收益：
- 能够使用人工智能作为思想伙伴来锐化研究问题、生成假设和变量定义以及方法选项
- 能够从人工智能中获得定量、定性和混合设计、样本和有效性-可靠性选项，并根据其领域和道德规则对其进行评估。
- 能够理解方法决策和伦理委员会 (IRB) 的责任属于研究人员，并且人工智能提案只是一个草案。
了解文献后，就该设计自己的研究了。研究设计是从一个问题开始，并将其转变为可测量、可回答的研究的过程：明确问题、建立假设、定义变量、选择适当的设计和方法、确定样本、考虑有效性和可靠性。这是研究中对脑力要求最高的部分，而人工智能可以成为这里强大的思想伙伴——生成选项、唤起盲点、比较替代方案。但该单元的核心规则很明确：方法论决策和道德责任属于研究者； AI仅提供评估选项。
从问题到假设
一个好的研究问题是有针对性的、可回答的和原创的。实验/临床研究中的一个常见框架是 PICO：人群、干预、比较、结果。在社会科学中，问题通常被提出为变量之间的关系。人工智能可以帮助您缩小广泛的问题范围，并提出几种替代方案。
假设是将问题转化为可检验的预测；通常涉及一个方向（“X 增加 Y”）。变量是您测量的事物：自变量（您影响的）、因变量（您测量的结果）、控制变量（您保持不变的）。人工智能有助于强化假设、将变量提炼为可操作的定义（可测量的定义）以及回忆可能的混杂因素（秘密影响结果的第三个因素）。
提示：告诉AI“也给出反驳这个假设的论据。”尽早发现自己设计的弱点是很有价值的，这样你就可以现在就学习，而不是在评审过程中。
设计、样本和有效性
研究设计是如何收集和构建数据来回答您的问题。共有三大类：定量（数值数据、统计测试——实验、准实验、相关、调查）、定性（文本/观察、意义和经验——访谈、案例研究、现象学、扎根理论）和混合方法（两者的结合）。人工智能可以比较每种模式的优缺点，并讨论哪种模式更适合您的问题；但最终的选择是你的，根据你的来源、领域传统和你的问题的性质。
样本是您检查的宇宙的子集。在定量方面，样本量是通过功效分析计算的——捕获统计显着效应所需的最小样本； AI会提醒公式和假设，但你应该用软件（如GPower）确认数字。有效性（你真的测量了你测量的东西吗）和可靠性*（可以重复测量）是设计的质量保证；人工智能列出威胁，你采取预防措施。
最关键的一点是道德。任何涉及人类或动物参与者的研究都需要伦理委员会 (IRB) 批准：知情同意、保密、非恶意。人工智能可以帮助您起草道德委员会申请，但它永远不能替代批准和道德责任。 AI不能说“这个设计是合乎道德的”；这是由您所在机构的道德委员会决定的。
混合方法原理和预注册
选择混合方法时的一个重要问题是为什么以及如何组合两种数据类型。简单地说“我进行了调查和采访”并不是混合方法；设计必须有逻辑。常见的设计包括探索性顺序设计（首先定量，然后定性以加深发现）、探索性顺序设计（首先定性，然后规模开发和定量测试）以及并发嵌套设计。 AI可以根据你的问题比较这些模式，并讨论哪一种符合集成逻辑；但选择取决于您的问题的真正需要。
预注册是保证方法完整性的一个强大工具：在数据收集之前将您的假设、变量和分析计划注册到开放存储库（例如 OSF）中。这可以防止后见之明（HARKing——看到结果后做出假设）并提高研究的可信度。人工智能可以帮助您构建预注册表格草稿并发现计划中的任何歧义；然而，您录制的每一个决定都是您自己的，您有责任在录制后坚持下去。
三个迷你箱子
案例 1——缩小问题范围。一位研究生的问题是“社交媒体如何影响年轻人？”它是如此的浩瀚和不可估量。他将AI放入类似PICO的框架中；问题是“14-17岁高中生每天使用Instagram的时间和睡眠质量之间是否存在关系？”已成为。可衡量、有限且可回答的问题；人工智能帮助缩小了范围，学生做出了决定。
案例 2 — 混淆变量警告。一位研究人员假设“在线课程 → 成绩不佳”。他询问人工智能的弱点；人工智能提醒我们，社会经济地位可能是影响课程类型和成功的混杂因素。研究人员不知道这一点，但他跳过将其作为控制变量添加到他的设计中。人工智能起到提醒作用；他自己做出了方法上的决定。
案例 3——道德边界。一名学生正在设计一项关于敏感问题（药物使用）的调查，并问 YZ：“这项调查会通过伦理委员会吗？”他问道。 AI 列出了一般原则（同意、匿名、撤回权），但学生并没有以此代替同意；真正的伦理委员会提出申请，董事会要求更正两篇文章。 AI帮助起草，董事会做出决定。
可复制模板
1）缩小问题范围：
您的角色：方法论顾问。我广泛感兴趣的领域是：“[主题]”。将范围缩小到 3 个重点突出、可衡量的替代研究问题。对于每一个，指定样本、关键变量和可能的设计。这些是选项；我会决定。
2）假设和变量消歧：
我的研究问题：“[问题]”。建议我（a）一个可检验的假设，（b）独立/因变量/控制变量，（c）每个变量的操作（可测量）定义。还列出可能的混淆变量。讨论选项，决定权在我。
3）模式比较：
比较表中“[问题]”的定量、定性和混合方法设计：适合度、强度、边界、所需资源。不要肯定地说“选择这个”；给我一下优点和缺点，我会做出选择。
4) 有效性/可靠性威胁列表：
列出以下设计对内部有效性、外部有效性和可靠性的威胁，并针对每个威胁提出可能的对策。设计：[总结]。这些将是我的清单；我做决定。
弱提示/强提示
弱提示：
给我一个研究设计。
没有主题、问题、领域和限制；人工智能创建了一个常见的、无用的模板。
强力提示：
您的角色：教育科学领域经验丰富的方法学家。我的问题：“混合学习对七年级科学成绩的影响”。对于准实验设计：讨论适当的对照组策略、测量仪器类型、可能的混杂因素和内部有效性威胁作为选项。说出功率分析需要哪些信息；我将用 benG*Power 计算这个数字。需要道德批准的勾选点。
设计决策
人工智能的作用
谁的责任
缩小问题范围
产生替代品
研究人员选择
假设/变量
草稿+提醒
研究人员定义
图案选择
比较
研究人员决定
样本量
配方提醒
通过软件确认
道德认可
起草助理
仅道德委员会
常见错误
- 让AI选择模式。方法决定权属于研究者； AI 建议，你选择。
- 绕过道德委员会。 AI不能说“道德”；批准来自该机构的道德委员会。
- 忽略搅拌机。如果没有规划控制变量，则无法解释结果。
- 从 AI 获取准确的样本数量。使用适当的软件验证功率分析。
- 没有缩小问题范围。一个极其广泛的问题意味着一项无法设计的研究。
注意：人工智能建议的方法可能不是您所在领域的标准方法。将每项建议与您所在领域的方法资源（教科书、顾问、类似出版物）进行比较；人工智能是笼统的，领域约定是具体的。
总之
研究设计是一个从尖锐问题到抽样和道德的链条。人工智能是一个强大的思想伙伴，在这个链条的每个环节产生选择并提醒盲点；澄清假设，比较模式，列出威胁。但设计选择、样品确认，尤其是伦理批准的责任属于研究人员和伦理委员会。最短的经验法则：选择来自人工智能，方法和道德决定来自你。
应用任务
获得自己的研究想法。借助 AI，将问题范围缩小到 3 个重点问题并选择一个。为您选择的问题生成假设、变量和操作定义，并根据您的领域进行纠正。要求进行定量/定性/混合设计比较，并在段落中证明您选择的方案及其原因。需要道德批准的勾选点。
清单
- [ ] 我是否显着缩小了我的研究问题范围？
- [ ] 我是否通过操作定义阐明了假设和变量？
- [ ] 我是否计划了混杂变量？
- [ ] 我选择这种模式是出于我自己的原因吗？
- [ ] 我是否确定了需要伦理委员会批准的要点？