AI in Practice: A Multilingual Survey of 2025 BioHackathon Participants

该论文介绍了基于 2025 年日本 DBCLS 生物黑客马拉松多语言调查所构建的数据集，该数据集包含 105 份关于人工智能在基因组学和生物信息学等领域应用现状、挑战及机构支持情况的匿名化原始与清洗后数据，旨在支持相关领域的政策制定与采纳研究。

要点

这篇论文就像是一份**“生物黑客社区（BioHackathon）的 AI 使用体检报告”**。

想象一下，2025 年在日本举办了一场盛大的“生物黑客马拉松”聚会。这里的参与者不是普通游客，而是基因科学家、生物信息学家和软件开发者，他们就像是一群**“数字时代的炼金术士”**，试图用代码和算法来破解生命的奥秘。

为了了解这群“炼金术士”在实验室里是如何使用人工智能（AI）这个新工具的，研究团队设计了一份“多语言调查问卷”（就像一份多语种的点餐单），并收集了 105 份反馈。

以下是用通俗易懂的比喻对这篇论文核心内容的解读：

1. 这份报告是做什么的？（核心目的）

这就好比你想了解一群厨师是如何使用新式“智能炒菜机”的。

• 调查对象：来自不同国家（主要是日本、泰国、美国等）、不同机构（大学、公司、研究所）的科学家。
• 调查内容：他们多久用一次 AI？是用它来**“辅助切菜”（辅助完成部分工作），“生成菜谱初稿”（写代码或写论文初稿），还是直接“让机器把菜炒好”**（完全依赖 AI 完成任务）？
• 多语言特色：问卷有英语、日语和泰语三种版本，就像给不同国家的厨师发了不同语言的菜单，确保大家都能听懂。

2. 数据是怎么处理的？（隐私保护与清洗）

原始收集上来的问卷就像是一堆**“杂乱的原始食材”**，里面可能夹杂着一些不该公开的信息（比如具体的网址、人名）。

• 去隐私化（清洗）：研究人员像是一位**“严格的安检员”**，把所有可能暴露身份的“标签”（如姓名、链接、具体机构）都撕掉或涂黑，确保没人能通过这份名单认出具体是谁。
• 标准化（整理）：
  • 有人写"chatGTP"，有人写"chat gpt"，研究人员把它们统一整理成标准的"ChatGPT"。
  • 有人填"U.K."，有人填"UK"，统一变成"United Kingdom"。
  • 把那些长篇大论的“故事”（比如具体的失败经历）暂时收起来，只保留适合做统计的“短答案”，方便大家像看**“乐高积木说明书”**一样快速分析数据。

3. 大家发现了什么？（主要发现）

虽然论文没有直接列出所有数字，但通过图表（Figure 1）我们可以看出几个趋势：

• AI 普及度：就像智能手机一样，AI 工具已经渗透进了这群科学家的日常工作。
• 使用方式：大多数人把 AI 当作**“超级助手”**（帮忙写代码片段、润色文章），而不是完全依赖它来“代劳”。
• 担忧点：就像人们担心自动驾驶会出事故一样，科学家们也担心 AI 会**“胡说八道”（幻觉）、“泄露机密”（数据隐私）或者“抢走知识产权”**。
• 支持度：不同国家的机构对 AI 的支持程度不同，有的像“开明的家长”，有的则比较保守。

4. 这份数据有什么用？（价值）

这份数据集就像是一个**“公共工具箱”**，任何人都可以免费拿走去研究：

• 给政策制定者看：了解科学家真正需要什么支持，以便制定更好的 AI 使用政策。
• 给 AI 开发者看：知道科学家们在哪个环节最头疼（比如翻译、写代码），从而改进他们的产品。
• 给其他研究者看：比较不同国家、不同文化背景下，大家对新技术的接受程度有何不同。

5. 一点小提醒（局限性）

就像任何调查一样，这份报告也有它的“小瑕疵”：

• 自愿原则：因为问卷大部分是选填的，所以有些数据是空的。这就像去餐厅点菜，有人只点了主菜，没点配菜，我们不能因此说他们没吃饭，只是没填而已。
• 样本量：只有 105 份回答，虽然很有代表性，但不能代表全世界所有的科学家。

总结

简单来说，这篇论文就是**“把一群生物科学家使用 AI 的‘日常习惯’、‘烦恼’和‘期待’，整理成了一份干净、匿名、多语言的‘使用说明书’，并免费分享给大家”**。它帮助我们要看清在科学前沿，人类与人工智能是如何协作共舞的。

技术摘要

以下是基于论文《AI in Practice: A Multilingual Survey of 2025 BioHackathon Participants》（AI 实践：2025 年 BioHackathon 参与者的多语言调查）的详细技术总结：

1. 研究背景与问题 (Problem)

随着人工智能（AI）在科学领域的快速渗透，了解科研社区（特别是生物信息学和基因组学领域）如何实际使用 AI 工具至关重要。然而，目前缺乏针对特定技术社区（如 BioHackathon 参与者）的、多语言的、系统性的实证数据来回答以下问题：

• 研究人员在日常工作中使用 AI 的频率和模式是什么？
• 他们在哪些具体任务（如编码、写作、数据分析）中使用 AI？
• 他们在采用 AI 时面临哪些障碍、机构支持情况如何？
• 他们对 AI 带来的潜在危害（如偏见、数据隐私、幻觉）有何担忧？
• 现有的调查数据往往缺乏多语言视角，难以进行跨国或跨文化的比较分析。

2. 方法论 (Methodology)

2.1 调查设计与实施

• 对象与范围：针对 2025 年日本 BioHackathon 的参与者及其更广泛的社区网络。
• 语言支持：问卷提供英语、日语和泰语三种语言版本，以覆盖不同地区的参与者。
• 时间窗口：2025 年 9 月 16 日至 18 日，通过 Slack 频道和二维码分发。
• 问卷结构：
  • 人口统计学：参与背景、机构类型、工作国家、年龄、性别等。
  • AI 使用概况：使用频率、角色（如 AI 开发者 vs 普通用户）、不使用 AI 的原因。
  • 应用场景：涵盖编码、研究、头脑风暴、写作/编辑、教学、翻译及个人用途。针对每项任务，受访者需选择 AI 的介入程度："协助"（Assist）、"起草"（Draft）或"完成"（Complete）。
  • 挑战与满意度：遇到的困难、整体满意度、改进需求。
  • 机构支持与危害：机构支持力度、对算法偏见、数据隐私、知识产权、错误信息（幻觉）及环境影响的担忧程度（1-5 分量表）。
  • 开放式问题：收集工作描述、AI 成功/失败案例及评论。
• 伦理与隐私：遵循 HIPAA 隐私规则中的“安全港”（Safe Harbor）去标识化指南。不收集姓名、机构 affiliation 或 IP 地址。除语言和使用频率外，所有问题均为选填，以减轻受访者压力。

2.2 数据处理与清洗 (Data Processing)

为了平衡数据可用性与隐私保护，研究团队实施了严格的数据处理流程：

• 去标识化：
  • 移除所有 URL（标记为 [URL redacted]）。
  • 删除任何可能识别个人身份的文本。
  • 移除用于后续联系的可选邮箱地址。
  • 排除包含工作链接（如论文、代码库）的选项及回答。
• 数据清洗与标准化（针对英文清洗版）：
  • 文本处理：移除长篇叙事性自由文本（如成功/失败故事），仅保留结构化变量和短分类回答，以降低重识别风险并生成紧凑的分析表。
  • 分类标准化：
    • 国家/地区：统一拼写和缩写（如 "U.K." -> "United Kingdom"），无效条目设为缺失值，保留 "Global" 以反映特定工作背景。
    • AI 工具：通过模式匹配标准化工具名称（如 "chatGTP" -> "ChatGPT"），合并模糊名称（如 "copilot" -> "Copilot (unspecified)"），过滤非 AI 工具。
    • "其他"选项：保留预设分类，并将自定义文本存入相邻的辅助列（如 field_other_text）。
  • 缺失值处理：将“不愿回答”转换为标准缺失值（NA/Blank）。
• 数据验证：检查重复项、空表，验证跨语言选项的一致性，并确认跳过逻辑（Skip Logic）导致的缺失数据是设计预期的（例如，仅向不使用 AI 的人询问原因）。

3. 关键贡献 (Key Contributions)

1. 多语言数据集发布：
   • 发布了包含 105 份 最终回复的完整数据集。
   • 提供三种版本：
     • 原始匿名数据（多语言）：保留原始语言（英/日/泰）的短自由文本，URL 已脱敏。
     • 原始匿名数据（英文翻译版）：所有回复翻译为英文。
     • 清洗后的英文数据集：去除了长文本，标准化了分类变量，适合定量分析。
2. 配套文档：
   • 提供详细的代码本（Codebook），包含 33 个变量的定义、数据类型和示例。
   • 提供翻译对照表，用于对齐不同语言间的响应类别。
   • 提供原始问卷的 PDF 导出版。
3. 数据治理规范：
   • 展示了如何在保护隐私（去除 PII）的同时，通过标准化处理（如工具名称归一化、国家名称统一）提高数据的可重用性。
   • 明确记录了数据清洗步骤和缺失数据的来源（如跳过逻辑、选填项），为二次分析者提供重要元数据。

4. 主要结果与发现 (Results & Findings)

注：由于本文主要侧重于数据发布和方法论描述，具体的统计结果（如具体百分比）在摘要中未详细列出，但指出了数据集包含的关键指标维度：

• 样本构成：105 名受访者来自多个国家（图 1B 显示了主要参与国），涵盖多种机构类型。
• 使用模式：数据记录了受访者对 AI 的总体使用水平（图 1A），以及在特定任务（编码、研究、写作等）中使用 AI 的具体模式（协助、起草或完成）（图 1C）。
• 关注点：量化了受访者对 AI 整合的担忧程度（1-5 分），包括算法偏见、数据隐私、知识产权、错误信息和环境影响（图 1D）。
• 数据质量：确认了无重复提交，并解释了由于问卷设计（选填项和跳过逻辑）导致的高缺失率是预期内的，而非数据质量问题。

5. 研究意义 (Significance)

1. 社区级视角：提供了基因组学、生物信息学和软件开发领域 AI 实践现状的“快照”，填补了特定技术社区缺乏系统性调查数据的空白。
2. 支持政策与工具开发：
   • 政策制定：帮助机构了解 AI 采用的障碍和担忧，从而制定更有效的支持政策。
   • 工具开发：为科学 AI 工具开发者提供关于痛点、改进需求和机构障碍的反馈。
3. 跨文化比较研究：多语言设计使得研究者能够比较不同国家、机构类型和语言背景下的 AI 采用差异（例如，翻译类 AI 的使用满意度在不同语言组间的差异）。
4. 方法论参考：为在技术社区进行多语言调查、处理自由文本数据以及平衡隐私与数据效用提供了可复用的范例。
5. 开放科学：所有数据、代码本和问卷均通过 GigaDB 和 BioHackrXiv 公开，遵循 CC-BY 4.0 协议，鼓励社区进行二次分析和元研究。

总结：该论文不仅发布了一个高质量的多语言 AI 使用调查数据集，还详细阐述了从数据收集、隐私保护到标准化清洗的完整技术流程，为未来研究科学界 AI 采纳、政策制定及工具设计提供了坚实的基础数据和方法论参考。