What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers
这项针对 40 篇精选文章的快速综述确定了具备大语言模型素养的研究者所必备的八项核心能力，并强调在科学研究中有效且负责任地使用人工智能，更多地取决于领域专业知识、批判性监督和伦理问责，而非仅仅取决于技术知识。
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
想象一下，科学的世界就像一座巨大且繁忙的图书馆，而研究人员就是其中的图书管理员。几十年来，这些图书管理员一直遵循着严格的规则手册：他们必须寻找书籍、仔细阅读、核实事实，并根据所学知识撰写自己的报告。但最近，一位极其快速且健谈的新型机器人助手来到了图书馆。这个机器人由被称为“大语言模型”（或简称 LLM）的技术驱动，它可以在一秒钟内阅读数百万本书籍，进行总结，撰写草稿，甚至帮助解决复杂的谜题。它就像一个永不疲倦的超级聪明实习生。
然而，这里有一个陷阱。这个机器人有点像个骗子。有时它会说真话，但有时它也会自信满满地编造事实（研究人员称这种故障为“幻觉”）或者在不注明出处的情况下抄袭创意。因此，核心问题不仅在于“机器人能否帮到我们？”，还在于“人类图书管理员需要具备什么样的技能来约束这个机器人？”如果图书管理员不知道自己正在整理的书籍内容，他们可能会让机器人写完整个报告，从而导致整个图书馆充斥着谎言。本文深入探讨了研究人员需要具备哪些技能，才能负责任地使用这些 AI 机器人，而不至于丧失理智或背离真相。
伟大的 AI 侦探行动
一组研究人员决定扮演侦探的角色，以回答一个迫切的问题：究竟需要具备什么样的素质，才能成为一名能够有效、批判性且负责任地使用 AI 工具的研究人员？ 他们并没有凭空猜测；而是进行了一次快速综述任务，扫描了 2022 年至 2025 年间发表的 194 篇文章。从这堆如山般的文献中，他们仔细筛选出 40 篇展示了人们在实际研究中使用 AI 的案例的文章。随后，他们结合人类大脑和第二种 AI 工具对这些文章进行了梳理，寻找那些成功研究人员似乎具备的特定“超能力”或胜任力。
他们发现了一份包含八项基本技能的清单。请不要将这些视为计算机编程技能，而应将其视为研究人员需要锻炼的“思维肌肉”。
1. 专家之眼（领域专业知识与监督）
这是最常见的技能，在各项研究中出现了 123 次。想象一下，这个 AI 机器人是一个反应极快、充满自信的导游，它对万事万物都略知一二，但在任何领域都不是专家。如果你自己并不了解那片领地，你可能会相信导游的话，当他指着一个假瀑布说“那是真的！”时。论文指出，研究人员必须是其领域的真正专家。他们需要对学科知识有深入的了解，以便在 AI 撒谎、编造来源或给出肤浅答案时能一眼识破。机器人可以承担繁重的体力活，但人类必须是那个说出“等等，这听起来不对劲”并核实事实的人。
2. 智能开关（元认知与决策）
该技能出现了 55 次，关乎于知道何时使用机器人，以及何时关闭它。这就像是在决定是用电钻来挂画，还是只用一把锤子。研究人员发现，优秀的科学家不会让 AI 接管整个工作。他们会决定哪些研究环节适合交给 AI（例如整理笔记），以及哪些环节必须保留给人类（例如得出最终结论）。这关乎于成为船长，而不仅仅是一名乘客。
3. 道德指南针（伦理、隐私与诚信）
共有 53 次提及，这项技能关乎于公平竞争。使用 AI 不仅仅是获取答案，更是在不偷窃、不撒谎、不泄露秘密的前提下进行。研究人员需要知道如何保护私密数据，如何承认自己使用了机器人编写部分论文，以及如何确保自己没有在无意中抄袭。这就像是使用计算器做数学题与通过让别人代劳来作弊之间的区别。
4. 提问的艺术（提示词工程）
这一项出现了 38 次。如果你问一个模糊的问题，比如“给我讲讲科学”，你会得到一个模糊且乏味的回答。但如果你问：“请用披萨类比向一个 12 岁的孩子解释相对论”，你就会得到惊人的结果。这项技能关乎于学习如何与 AI 对话。这就像是一位导演在给演员下达指令；你的剧本（提示词）越好，表演就越出色。研究人员发现，不断优化这些问题是获得有用结果的关键。
5. 纸面足迹（可重复性与报告）
出现了 29 次，这关乎于记录日志。如果你使用 AI 工具辅助寻找信息，你需要准确记录你问了它什么、使用了哪个版本的工具，以及你是如何核实其工作的。为什么要这样做？因为如果其他人想要重复你的实验，他们可以看到你具体是如何操作的。这就像是留下面包屑，以免有人在你的研究森林中迷失方向。
6. 蓝图构建者（方法论与实验设计）
这项技能被提及了 20 次，关乎于在开启 AI 之前就规划好整个项目。这就像建筑师在铺设第一块砖之前先绘制建筑蓝图。研究人员需要设计他们的研究，使 AI 能够恰当地嵌入其中而不破坏结构。他们必须明确定义目标和限制，以免机器人跑偏并在沼泽地上盖起一座房子。
7. 技术翻译官（AI 素养与技术知识）
有趣的是，这项技能被提及的次数较少（仅 16 次），并被标记为缺失时的风险。这并不意味着研究人员需要成为能从零开始构建 AI 的软件工程师。相反，他们需要理解机器人的思考方式、它的局限性以及它容易犯什么样的错误。这就像是即便你不知道如何制造发动机，也得知道汽车需要汽油和刹车。如果没有这种基础理解，你可能会在汽车其实已经损坏时还信任它能自动驾驶。
8. 数据侦探（数据分析与解释）
仅出现了 7 次，这关乎于利用 AI 协助处理数字或寻找数据中的模式。但论文明确指出：人类仍然必须是那个解释这些数字含义的人。AI 可以发现模式，但人类必须决定这个模式是重要的，还是仅仅是巧合。
大局观
作者认为，在研究中使用 AI 不仅仅是学习一种新工具，更是要成为一个更优秀、更具批判性的思考者。最重要的启示是：人类仍然是老板。AI 是一个强大的助手，但它无法取代人类的判断力、专业知识和问责制。如果研究人员缺乏“专家之眼”或“道德指南针”，AI 可能会误导他们。
论文总结道，学校和培训项目需要将这八项技能结合起来进行教学。仅仅教学生如何输入提示词是不够的；他们还需要学习如何质疑答案，如何保持伦理，以及如何让“人类参与其中”。在一个机器人可以撰写论文和分析数据的世界里，研究人员所能拥有的最宝贵的技能，是懂得何时信任机器人，以及何时信任自己的大脑。
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。