确研究方法和编码指令，逐项审查建议，并保留研究者判断的可追溯记录。

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

从你的研究任务出发，选择文献阅读、引文核查、定性编码或数据分析学习路径，下载可编辑记录模板，并逐步核查每项产出。

AI research assistant helping with coding and data analysis Yuan Ren 2026年4月18日 近年来，大语言模型、编程智能体与自动化工具逐渐进入科研实践。它们可以协助研究者整理文献、实现代码、编排实验、汇总结果，甚至起草文稿。但这并不意味着研究过程会自然而然地变得更加严谨。恰恰相反，如果缺乏清晰的边界、评估与流程控制，AI 往往会放大原有的混乱：代码结构迅速膨胀，实验结果难以追溯，输出文件不断堆积，而研究者对项目整体状态的把握却持续下降。相关综述已经指出，大语言模型若要有效服务于科研，其前提并非“自主完成研究”，而是被置于一个与人类研究目标对齐、并配备清晰评估机制的流程之中（Zhang et al., 2025）。 本文所说的 Vibe Research 并非一个严格形式化的学术术语，而是一种实践性的工作框架。其基本原则是：研究者负责问题定义、方向判断、评估设计与结论审查，AI 则负责高频迭代、样板代码实现、局部探索与重复性劳动。本文尝试将这一框架整理为一份简洁、可执行的教程。..

2025年10月26日 10月15日，New Scholars 举办了一场网络研讨会，邀请 Stine Grodal 和 Henri Schildt 探讨如何在质性研究中使用人工智能。 以下是基于 Stine 和 Henri 的论文及其研讨会整理的《人工智能增强型质性研究最佳实践指南》。 1.0 引言：质性探究的新前沿 新的人工智能（AI）工具正在从根本上重塑知识工作的格局，为质性研究界带来了重大机遇，也带来了深刻挑战。正如法律和翻译等职业已经发生转变，我们的领域如今也站在关键的十字路口。大范围"去技能化"的风险以及肤浅的"AI 垃圾内容"的泛滥都是真实存在的威胁。然而，同样的工具也蕴含着推动新一轮理论创新的潜力。我们现在形成的实践很可能产生持久的、路径依赖的影响，既塑造我们的方法，也塑造这项技术本身的未来。这一代学者所做的选择将产生深远的影响。 对于当今的研究者而言，核心选择在于如何使用这些工具，而非是否使用。这一决定代表着一个战略性的岔路口，通向两条截然不同的道路。第一条是自动化，这条路颇具诱惑力，承诺速度与效率，但由于将研究者关键的诠释能力

2024年11月4日 · 更新于 2024年12月12日 访谈流程的自动化有望改变我们收集质性数据的方式，尤其是在开展大规模研究时。在本教程中，我将探讨新兴工具如何支持访谈流程的自动化，使研究者能够高效地收集用户反馈并获得洞见。本文将介绍两款各具特色的工具，它们仍处于早期开发阶段，需要谨慎实施。 第一款工具集成了语音交互，通过与参与者进行实时口头交流，为改进访谈流程提供了契机。该系统即 GitHub 上的 Automated Interview AI 项目，它利用 Twilio Voice 和 OpenAI 的 Realtime API，实现由人工智能主持的电话对话。研究者可以向参与者发起电话呼叫，在通话过程中，人工智能可以使用预设问题和动态问题开展访谈。该工具通过建立双向连接，使人工智能能够实时聆听并回应参与者的输入，从而实现自然的对话流程。 Interview AI 系统的技术配置涉及几个关键步骤，包括配置 Twilio 账户、购买具备语音功能的电话号码，以及设置 ngrok 等隧道工具，以便在开发和测试时将本地服务器暴露到公网。人工智能对话

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6月13日 Dritjon Gruda 是学术期刊 "Personality and Individual Differences" 和 "Psychology of Leaders and Leadership" 的编辑。他在近期发表于知名期刊 *Nature* 的一篇文章中，分享了如何利用 ChatGPT 的能力提升学术写作的宝贵见解。这篇题为 "Three ways ChatGPT helps me in my academic writing" 的文章探讨了如何使用这一强大的人工智能工具润色研究论文、辅助同行评审，并提高编辑反馈的质量。 润色学术论文 在使用人工智能修改论文时，Gruda 强调提供清晰背景和指令的重要性，包括主题概述、主要论点以及需要改进之处。他建议使用如下提示词： "我正在为[领域]的顶级期刊撰写一篇关于[主题]的论文。在以下各节中，我试图表达[具体观点]。请改写以提高清晰度、连贯性和简洁性，确保段落之间过渡自然。删除口语化内容，并调整为专业术语。" 提供此类指令后，人工智能便能更有效地帮助优化文本。无论使用哪

使用持续维护的示例开展小规模 ScrapeGraphAI 试点，对照来源网页检查记录，记录版本、缺失值和完整的数据处理路径。

使用限定范围的 AI 校对指令和修改记录，逐项审核语言建议，保护学术概念、数值、证据和作者原意。

为 AI 辅助网页数据提取制定抽样规则、字段结构、来源记录和核查步骤，保留原始教学视频，建立可追溯的数据采集流程。

通过带有原文依据的主题标签、经过审查的编码手册和独立检查材料，识别文本主题，并从核实后的编码中计算频数。

2024年4月7日（更新于2024年5月8日） 本视频来自 DataScienceDojo，这是一个学习数据分析的优质平台。版权所有 @DataScienceDojo 生成式人工智能是一个快速发展的领域，有望彻底改变数据分析的方式。在这场关于数据分析与生成式人工智能的实践课程中，您将学习： 如何借助 Python 和 Power BI，利用生成式人工智能简化分析任务 生成式人工智能在分析从业人员中所扮演的角色，以及它如何改变我们的工作方式 真实案例、应用场景与实践洞见 如果您是数据科学家、分析师或工程师，并希望了解如何运用生成式人工智能改进数据分析流程，那么本教程正适合您。 Albar Wahab Data Science Dojo 高级数据科学家兼讲师 Albar Wahab 是 Data Science Dojo 的高级数据科学家兼讲师，专注于数据科学训练营（Data Science Bootcamp）、面向数据科学的 Python（Python for Data Science）以及 Power BI 等直播培训项目。他在设计和主讲 Pow

Image via Wikimedia Commons (public domain). 直到不久前，用 AI 做数据分析还意味着把代码粘贴进聊天窗口，再把答案粘贴回来。2025 年，工具的形态变了。Claude Code、OpenAI Codex 和 Gemini CLI 这样的编程智能体直接运行在你的项目文件夹里，读取你的数据和脚本，编写并执行代码，检查输出并修正自己的错误。对研究者来说，这比更好的自动补全意义大得多：智能体可以从原始数据到图表完成整个分析，而你可以全程观看。本教程解释这些工具是什么、如何设置项目以保证结果可复现，以及在哪些环节必须保留人工介入。 三个工具分别是什么 Claude Code（Anthropic）可在终端、桌面应用或 VS Code 与 JetBrains 内运行。它擅长理解已有代码库和执行冗长的多步骤任务。 Codex（OpenAI）内置于 ChatGPT，在你代码仓库的隔离云端副本中工作，以 pull request 的形式提出修改。也有命令行版本。 Gemini CLI（Google）是开源的终端智能体，拥

Image: "Oral History of Egypt's Education 2.0 Reform-Nelly ElZayat, Deena Bora" by Antoineberlin (CC BY-SA 4.0) via Wikimedia Commons, recoloured. AI 主持的访谈使用对话式智能体提问、倾听回答并追问，可以通过文字或语音进行。它们无法取代熟练的人类访谈者所能达到的深度，但可以在一周内以十种语言收集数百份半结构化访谈，成本更接近问卷调查而非田野工作。本教程从设计到分析完整走一遍研究流程，并标出人类判断仍然必须介入的环节。 第一步：判断这种方法是否合适 当主题具体、参与者愿意与机器交谈、并且你既需要广度也需要深度时，AI 主持效果良好，例如用户体验研究、消费者决策历程、员工脉搏调查，或在小规模人工访谈之前进行的探索性研究。对于创伤、丧亲、违法行为，或任何需要建立信任和随时中止能力的主题，它表现不佳。如有疑问，先做五次人工访谈，并以此为基础构建 AI 访谈提纲。 第二步：为机器编写访谈提纲 AI...