核心结论

AI 在科研中能做不少事，但不能笼统地说“让它帮我做研究”。更准确的说法是：它可以先完成一段结果能够核对的工作，例如补充检索词、按既定规则整理资料、起草分析代码，或者对照清单检查文稿。至于研究问题是否成立、某份数据能否使用、异常值该不该删、模型为什么这样选，以及论文最后能把结论说到哪一步，责任仍在研究者。

判断一项工作能不能交给 AI，不妨先问一个很朴素的问题：它做错以后，我能不能在错误进入数据集、统计结果或论文之前发现？如果有明确的原始材料可以对照，改错也不费力，就可以让 AI 多做一些。如果连怎么验都说不清，或者一个不起眼的错误会改变结论，就不要让它自动往下走。

真正要拆的不是研究流程，而是眼前的动作

设想一个教学场景：某团队准备分析 600 份已经去标识化的住院记录，研究哪些因素与再次入院有关。项目刚开始时，有人说，可以把清洗数据、选择模型和论文初稿都交给 AI。问题不在于这个想法激进，而在于“交给 AI”这句话没有说明它究竟交付什么，也没有说明谁来检查。

检索阶段，AI 根据几篇种子论文补充同义词，漏掉一个词，研究者通常能在数据库试检时发现。到了数据整理阶段，它如果把“未测量”写成数值零，错误就会混进分析数据。它若自行删除所谓异常值，后面的人甚至可能不知道那条原始记录曾经存在。写结果时再把“相关”换成“导致”，改动的已经不是文字，而是论文作出的科学声明。

这些工作都可能用到同一个模型，却不能共用同一种用法。与其先争论模型够不够强，不如把准备交出去的动作写清楚。下面这张表就是这个项目实际需要的工作说明。它不评价某个模型好不好，只规定这一次可以让它做到哪一步。

准备做的事AI交付什么最需要防的错误谁来确认
扩展检索词一组待试检的同义词和相邻概念混入意思相近但不适用的词研究者放进目标数据库试检
整理变量说明按数据字典归纳字段，并单列不确定项把缺失、否定和不同单位合成同一数值数据负责人逐项对照原始定义
标记可疑记录按已经写好的范围规则生成问题清单把真实极端值直接当成录入错误领域研究者查看源记录后决定
起草分析代码可运行代码、测试样例和运行结果猜错实验单位、分组结构或缺失规则统计负责人检查并复算关键结果
起草结果文字根据已经核验的表图写表达候选改变方向、单位、区间或因果强度作者返回表图逐句核对

表里有意没有“让 AI 自动完成”这一列。检索词是候选，异常记录是问题清单，结果文字也是表达候选。最终交付物仍要经过人的判断，只是不同环节的判断依据不一样。检索词要看它带回了什么文献；变量要回到数据字典；一句结果是否成立，要回到最终表图和分析记录。

以“标记可疑记录”为例，合适的输出不是一份已经删过的数据，而是一张旁表：保留记录编号和原值，注明触发了哪条范围规则，等待研究者处理。有人确认是单位录错，才回到数据副本中更正；有人查过源记录，认为它虽少见但是真实值，就保留并写下理由。这样，即使模型把正常的极端值列了出来，也只是多了一次核对，不会悄悄改变样本。

NIST 的 AI 风险管理框架把具体使用情境放在风险判断的中心。放到这项研究里，它不是一句“注意风险”的口号，而会直接改变表里的内容：模型曾经顺利读过公开 PDF，并不能证明它可以处理研究数据；它能按规则标出疑点，也不等于它有权决定哪些记录应当删除。材料、用途或错误后果一变，这项工作就要重新写，不能沿用上一次的许可。

二十行试跑，发现的不是两处小错误

整理 600 份记录之前，团队先拿二十行已经由人工确认的材料试跑。样本里不只放格式规整的数值，还特意保留了空白、否定表达、边界值和几个容易混淆的状态。AI 整理完以后，十八行与人工答案一致，另有两行把“未测量”填成了零。

其中一条可以简化成下面这样。它只是为了说明问题而写的教学记录，不来自真实患者：

原始记录
每周活动分钟：空白
记录状态：未测量

AI整理结果
activity_min = 0
missing_reason = 空白

人工核对后的记录
activity_min = NA
missing_reason = not_measured
核对依据 = 原始记录状态字段

如果只报一个总体数字，这次试跑有九成正确，看起来已经不错。可零表示确实观察到没有活动，NA 表示根本没有得到这项测量。两者进入统计以后，会影响样本分布、均值以及缺失值的处理。模型犯的不是可以顺手改掉的排版错误，而是把一种数据状态悄悄改成了另一种。

团队不能只把那两格改回来，然后继续处理余下的 580 行。更要紧的是找出错误从哪里来。检查任务说明后可以发现，原先只要求“把空白字段整理成统一格式”，却没有交代空白旁边还有一个状态字段。于是说明被改成：缺失状态必须以原始状态字段为准，禁止根据空白推断为零；遇到定义之外的写法，一律留作不确定项，不得补值。

原来的二十行、第一次输出和改过的任务说明都应该留下，而不是用新文件覆盖掉。否则下一次结果变好时，团队只知道“现在对了”，却说不清改动了什么；下一次又出错时，也无法判断是材料变化、规则变化，还是模型变化。这里不需要复杂系统，给输入、说明和输出加上对应的日期与版本，已经能避免许多说不清的返工。

改完规则，还要换一组模型没有见过的记录复测。这里换样本很重要。如果仍用原来的二十行，得到的只是模型能否适应已经暴露的答案，不足以说明规则能否应对下一批材料。新样本中若再出现同类错误，这个字段就不适合继续自动整理，至少要交回人工。相反，如果错误只是表格列序偶尔调换，而且现有脚本每次都能查出来，那么它造成返工，却不一定需要停掉整个任务。

所以，试跑要看的不是一个漂亮的准确率，而是错在什么地方、现有检查能不能抓住、没抓住会影响哪一步。普通样本可以告诉你流程能否跑通，边界值和反例才更容易暴露它会怎样跑错。

同一处含糊，会从数据一路传到论文

变量规则修正后，团队让 AI 根据分析说明起草回归代码。程序能够运行，只能证明语法没有拦住它，不能证明分析正确。比如把同一患者的多次住院当成彼此独立的样本，代码照样可能顺利给出系数和置信区间，但区间代表的含义已经变了。

这一步的检查也应当提前准备，而不是等正式结果出来后“看看是否合理”。统计负责人可以先做一份很小的模拟数据，里面故意安排重复记录、一个缺失值和一个已知参照组，并写下预期的样本数与关键结果。AI 起草的代码先跑这份数据：分组数不对，就去看实验单位；样本少了一行，就查缺失处理；参照类别反了，就在输出解释之前修正。只有这些问题能说清楚，代码才进入正式数据。

到了论文写作，原来的检查依据又换了。模型可以把最终表格整理成一句较顺的结果，但作者需要逐项核对研究对象、比较方向、效应量、区间和限制。假如表格只显示某因素与再次入院有关，草稿却写成“该因素导致再次入院”，这不是润色过头这么简单，而是把观察性结果改成了因果结论。

ICMJE 关于 AI 辅助技术的建议要求作者对 AI 辅助内容的准确性、完整性、引用和披露负责，AI 也不能列为作者。对眼前这篇论文来说，这意味着作者不能只看一句话“读起来对不对”，而要知道数字来自哪张表、表来自哪次分析、分析又用了哪版数据。答不上来，就还没有到可以签字提交的程度。

这也是为什么一句“所有内容均由人工复核”通常没有什么用。熟悉数据字典的人能判断“未测量”是什么意思，却未必能判断回归模型是否适合；统计负责人能检查模型，也不能替作者决定论文对证据作何表述。所谓人工审核，只有写清审核哪样东西、依据什么材料、在什么时候拦住错误，才真的存在。

有些材料，问题不是怎么检查，而是能不能交出去

前面的教学场景假设团队已经拿到可用于当前处理的去标识化材料。真实项目中，这个前提要单独确认。带身份标识的受试者数据、保密评审稿，或者受合同限制的文件，不能因为想试一个新功能就上传到规则不清楚的外部服务。

去掉姓名也不自动等于可以上传。罕见经历、精确日期、机构和其他字段组合起来，仍可能让人被识别；伦理审批、机构政策、项目合同，以及服务商是否保存输入、是否把输入用于其他目的，都会改变答案。确认不了时，可以先用合成数据测试格式和代码，或改用机构批准的环境。若两种办法都不具备，就暂时不用，而不是先上传再补手续。

这项检查仍能落回前面的表。把“整理五个病历字段”改成“用合成记录测试五个字段的整理规则”，AI 的交付物和错误类型没有大变，但输入已经不同。等真实材料获得明确许可，再单独决定是否运行。一次测试成功，只证明这次测试中的工作可行，不会顺带解决数据权限。

最后，这项研究让 AI 做到了哪一步

经过二十行试跑后，团队没有得到“AI 可以参与整个项目”这样的结论。它得到的是几项范围很窄、能够执行的决定：检索阶段让模型提出候选词，由研究者试检；变量整理只处理数据字典已经定义的字段，遇到未定义状态就停下来；分析代码先通过模拟数据，再由统计负责人确认；结果段只能依据最终表图起草，作者逐句承担判断。

那两条被误写成零的记录因此不是测试中的小插曲。它们迫使团队补上缺失规则，也说明批量处理不能只靠抽查一个总准确率。若后来材料从合成数据换成研究记录、输出从内部笔记进入论文，或者团队改用另一项服务，原来的决定也不会自动继续有效。

这就是 AI 在科研中比较合适的位置：先做边界清楚、结果可核对的那一段；一旦工作开始决定数据含义、分析方法或论文主张，就把决定交还给能够说明依据并承担责任的人。