收益：
- 能够使用人工智能生成分析计划、适当的统计测试选择和 R/Python/SPSS 代码草稿并手动验证输出
- 能够接受定性数据中的主题和代码建议，连接并确认人工智能对原始数据的解释
- 能够了解原始数据共享的隐私风险、虚假统计数据和 p-hacking 的危险，并划定负责任分析的界限
收集数据后，就该理解它了。数据分析是将原始数字或文本转化为回答研究问题的结果的过程。在这个阶段，人工智能加速了三个具体任务：生成代码草案（R、Python、SPSS语法）、帮助解释统计输出以及在定性数据中提供主题/代码建议。但分析是学术界对准确性和保密性最敏感的领域。该单元的核心规则是双重的：原始数据保密，每个数值结果都经过手动验证。人工智能还可以产生虚假统计数据；未经验证的 p 值与未经验证的归因同样危险。
生成代码草稿
人工智能在将分析计划转化为工作代码方面非常强大。说“在这些变量之间进行独立样本 t 检验并检查假设”将为您提供清晰的 R 或 Python 大纲。这是一个很大的便利，特别是对于不是编程专家的研究人员来说。但有两个规则。第一：使用自己的数据在自己的环境中运行代码；请勿将原始数据上传到工具。您向 AI 描述数据结构（变量名称、类型、一些示例行 - 无 ID），它编写代码，然后您在本地计算机上执行它。第二：阅读并理解代码；盲目复制将无声错误（错误的变量、错误的测试）转移到报告中而不引起注意。
选择统计检验是一个关键的决定：数据类型（连续/分类）、组数、分布假设决定检验。就像决策树一样，AI 会说“在这种情况下，以下测试可能是合适的”并解释其推理；这是有启发性的。但您通过检查自己的数据假设来确认选择。错误的测试会产生看似有效但毫无意义的结果。
注意：当被要求输入一个数字（“这个样本的平均值是多少”）时，人工智能可能会在不进行任何实际计算的情况下编造一个看起来合理的数字。永远不要让AI“计算”数据摘要并使用结果；统计软件进行数学计算，人工智能只是生成代码和解释。
统计解释和定性编码
一旦您的软件产生输出（例如 t(48) = 2.31，p = .025），AI 就会帮助您用简单的语言解释它：它的含义、效应大小的重要性、如何报告（以 APA 格式）。您可以通过查看自己的输出来验证此解释；你将输出提供给人工智能，它会解释它，你知道这个数字实际上来自你的分析。
在定性分析中，人工智能可以从采访记录中提取可能的代码（重复出现的意义单位）和主题。这作为归纳编码的起点很有价值；人工智能可能会建议您错过的模式。但定性分析的核心是研究人员的深入阅读；您将人工智能建议的每个代码链接回原始数据（实际引用），检查其上下文，并使用您自己的解释框架对其进行过滤。人工智能不会“解释”定性数据，它会提出模式；你创造了意义。
p-hacking（以不同方式操纵数据，直到获得有意义的结果）是严重违反道德的行为。让人工智能说“尝试不同的测试，直到找到有意义的结果”正是如此，并且是被禁止的。在查看数据之前确定您的分析计划（如果可能的话，进行预先注册）并使用人工智能来执行该计划，而不是“寻找”结果。
再现性和代码文档
在现代学术界，可重复性变得越来越重要：另一位研究人员利用您的数据和代码得出相同结论的能力。人工智能在这里是一个双向助手。首先，您可以要求它用注释行记录它生成的代码；解释每个步骤的作用的代码可以让您在六个月后更容易理解并让审核员更容易遵循。其次，人工智能推动您的分析基于脚本，而不是随机手动点击（例如在 SPSS 菜单中）；该脚本是您分析的完整记录，只需单击一下即可重复。这消除了“我在什么设置下得到这个结果？”的不确定性。
可重复性的一部分是将原始数据和处理后的数据分开：你永远不会用手接触原始数据，你在代码中完成所有转换（清理、编码、排除）。这样，当你发现错误时，你可以回到开头再次运行。人工智能可以提出一个工作流程框架来保留这种区别；但诸如哪些参与者被排除以及为什么被排除等决定是您必须做出并记录的科学判断。
三个迷你箱子
案例1——代码加速，手动验证。一位研究人员不知道如何在 R 中进行重复测量方差分析。他向人工智能描述了数据结构（匿名），拿走了代码草案并在自己的机器上运行。他还在 SPSS 中重复了输出；两个结果一致。代码是正确的，但研究人员只有在使用第二个工具验证它时才感到有信心。
案例 2 — 捏造的汇总统计数据。一名学生将数据表粘贴到AI中并说“计算平均值和标准差”。人工智能返回的数字看起来很合理；当学生在软件中检查时，他发现有几个平均值是错误的。 AI实际上并没有算表，而是猜测出来的。教训：软件会进行计算，你不会从人工智能那里得到结果。
案例 3 — 定性代码建议。一位社会科学家自我编码了 30 次采访，然后向人工智能提供了一个匿名子集并询问“出现了哪些其他主题”。 AI提出了一个“机构信任”的主题，他没有单独考虑。研究人员返回原始引文，发现该主题确实得到支持，并将其添加到她的分析中。人工智能增加了视角；研究者做出了决定并进行了验证。
可复制模板
1）测试选型咨询：
产量：[因变量类型]、[组数]、[独立/配对]、[我对分布的了解]。我的问题：各组之间有区别吗？列出可能合适的统计测试及其理由，并写下每个测试的假设。我做出选择。
2）代码草案（无ID）：
我正在使用 R。我的数据框具有以下列：[列名称和类型，例如未识别的 2 行]。编写带有解释的代码，执行独立样本 t 检验并检查假设（正态性、方差同质性）。我将在我自己的机器上运行代码。
3）输出解释（APA）：
我的统计软件产生以下输出：[粘贴输出]。如何以 APA 7 格式报告此结果？用通俗易懂的语言解释效应大小及其实际意义。从我的输出中获取数字，不要产生新的数字。
4）定性主题建议（匿名）：
以下是匿名采访摘录。归纳建议可能的代码和主题候选者；显示每个候选人所基于的报价。这些是建议；我将从原始数据中验证它。引用：[匿名文字]
弱提示/强提示
弱提示：
分析这些数据并告诉我结果。 [粘贴表格]
AI补算；此外，原始数据输出到开放工具。双重风险。
强力提示：
我正在使用Python（pandas + scipy）。我的数据框：[未识别的列定义]。我想比较两组。编写解释代码：(1) 检查假设，(2) 应用适当的测试，(3) 计算效应大小。我将用我自己的数据运行它并报告结果。您不必凑数；只需给出代码和注释即可。
商业
人工智能确实
你做的
测试选择
选项+理由
假设检验、决策
分析代码
代码草案
本地运行和读取
数值计算
不应该
用软件计算
输出注释
通俗易懂的语言大纲
用自己的打印输出确认
定性编码
主题候选人
使用原始数据进行验证
常见错误
- 将原始/识别数据上传到开放工具。侵犯参与者的隐私；最严重的错误。
- 让人工智能计算数字。产生虚构的统计数据；软件会进行计算。
- 运行代码而不阅读它。无声错误泄漏到报告中。
- p-黑客攻击。试图通过测试寻找有意义的结果是违反道德的行为。
- 将定性解释留给人工智能。研究者构建意义；人工智能仅提供模式建议。
提示：以书面形式保留您使用的每个测试的分析计划和理由。这既可以防止 p-hacking，又可以在编写方法部分时提供现成的记录。
总之
人工智能通过代码起草、测试选择咨询、输出解释和定性主题建议极大地加速了数据分析。但分析是该学院最敏感的准确性领域：原始数据保密，计算在软件中完成，每个数值结果都经过手工验证，定性解释与原始数据挂钩，并避免 p-hacking。最短规则：代码和解释来自AI，计算和决策来自你。
应用任务
匿名描述您自己（或样本）数据的结构，并向 AI 请求适当的测试建议和带注释的分析代码。阅读代码并用一句话写下每一行的作用。运行代码并获取输出，如果可能的话，以第二种方式（手动或其他工具）验证至少一个结果。如果您进行定性工作，请向一组匿名报价建议一个主题，并将它们与原始数据进行比较。
清单
- [ ] 我是否没有将原始/识别数据加载到任何打开的工具中？
- [ ] 我是否通过检查假设来确认测试选择？
- [ ] 我是否已阅读并理解代码并在本地运行它？
- [ ] 我是否验证了每个数值结果软件/辅助软件？
- [ ] 我是否将定性主题与原始引言联系起来？