把 AI 引入研究，如何保留独立判断与可复现性

生成更多文字，不等于产生更多知识

模型能够迅速整理资料、生成代码和草拟解释，改变了研究工作的时间分配。但效率提升也会扩大一些熟悉的风险：选择性呈现结果、事后构造看似自然的假说，以及引用从未存在的文献。研究质量因此更依赖对过程的约束，而不只是对成稿的润色。

我们需要把几项职责分开：谁提出问题，谁定义可接受的证据，谁执行分析，以及谁检查结论是否超出了数据。若这些步骤都依赖同一份生成结果，相互核对很容易变成重复确认同一个错误。

作为次级编码者，AI 的位置更清楚

Blondeel 等人的研究讨论了在预先定义的编码方案下，让 ChatGPT 作为定性研究的次级编码者。论文摘要涉及 36 位学生的访谈材料，并与人工编码进行比较。这支持一种职责清楚的辅助方式：先有研究设计和人工基线，再让工具参与检查，而非让模型自行决定所有分析类别。^[1]

本篇解读依据摘要与章节摘录，尚不足以完整复核提示词及全部编码流程。摘要中的高一致性描述，不宜推广到开放式编码、其他样本或其他模型版本。对具体研究，仍应报告分歧如何处理，以及模型是否接触了人工结果。

自动化论文生成的警示

AI-Powered (Finance) Scholarship 展示了由标准化实证材料自动生成金融论文的过程，同时明确警示了 HARKing，也就是在结果已知后再构造假说的风险。文中还指出生成内容可能包含虚构引用。它的启示不是论文越多越好，而是成稿的完整性不能替代理论与证据的独立性。^[2]

因此，探索性发现与预先设定的假说检验应分别记录。文献引用需要核实作者、标题和来源；经验结果必须能够从数据和代码重新产生。模型可以帮助写作，但不应让读者误以为事后解释就是研究开始前的预测。

可复现性是一套具体的记录

关于生成式 AI 金融研究可复现性的综述，把方法条件、透明度和评估设计放在重要位置。对使用 LLM 的项目，材料版本、模型标识、提示词、采样配置和运行日期都会影响结果。仅留下一个聊天截图，通常不足以支持别人理解和重做分析。^[3]

• 在可公开的范围内保留数据字典、分析代码、提示词和运行环境。
• 对关键结论进行独立复算，并记录失败、修订和不符合预期的结果。
• 对不可共享数据说明访问条件与验证方式，避免用保密作为不可检查的理由。

保留人的研究责任

负责任的人机协作，不只是最后由人点一次确认。研究者需要判断问题是否有意义、材料是否合适、结论是否成立，并如实披露工具参与的环节。我们希望把 AI 用在可以检查的执行工作上，让节约出来的时间真正回到研究设计、解释和质疑之中。