收益：
- 能够编写总结长学术文本、提取关键发现和方法以及创建比较文献矩阵的提示。
- 能够生成一份综合共同主题下的多个来源的草稿，并通过自己的批判性阅读来加深它
- 研究人员有责任了解摘要输出中存在扭曲、过度简化和捏造的风险，并通过返回原始文本进行验证。
找到来源后，就该阅读和理解它们了。一名研究人员每年阅读数百篇文章；提取每一个的目的、方法、发现和局限性是很累人和耗时的。这就是人工智能作为阅读助手的用武之地：总结长文本、概述文章、将多个来源编译成比较表。但本单元的核心警告是：人工智能摘要是一种便利，而不是来源本身的替代品。摘要中始终存在扭曲、过于简单化和缺乏发现的风险；您可以通过返回原始文本来验证包含发现、数字和主张的每个句子。
在本单元中，我们将学习如何总结一篇文章、批判性阅读、综合多个来源以及构建文献矩阵。
摘要和综合之间的区别
摘要浓缩了单一来源：做了什么、如何做、发现了什么。综合将多个来源组合成主题：“这三项研究支持X，但这两项发现相反；区别可能是由于抽样差异造成的。”学术写作的价值在于综合；摘要只是原材料。人工智能生成摘要的速度非常快，还可以起草一份综合报告，但综合报告的准确性完全取决于对实际结果的准确解读——而这正是人工智能可能出错的地方。
一篇好的文章阅读会提取以下要素：研究问题/目的、方法（设计、样本、测量）、主要发现（方向和幅度）、作者的解释、局限性以及与您的研究的联系。如果你给人工智能一个结构化的提示，要求输入这些确切的标题，你将得到一个可用的署名卡，而不是一个随机的段落。这种结构化格式是一种通用语言，可以使您阅读的数十篇文章具有可比性；当您保存具有相同标题的每篇文章时，您可以记住哪项研究在几个月后说了什么，而无需重新阅读。
注意：当告诉人工智能“总结这篇文章”时，请确保提供文章的全文。如果你只给出标题，人工智能就会“猜测”内容，并可能弥补文章中没有的发现。如果没有文字，就没有摘要。
批判性阅读：超越摘要
批判性阅读超越了“发现了什么”的问题，而是问“我对这一发现有多少信心？”这就是被动阅读文章和用专家的眼光评估文章的区别，也是人工智能最薄弱的领域；因为人工智能总结了文本内容，但对于该主张的证据有多可靠并没有领域内的直觉。样本是否充足？测量有效吗？结果是因果关系还是仅仅是关联？作者的推论是否超出了他的数据？ AI可以生成这些问题作为提醒，并列出文章可能的弱点；但最终的批判性判断是你的，因为你知道你所在领域的标准和该工作的背景。
文献矩阵是一个表格，将您阅读的来源放在行中，将您检查的维度放在列中（作者年份、目的、方法、样本、发现、边界、我的笔记）。该矩阵既有助于综合，又显示了写作时哪个来源适合哪里。人工智能根据您提供的摘要快速生成这样一个矩阵的草稿；您用原始文本验证每个单元格并自己编写“我的笔记”栏。
带注释的参考书目和过度依赖的陷阱
与矩阵相关的是带注释的参考书目：在每个来源的来源下，你写一个 3-5 句话的评估——它的作用、它的强度如何、它如何与你的工作联系起来。 AI可以从摘要中生成这个说明性段落的草稿，但最后一句“这与我的工作有何联系”完全是你的原创想法； AI不知道你研究的内在逻辑。这个习惯可以让你记住为什么在以后的写作中引用每个来源。
这里的一个隐藏危险是过度依赖的陷阱：人工智能摘要是如此流动，以至于随着时间的推移，人们最终只能使用摘要而不打开实际的文章。然而，科学深度隐藏在人工智能挤出的细节中（方法的精细条件、结果的局限性、作者的保留）。一定要自己完整地阅读一篇批评著作——尤其是你的论点所依据的主要来源。 AI简介就像一张地图；它并不是探索地形的替代品，它只是向您展示该去哪里寻找。
三个迷你箱子
案例 1 — 扭曲的发现。一位研究人员用人工智能总结了 8 篇文章。其一，总结称“干预显着提高了动机”。研究人员查看了实际文本：研究实际上说“没有发现显着差异”； AI改变了方向。如果这个错误没有得到纠正，整个综合就会基于错误的证据。教训：每个发现的句子都从文本中得到证实。
情况 2 — 矩阵加速。一名博士生花了几周时间尝试手动比较 25 篇文章。他将自己对每篇文章的结构化摘要提供给 YZ，并让他制作一份矩阵草稿；支柱变得一致，主题变得清晰可见。他填写了“我的笔记”和“我的研究链接”栏。工作时间从三周缩短到几天，而且更加稳定。
案例 3——过于简单化。一名研究生让人工智能总结了一篇复杂的理论论文；摘要正确地解释了这个概念，但太浅薄，并且错过了一个重要的限制。学生以摘要为“地图”，自己阅读文章；找到省略的约束并在讨论部分使用它。人工智能让阅读变得更快，但它并没有取代阅读。
可复制模板
1）结构化单篇摘要：
用以下标题总结以下文章文本：- 研究问题/目的- 方法（设计、样本、测量）- 主要发现（方向和大小）- 作者的解释- 边界仅使用文本中所写的内容；如果缺少，请写“文中未说明”。结果失败了。文本：[粘贴全文]
2）文献矩阵草案：
以下是 6 篇文章的结构化摘要。将它们转换为文献矩阵：行=研究，列=[作者年份，目的，方法，样本，主要发现，边界]。为“我的成绩”保留一个空白栏。仅使用我提供的摘要中的信息。总结：[粘贴]
3）批判性阅读清单：
为以下文章生成一份批判性阅读问题列表：样本充分性、测量有效性、内部/外部有效性、因果关系断言以及作者从数据中的推断。让这些成为我用来评估文本的问题。文字：[粘贴]
4）专题综合大纲：
综合 3-4 个常见主题下的以下 6 项研究的摘要。在每个主题中，指出哪些研究是一致的，哪些是冲突的，以及可能的原因。这是草案；我将核实每项声明的原件。总结：[粘贴]
弱提示/强提示
弱提示：
这篇文章说了什么？ [标题]
只因为给出了标题，AI就编出了内容；总结是虚构的。
强力提示：
我将文章全文粘贴在下面。用以下标题进行总结：目的、方法、样本、主要发现（方向+大小）、限制。仅使用文本中的信息；未找到的地方写“未指定”。在最后添加“需要验证的数值声明”列表。[全文]
任务
人工智能的贡献
您的验证
单篇文章摘要
快速结构化草稿
确认文本中的发现/数字
文献矩阵
一致的桌子骨架
每个单元格+您自己的注释
批判性阅读问题
提醒清单
判断与评价
专题综合
草稿合并
验证文本中的矛盾
常见错误
- 要求提供带有标题的摘要。没有文字的总结会产生捏造的结果。
- 综合发现结果而不进行验证。一篇歪曲事实的总结就会瓦解整个论点。
- 使用摘要作为引文。来源为原文；是你的总结笔记。
- 将批判性阅读委托给人工智能。最终的科学判断是你的。
- 依赖于过于简单化的总结。可以绕过关键限制；自己阅读复杂的文本。
提示：在每个摘要的最后，向 AI 询问“需要验证的数值断言”列表。此列表让您准备好将哪些句子与原始文本进行比较并加快验证速度。
总之
人工智能极大地加快了阅读和总结的速度：生成结构化摘要、文献矩阵、综合大纲和批判性阅读问题。但摘要并不能取代来源；每个数字和声明均根据原始文本进行验证，以避免扭曲和伪造结果的风险。综合和批判性判断的责任仍然由你承担。最短的经验法则：AI 总结，你验证综合。
应用任务
从您自己的项目中选择 4 篇文章。对每个全文运行上面的“结构化摘要”提示。然后制作一份文献矩阵草稿，并自己填写“我的成绩”栏。将每个摘要中至少一个发现句子与正文进行比较，并检查其是否正确；如果发现失真，请记下它。
清单
- [ ] 我是否为摘要提供了文章全文？
- [ ] 我是否验证了原文中的每项发现和数字？
- [ ] 我是否已将自己的注释添加到文献矩阵中？
- [ ] 我是否根据自己的判断回答了批判性阅读问题？
- [ ] 我是否将综合中的每项声明都归于来源？