收益：
- 了解完整、诚实且可重复的实验记录的组成部分，并能够使用人工智能作为塑造和控制工具
- 能够完全记录与计划的偏差，而无需使观察结果适应人工智能
- “其他人可以重复录音吗？”能够让人工智能通过您的眼睛进行检查并用真实信息填补空白
在化学中，只有当其他人可以重复某个结果时，该结果才具有科学价值。其中的关键是文档：完整记录您所做的事情、在什么情况下、做了多少、取得了什么结果。纸质实验笔记本或电子笔记本（ELN - Electronic Lab Notebook）就是这种记录的载体。人工智能极大地加快了文档编制速度：转录程序、提醒您缺失的字段、起草安全说明、对数据进行制表。但记录的真实性和诚实性属于人； AI不知道发生了什么，你必须写下发生了什么。在本单元中，我们将学习完整、诚实且可重复的人工智能文档。
良好的实验记录应该包含哪些内容？
- 目的：你想做什么，什么假设？
- 材料：每种试剂名称、来源/批号、数量（质量、摩尔、体积）、纯度。
- 程序：一步一步完成了什么；温度、时间、添加顺序。
- 观察结果：颜色变化、排气、温度升高——一切都在意料之中和意料之外。
- 结果：产率、光谱数据、纯度。
- 偏差：与计划有何不同？ （这是被跳过最多但最有价值的部分。）
- 日期、签名、情况：谁、何时、在什么设备上。
人工智能非常擅长生成这个模板并指导其填充。但只有你才知道“观察到的是什么”；人工智能无法弥补观察结果；如果确实如此，那就是科学欺诈。
注意：不要告诉人工智能“写下观察结果”。 AI 不知道它是什么；它可以产生看似合理但实际上并未发生的观察结果。 AI 格式化并提醒，您提供观察。
一步一步：使用 AI 进行文档记录
- 生成模板：向 AI 请求适合您项目的实验笔记本模板。
- 提供原始笔记：将你在实验室中保存的零散笔记提供给人工智能。
- 编辑：AI将注释放入模板中，用“？”填写缺少的字段。用 标记它。
- 你填补空白：用真实信息填补人工智能标记的空白。
- 再现性检查：“其他人可以用这个录音重复这个实验吗？”让AI检查一下。
- 版本和签名：添加日期、版本、签名；以不可更改的格式存储它。
四个可复制模板
1）制作实验笔记本模板：
任务：为有机合成实验制作实验笔记本模板。部分：目的、材料（名称、批次、摩尔/克量、纯度）、程序（步骤）、观察结果、结果（产量、表征）、计划偏差、安全说明、废物处置、日期/签名。用方括号显示每个部分下要填写的字段。
2）精简原始笔记：
以下是我在实验室中保存的松散笔记：[原始笔记]任务：将它们放入实验笔记本模板中。将缺少信息的任何字段标记为[缺失 - 填写]。完成：不要添加任何不在我的笔记中的观察结果或数字。
3）重复性检验：
下面是一个实验的录音：[录音]任务：另一位化学家能否阅读此录音并准确地重复该实验？一一列出缺失的信息（数量、温度、时间、添加顺序、纯化细节）。只显示缺失的信息；自己填写。
4）特征总结（针对文章）：
以下是化合物的表征数据（NMR、IR、MS、产率）：[数据]任务：以期刊文章的“实验部分”格式排列它们（标准符号：产率、1H NMR（溶剂、频率）：...，HRMS：...）。更改我的数据；只需格式化它。
弱提示/强提示
弱：
为这个实验写一个报告：我合成了阿司匹林。
人工智能弥补了差距：数量、观察、效率都变成了幻想；这是一个假记录。
强：
使用以下我的实际数据编辑实验记录：- 2.00 g 水杨酸、5 mL 乙酸酐、5 滴 H2SO4。- 85 °C 水浴，15 分钟。冷却时结晶。 - 将其过滤并用冷水洗涤。干品：2.15克。 mp 134-136 °C。任务：以实验笔记本格式排列；如果有缺失字段，请标记[缺失]。不要更改或添加我的数据。
区别：给出真实数据，仅人工智能格式化，禁止捏造，标记遗漏。
纸质笔记本、ELN 和人工智能驱动的工作流程
尺寸
纸质笔记本
ELN
人工智能支持
可搜索性
低
高
构建文本
恒心
物理签名
版本/时间戳
（不保留记录）
速度
慢
中等
高（格式化）
错误风险
难以辨认
复制粘贴
造假风险
最佳角色
即时观察
永久存档
监管/审计
迷你箱
案例 1——事实证明，错过偏差的代价高昂。一名学生意外地在 80 °C（而不是计划的 60 °C）下进行了反应，但没有记录下来。产品的结果出乎意料；三周后再次发生时，没有人知道温差。如果人工智能支持的账本中有“计划偏差”字段并被填写，问题就会立即显现出来。教训：记录偏差；最有价值的信息就在那里。
案例 2——捏造观察的危险。一位用户告诉人工智能“也写下报告观察结果”； YZ 写道“溶液是透明无色的”，但实际上溶液是黄色的（副产品的标志）。用户注意到并修复了它。教训：永远不要让人工智能与观察相匹配，它隐藏了关键线索。
案例 3 — 重复性审核获胜。一名研究人员向人工智能询问他的录音“其他人可以重复吗？”他让人检查了它； YZ发现添加顺序（先酸还是先酸酐）不清楚。这个细节对于效率很重要。用户已添加。教训：人工智能作为检测不足的检查器是无价的。
常见错误
- 让观察结果适合人工智能。这是科学欺诈，破坏了关键线索。
- 不记录偏差。一切与计划不同的做法都是解释结果的最重要信息。
- 写出不完整的金额。诸如“有点”、“足够”之类的短语会破坏可重复性；给出质量/摩尔/体积。
- 跳过批次/资源。试剂的批号可以追踪由杂质引起的问题。
- 之后对录音进行“美化”。事后更正/润色数据属于数据欺诈。
- 不存储原始数据。光谱文件和称重单等原始记录应存档。
提示：一个好的经验法则是：“实验笔记本应该足够详细，以便六个月后什么都不记得的局外人可以重复实验。”让人工智能用这只眼睛检查你的注册情况。
总之
- 文档是可重复性的基础；必须完整且诚实。
- 人工智能格式、召回和审计文档；但你提供了观察和事实。
- 永远不要让AI适应观察；请务必记录任何偏差。
- 用AI充当“失踪检查员”：录音可重复吗？
- 存储原始数据；事后美化记录就是伪造。
应用任务
记录你实际做过的（或详细了解的）实验的原始笔记。让人工智能生成一个实验笔记本模板，然后将你的笔记插入其中并标记任何缺失的项目（不要伪造）。然后问“其他人可以重复录音吗？”让人工智能检查它并用真实信息填补发现的空白。尝试找出至少三个遗漏/偏差。填写最终记录并注明日期和签名。
清单
- [ ] 我的实验记录包含目的、材料、过程、观察、结果、偏差。
- [ ] 我自己写下观察结果，没有让 AI 对其进行改编。
- [ ] 我记录每一次与计划的偏差。
- [ ] 我将数量写为质量/摩尔/体积、批次/来源。
- [ ] 我让人工智能检查录音的重复性。
- [ ] 我保留原始数据，后期不美化录制。