随着Claude、ChatGPT等生成式AI工具进入科研工作流程，越来越多研究人员开始使用AI辅助选题、文献阅读、论文写作和研究设计。
但很多人的使用方式仍然比较简单：让AI“帮我找一个研究主题”“帮我写文献综述”“帮我找研究空白”。这类指令虽然方便，却很容易得到泛泛而谈的结果，因为它实际上把一个复杂的科研任务压缩成了一句话。
真正高效的AI科研工作流，并不是让AI替代研究者完成整个研究，而是把科研过程拆解成一系列可以验证、比较和迭代的任务，让AI分别承担信息整理、结构分析、方案比较和批判性检查等工作。
下面AJE整理10个可以直接修改后使用的科研Prompt，覆盖从研究兴趣、研究问题、文献检索、文献评价，到理论框架、研究方法和论文修改的完整流程。
把研究兴趣转化为可研究的选题
很多科研项目的起点只是一个比较宽泛的兴趣，例如“我对人工智能与医学教育感兴趣”。
真正的问题在于，这个兴趣范围可能过大，直接进入文献检索很容易得到成百上千篇彼此关联但难以形成研究问题的论文。
这时，可以先让AI帮助你缩小研究范围，并从可行性角度比较不同选题。
Prompt：
我对【宽泛研究领域】感兴趣，尤其关注【具体问题】，研究对象是【人群/行业/地区】。
请提出5个适合【硕士/博士/本科】研究项目的具体研究主题。要求主题具有明确的研究范围、现实可行性，并与当前学术讨论相关。
对每个主题分别说明：研究问题、研究范围、潜在学术贡献、所需数据、研究难度以及可能面临的主要障碍。
最后按照研究可行性进行排序，并解释你最推荐哪个选题以及原因。
这个Prompt的重点不是让AI“替你决定题目”，而是让它帮助你建立一个选题比较框架。
最终选题仍然需要研究者结合已有文献、数据可获得性、研究资源以及自己的专业背景进行判断。
把研究主题进一步转化为研究问题
一个好的研究主题，并不等于一个好的研究问题。
例如，“社交媒体对大学生心理健康的影响”仍然比较宽泛。真正可以开展研究的问题，需要进一步明确研究对象、变量、研究情境以及希望解释的关系。
可以使用下面的Prompt：
Prompt：
请将以下研究主题【研究主题】转化为3个适合【定量/定性/混合方法】研究的精确研究问题。
每个研究问题都应尽可能明确研究对象、关键变量或研究现象、研究情境以及希望考察的关系或结果。
对每个研究问题说明：它具体研究什么、需要什么类型的证据，以及目前的表述中是否存在范围过大、概念模糊或潜在偏见的问题。
最后比较3个研究问题的研究可行性。
这里尤其值得注意的是，不要只让AI“生成研究问题”，而应该要求它解释每一个问题需要什么证据。
这一步可以帮助研究者提前判断：一个看起来很有价值的问题，是否真的能够通过可获得的数据回答。
建立数据库文献检索策略
确定研究问题之后，下一步通常是文献检索。
很多研究人员在Google Scholar、Web of Science、Scopus或PubMed中直接输入一句自然语言问题，然后根据搜索结果逐篇浏览。这种方法比较适合初步探索，但如果希望进行系统、全面的文献检索，就需要建立更加规范的检索策略。
可以让AI帮助拆解研究问题中的核心概念：
Prompt：
请为以下研究问题建立一个适用于数据库检索的文献搜索策略：
【研究问题】
首先识别研究问题中的主要概念，并为每个概念列出同义词、相关术语、缩写词、不同拼写方式以及可能使用的专业表达。
然后分别为【Google Scholar / Scopus / Web of Science / PubMed】设计Boolean检索式，合理使用AND、OR、引号以及截词符。
同时建议适合本研究的发表时间、语言、学科领域和文献类型筛选条件。
请解释每一个检索模块的作用，并指出可能导致检索结果过多或过少的地方。
这里的一个重要原则是：AI可以帮助设计检索策略，但不能把AI生成的关键词直接视为最终检索策略。
正式研究中仍然需要通过数据库实际测试检索结果，并根据召回率）、精准率以及研究主题的覆盖程度不断调整检索式。
让AI帮助你批判性评价一篇论文
文献阅读最容易陷入一个问题：看完论文之后知道“作者发现了什么”，却不知道这项研究到底做得怎么样。
AI可以作为一个初步的批判性阅读助手。
Prompt：
请针对我的研究问题【研究问题】，批判性评价下面这篇论文。
请从以下方面进行分析：研究目的、理论基础、研究设计、研究对象与样本、数据收集方法、统计或质性分析方法、主要发现、研究局限、潜在偏倚、内部效度或外部效度，以及该研究与我的研究问题之间的相关性。
请严格区分作者在论文中明确提出的观点与基于论文内容进行的推断。
最后说明这篇论文可以通过哪3种方式用于我的文献综述。
论文内容如下：
【粘贴论文内容或上传论文】
尤其建议保留Prompt中的一句要求：
“区分作者明确提出的观点与AI的解释。”
这是使用AI进行文献分析时非常重要的控制措施，可以减少AI把自己的推断误认为论文原意的问题。
建立文献综合矩阵，而不是简单罗列论文
文献综述最常见的问题之一，是按照“作者A发现……作者B发现……作者C发现……”的方式逐篇介绍。
这种写法看似阅读了很多文献，但实际上缺少真正的文献综合。
可以先建立一个文献综合矩阵：
Prompt：
仅使用我提供的研究资料，建立一个文献综合矩阵。
请使用以下栏目：文献、研究目的、理论、研究情境、样本、研究方法、主要发现、研究局限以及与【研究问题】的相关性。
然后在矩阵基础上进一步识别：重复出现的主题、研究结果之间的分歧、尚未充分研究的领域，以及不同研究在方法上的共同模式。
不要补充我没有提供的信息。如果某项信息没有报告，请明确标注“未报告”。
这一方法的价值在于，它能够把分散的论文转化为可以比较的信息。
当然，矩阵本身不是文献综述。真正的文献综述仍然需要研究者进一步解释：不同研究为什么得到相同或不同的结果，这些结果之间有什么理论联系，以及现有证据到底支持什么结论。
让AI帮助设计主题式文献综述结构
当文献数量越来越多之后，下一步就是决定“这些论文应该如何组织”。
高质量的文献综述通常不是“一篇论文一个段落”，而是围绕概念、理论、研究结果、争议或研究方法组织材料。
可以使用：
Prompt：
根据以下研究问题【研究问题】以及我提供的文献摘要，为我设计一个主题式（thematic）文献综述结构。
不要按照作者逐篇介绍，而应该根据研究概念、学术争议、研究方法或研究发现组织章节。
对每一个部分说明：这一部分的写作目的、核心论点、需要比较的文献、需要讨论的矛盾或不同观点，以及如何自然过渡到下一部分。
不要添加我没有提供的文献或研究结论。
文献资料如下：
【粘贴文献摘要或阅读笔记】
如果使用得当，这个Prompt可以帮助研究者从“我读了哪些论文”转向“这些论文共同说明了什么”。
这也是从文献阅读进入真正文献综合的重要一步。
识别一个真正站得住脚的研究空白
“研究空白”几乎是论文写作中出现频率最高的概念之一，但也是最容易被滥用的概念之一。
仅仅因为“我没有找到相关论文”，并不能证明不存在相关研究。
一个更加可靠的方法，是让AI根据已经整理好的文献证据识别潜在空白，然后由研究者进一步验证。
Prompt：
请根据以下文献证据，分析与【研究主题】相关的潜在研究空白。
请分别从实证空白（empirical gap）、理论空白（theoretical gap）、方法学空白（methodological gap）、人群空白（population gap）、地域空白（geographical gap）以及情境空白（contextual gap）进行分析。
对每一个可能的研究空白说明：已有证据是什么、为什么这一空白值得研究，以及可以提出什么研究问题来回应它。
如果某个所谓的“研究空白”只是因为阅读文献数量不足，或者缺乏直接证据，请明确指出并拒绝将其定义为研究空白。
文献证据如下：
【粘贴你的文献阅读笔记】
这里最重要的不是让AI“制造一个gap”，而是让它帮助你检查已有证据是否真的支持这个gap。
比较不同理论框架，找到最合适的理论基础
当研究问题确定之后，理论框架的选择同样重要。
不同理论可能解释同一个研究现象，但它们关注的机制、变量和研究视角并不相同。
可以让AI进行理论比较：
Prompt：
请为研究问题【研究问题】在【研究情境】下推荐3个适合的理论或概念框架。
对每一个理论分别说明：核心概念、这些概念如何与我的研究变量或研究现象建立联系、该理论能够解释什么，以及它可能忽略什么。
请用表格比较3个理论框架，并根据研究问题、研究对象和研究目标推荐最合适的一个。
不要声称某篇文献使用了某个理论，除非我提供的资料中有明确证据。
最后这一条尤其重要。
AI很容易根据自己的“常识”把某个理论与某篇论文联系起来。因此，在理论综述阶段应该要求它只根据提供的证据进行判断。
根据研究问题设计合适的研究方法
研究方法不能简单地从“我喜欢问卷调查”或者“别人都这么做”出发，而应该由研究问题决定。
可以使用下面的Prompt：
Prompt：
请根据以下研究问题设计一个合理的研究方法：
【研究问题】
同时考虑以下实际限制：
【时间、预算、研究对象获取难度、样本来源、伦理要求、学位要求等】。
请推荐并解释研究范式和研究设计，包括研究方法、抽样方法、样本量确定逻辑、数据收集方式、数据分析步骤、效度或可信度保障措施，以及伦理保护措施。
同时指出本研究最可能遇到的3个局限，并提出实际可行的降低风险的方法。
值得注意的是，AI给出的“样本量”尤其不能直接照搬。
例如定量研究中的样本量通常需要结合效应量、统计功效、显著性水平、研究设计以及预期失访率等因素确定，而不是简单地让AI给出一个数字。
像严格的导师一样审查论文或学位论文
完成论文初稿之后，还可以把AI当成一个“第一轮审稿人”或“严格的学术导师”。
Prompt：
请以严格的学术导师身份审阅下面的论文/学位论文章节。
重点评价以下方面：核心论点是否清晰、文章结构是否合理、证据是否能够支持论点、批判性分析是否充分、与研究问题的联系是否明确、段落之间的逻辑和过渡是否自然、是否存在重复，以及整体学术语言是否恰当。
请按照问题的重要程度进行排序，并解释每个问题应该如何修改。
然后只重写其中最薄弱的部分，同时保持我的原意和写作风格。
不要虚构任何证据、引用、数据或研究发现。
论文内容如下：
【粘贴论文内容】
相比直接说“帮我润色这篇论文”，这种方式更适合科研写作。
因为它首先要求AI发现问题、解释问题，再进行有限度的修改，而不是直接把整篇文章改写成另一种风格。
如何把这10个Prompt组合成完整的科研工作流？
这10个Prompt并不是10个彼此独立的技巧，它们实际上可以串联成一个完整的研究流程。
首先，从一个比较宽泛的研究兴趣出发，通过选题Prompt缩小研究范围；随后利用研究问题Prompt将研究主题转化为可以回答的问题。
确定研究问题之后，利用文献检索Prompt建立数据库检索策略，再通过论文评价Prompt和文献综合矩阵系统整理已有研究。
当文献资料逐渐丰富之后，可以利用主题式文献综述Prompt重新组织文献，并进一步通过研究空白Prompt判断哪些问题仍然值得研究。
随后进入研究设计阶段，通过理论框架Prompt比较不同理论解释，再使用研究方法Prompt确定研究设计。
最后，在论文写作完成之后，通过论文审查Prompt进行结构、论证和表达层面的检查。
因此，一个更合理的AI科研工作流可以概括为：
研究兴趣 → 研究主题 → 研究问题 → 文献检索 → 文献评价 → 文献综合 → 研究空白 → 理论框架 → 研究方法 → 论文审查
这比简单地告诉AI“帮我写一篇论文”更加可控，也更符合真实的科研工作过程。
使用AI辅助科研时，还需要注意什么？
这些Prompt可以明显提高信息整理和思考效率，但它们并不能替代科研人员本身的判断。
首先，不要把AI生成的信息直接当作事实。尤其是在文献、研究结论、统计数据、理论来源和参考文献方面，AI可能产生看似合理但实际上不存在的内容。因此，关键事实和引用必须回到原始论文或权威数据库进行核查。
其次，尽量让AI基于你提供的文献工作。例如在整理文献矩阵、寻找研究空白和设计文献综述结构时，可以明确要求“只使用提供的资料”。这能够降低模型自行补充信息的风险。
再次，不要把AI生成的研究空白当成最终的研究创新点。真正的研究创新，需要建立在系统阅读现有研究、理解研究争议以及掌握可靠证据的基础上。
最后，还需要关注所在期刊、学校或研究机构关于生成式AI的使用规定。不同出版商和期刊对AI辅助写作、作者责任、披露以及参考文献生成等问题的要求可能存在差异。
AI最适合承担的是那些重复、耗时、需要大量信息整理的认知任务，而研究者仍然应该负责提出问题、判断证据、设计研究、解释结果并承担最终的学术责任。
