SHAPR: Operationalising Human-AI Collaborative Research Through Structured Knowledge Generation
本文提出了 SHAPR 框架，通过将人类中心决策与 AI 辅助能力相结合，利用结构化知识单元（SKUs）和可执行的迭代循环，将 AI 辅助研究实践转化为透明、可追溯且可积累知识的系统化方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇文章介绍了一个名为 SHAPR 的框架，它就像是为“人类与人工智能（AI）合作搞科研”量身定制的一套操作手册和导航系统。
想象一下，以前的科研就像是一个人在图书馆里独自苦读、做实验；而现在，AI 像是一个超级聪明、手速极快的“全能助手”加入了团队。虽然助手能帮你写代码、查资料、出点子，但如果没人管着，你们俩可能会聊嗨了，最后做出来的东西虽然厉害，但没人知道是怎么做出来的，也没法证明它是真的。
SHAPR 就是为了解决这个问题而生的。它用一种简单、结构化的方式，把“人”和"AI"的协作过程变得透明、可追踪、有章可循。
下面我用几个生活中的比喻来拆解这个框架的核心内容：
1. 核心角色：谁是船长？谁是导航员？
- 人类研究员（Solo Human）：你是船长。你负责决定船要去哪里（研究问题），判断方向对不对（评估结果），并对最终到达的目的地负责（知识产出）。
- AI 助手（AI-Assisted）：它是超级导航员和轮机长。它能帮你画海图、修引擎、甚至帮你掌舵一段路，但它不能代替你决定目的地，也不能替你承担沉船的责任。
- SHAPR 的作用：它确保船长和导航员配合默契，并且把每一次航行的路线、决策和发现都记在航海日志里。
2. 两个“工作间”：聊天室 vs. 图书馆
SHAPR 把科研工作分成了两个地方，这非常关键：
- 聊天室（Interaction Workspace）：这是你和 AI 聊天的地方（比如对话框）。在这里，你们头脑风暴、试错、乱点鸳鸯谱。
- 比喻：就像你在厨房和厨师聊天，讨论“今晚吃啥”，或者尝试“把盐放糖里会怎样”。这些想法很活跃，但还没变成菜。
- 图书馆（Repository Workspace）：这是正式记录的地方（比如代码库、文档库）。
- 比喻：只有当你们把讨论好的菜谱写下来，把做好的菜摆盘，并贴上标签放进冰箱（图书馆），它才算正式的研究成果。
- SHAPR 的铁律：聊天室里的闲聊如果不变成图书馆里的记录，就不算数。这保证了你的研究是可追溯的。
3. 五个步骤的“烹饪循环” (The Cycle)
SHAPR 把做研究的过程变成了一个不断重复的五步循环，就像做一道新菜：
- 探索 (Explore)：
- 比喻：打开冰箱看有什么食材，或者问 AI：“如果我用辣椒做甜点会怎样？”
- 动作：和 AI 讨论各种可能性，寻找灵感。
- 构建 (Build)：
- 比喻：开始动手切菜、炒菜。
- 动作：让 AI 帮你写代码、改模型，把想法变成实际的软件或原型。
- 使用 (Use)：
- 比喻：把菜端上桌尝尝，或者在模拟厨房里测试。
- 动作：运行程序，看看它到底能不能跑，效果如何。
- 评估 (Evaluate)：
- 比喻：尝一口，觉得“太咸了”或者“味道很独特”。
- 动作：分析结果，找出问题或亮点。
- 学习 (Learn)：
- 比喻：把这次的经验写进“家庭食谱”，记下“下次少放盐”或者“辣椒配甜点居然不错”。
- 动作：这是最关键的一步！把刚才的教训变成结构化知识。
4. 核心宝藏：知识单元 (SKUs)
在“学习”阶段，SHAPR 发明了一个叫 SKU (Structured Knowledge Unit，结构化知识单元) 的东西。
- 比喻：想象你以前做菜，做完就忘了。现在，SHAPR 要求你把每次成功的秘诀或失败的教训，写成一张标准化的“知识卡片”。
- 卡片内容：当时遇到了什么问题？做了什么决定？结果怎么样？为什么？
- 作用：这些卡片可以像乐高积木一样积累。做多了，你就能发现规律（比如“只要加柠檬，鱼就不腥”），最后形成通用的设计原则。这样，你的研究就不再是一次性的，而是可以复用的智慧。
5. 为什么这个框架很酷？
- 透明如玻璃：以前用 AI 写代码，别人不知道你是怎么想的。现在，SHAPR 要求每一步都有记录，就像给研究过程装了黑匣子，谁都能看懂。
- AI 也能读懂：SHAPR 的规则写得清清楚楚，连 AI 自己都能读懂并执行。你可以把这套规则发给 AI，让它帮你整理文档、提醒下一步该做什么。它就像一个懂规矩的 AI 管家。
- 灵活多变：你可以选择让 AI 只帮你查资料（低参与度），也可以让 AI 帮你写大部分代码（高参与度），甚至让 AI 自动跑流程。无论哪种，只要遵循 SHAPR，研究就是严谨的。
总结
SHAPR 就像是给“人机协作”科研装上了一个“黑匣子”和“记账本”。
它告诉研究者：别光顾着和 AI 聊天，要把聊天的成果变成实实在在的“知识卡片”存起来。这样，即使 AI 再聪明，人类依然是知识的掌舵者，而且我们的研究成果是真实、可重复、有迹可循的。
这就好比，以前我们可能只是凭感觉做菜，现在有了 SHAPR，我们不仅做出来了，还留下了详细的食谱和实验数据，让全世界都能学会这道菜，甚至改进它。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。