传统研究与 AI 研究：如何建立研究级可信度
增强处理能力可加快工作流程，但可追溯证据不可或缺。
每一步都建立研究级可信度
AI 辅助研究可以加速发现与综合分析，但其可靠性取决于系统输出所依据的内容。Elsevier 的方法将可信内容和数据与来源标注、透明度、领域专长、人工监督以及负责任的 AI 治理相结合，支持实现研究级结果。
实践中真正重要的差异
AI 可以改变研究的速度和规模。传统研究对于深入验证和解读仍然不可或缺。关键在于让工作流程与治理、证据和专家判断保持一致。
维度 | 传统研究 | AI 辅助研究（基于可信证据） |
|---|---|---|
速度和规模 | 周期较慢，受限于人工搜索和审阅能力 | 发现和起草速度更快，支持在大型语料库中开展探索 |
证据和可追溯性 | 在方法和基础数据有记录时表现稳健 | 当证据经过筛选，且输出可标注来源并可追溯至原始来源时，可达到研究级要求 |
人工判断 | 贯穿分析和解读全过程 | 贯穿审阅、解读和决策全过程——专家在具体背景下验证输出 |
治理和风险 | 需要伦理、记录和偏见意识 | 需要围绕来源标注、隐私、知识产权保护、透明度和持续评估开展治理，以管理质量和风险 |
AI 在哪些方面能明确提供帮助？
AI 辅助工作流程可以通过以下方式支持科研人员、临床医生、教育工作者和机构：
1. 加速发现与综合分析
减少查找和审阅相关文献所花费的时间
生成初步摘要，支持专家审阅
2. 扩大更大规模的探索
识别跨主题和跨学科的相关研究
更早呈现模式和关联
3. 在内容经过治理时支持有证据依据的回答
包含标明来源且可引用的资料
通过可追溯链接回到原始出版物，让验证更轻松
传统研究在哪些方面仍然不可或缺？
即使有 AI 支持，传统严谨性对于以下方面仍然至关重要：
方法设计、验证和记录
研究结果的最终解读以及现实适用性
对照原始文献和专家标准验证相关主张
评估边缘案例、不确定性和外部效度
治理需要支持哪些方面才能实现研究级结果
要实现可信的 AI 辅助研究，治理需要覆盖以下方面：
证据可追溯性：使用者应能够验证来源和背景
来源标注和透明度：输出应连接到原始出版物，并说明局限性
隐私与知识产权保护：数据使用必须受到控制并符合法规要求
持续评估：应持续评估性能、准确性、完整性和潜在风险
人工监督：决策必须始终以专家判断为基础
可供参考的实际示例
示例 1：文献综述
传统研究 | AI 辅助研究 |
|---|---|
通过定向搜索、筛选和结构化综合分析来开展综述 | 加速发现和摘要生成，然后使用可引用来源和完整背景验证研究结果 |
示例 2：检查临床证据
传统研究 | AI 辅助研究 |
|---|---|
人工查阅指南、综述和原始研究 | 通过来源标注更快检索相关证据，然后运用临床判断评估适用性 |
示例 3：规划研究
传统研究 | AI 辅助研究 |
|---|---|
根据现有研究和专家知识确定假设 | 更早识别相邻研究和证据缺口，然后与领域专家确认可行性 |