跳至內容

「Research:研究文章AI輔助撰寫方式」：修訂間差異

出自江振維的課程知識庫
← 較舊編輯較新編輯 →
Skipclass​（留言 | 貢獻）
行政員、​介面管理員、​管理員
993筆編輯
視覺化wikitext
Skipclass​（留言 | 貢獻）
行政員、​介面管理員、​管理員
993筆編輯
無編輯摘要
Skipclass​（留言 | 貢獻）
行政員、​介面管理員、​管理員
993筆編輯
無編輯摘要
第1行： 第1行：
= 與 AI 共舞：人機協作學術寫作標準化流程 (SOP) =
= AI 協作學術研究與寫作實戰手冊 =


== 導論：從「代筆」到「思考外骨骼」 ==
{{InfoBox
隨著生成式 AI 的普及，學術界正面臨一場典範轉移。過去，研究者將大量時間花在文字堆砌與格式調整上；如今，AI 能極大化地壓縮這些低認知負荷的工作。然而，這並不代表研究者可以「外包大腦」。
| title = 🚨 核心原則：人機協作協議
| content =  
* '''認知夥伴 (Cognitive Partner)'''：AI 是你的資深研究助理，不是代筆槍手。
* '''主導權在人'''：問題定義、價值判斷、邏輯架構由你決定。
* '''執行力在 AI'''：文獻掃描、草稿擴寫、語法潤飾由 AI 輔助。
* '''零信任原則'''：AI 生成的每一條引用文獻與數據，都必須經過人工查核 (DOI Verification)。
}}


本方法論主張 **AI 應被視為研究者的「思考外骨骼」**——它能強化產出效率，但核心的行走方向（選題）、平衡控制（邏輯）與安全導航（價值判斷），仍須由人類全權負責。
== 1. 第一階段：選題與問題意識 (Ideation) ==
研究的起點往往是最難的。新手常犯的錯誤是直接用口語問 AI「我可以做什麼題目」，這只會得到平庸的答案。
在此階段，我們引入 **JSON 結構化提示** 的概念。


本頁面提供一套經過實踐驗證的**「14 步驟人機協作 SOP」**，並引入**JSON 結構化指令**技術，旨在解決學術寫作中「效率」與「嚴謹」難以兼得的兩難。
=== 1.1 為什麼要用 JSON 設定角色？ ===
大型語言模型 (LLM) 本質上是機率預測機器。如果你給它的指令越模糊，它的預測就越發散。
使用 JSON 格式可以將你的提示語變成「程式碼變數」，強制 AI 遵守以下邏輯：
* '''Role (角色)'''：鎖定知識領域，避免 AI 產生幻覺。
* '''Task (任務)'''：拆解步驟，確保邏輯鏈條完整。
* '''Constraints (限制)'''：設定負面約束（例如「不要給空泛建議」）。


== 核心技術解密：為何採用 JSON 結構化指令？ ==
=== 1.2 實戰：定義你的 AI 導師 ===
在進入 SOP 之前，必須先確立一套高效的溝通語言。本 SOP 採用 **JSON (JavaScript Object Notation)** 格式取代傳統的 Markdown 或自然語言來對 AI 下達指令。
請參考以下結構，試著根據你的研究興趣，撰寫你專屬的 JSON Persona，貼給 AI 讓它進入狀態：


此策略基於以下三個技術優勢：
=== 1. 觸發 AI 的「程式邏輯模式」 (Code Mode) ===
* '''Markdown/自然語言'''：對 AI 而言屬於「文本生成」模式。AI 容易傾向於預測下一個字（Next Token Prediction），導致內容發散或隨性創作。
* '''JSON 格式'''：屬於「資料結構」模式。當 AI 接收到 <code lang="json">{ "key": "value" }</code> 的語法時，會類似切換至「編譯器狀態」。這能強迫 AI 遵守嚴格的邏輯邊界，顯著降低「幻覺」（Hallucination）的發生率。
=== 2. 消除語意歧義 (Ambiguity Reduction) ===
學術指令必須精確。JSON 透過「鍵值對」（Key-Value Pair）將指令參數化，消除模糊地帶。
{| class="wikitable"
|-
! 比較維度 !! Markdown / 自然語言指令 !! JSON 結構化指令
|-
| '''AI 認知模式''' || 文書處理模式 (Text Generation) || '''程式邏輯模式 (Logic Processing)'''
|-
| '''指令清晰度''' || 容易產生語意模糊（如：「請寫專業一點」） || '''結構化、參數化'''（如："tone": "Academic"）
|-
| '''適合場景''' || 簡單信件、大綱生成 || '''學術寫作、SOP 執行、複雜邏輯任務'''
|-
| '''抗幻覺能力''' || 普通 || '''較高''' (結構限制了發散空間)
|}
=== 3. 支援「模組化」迭代 (Modular Iteration) ===
JSON 允許將論文拆解為多個封包（Packets），分次發送。若某一段落不滿意，研究者只需調整 JSON 中的特定參數（如將 <code>"creativity": "high"</code> 改為 <code>"low"</code>），即可快速迭代，無需重寫冗長的文字指令。
== 標準化作業流程 (The 14-Step SOP) ==
本流程核心邏輯為**「發散由 AI，收斂由人；產出由 AI，查核由人」**。
=== 階段一：前置規劃與架構設定 (Preparation) ===
''目標：在 AI 開始動工前，先由人類畫好藍圖，確保 AI 知道「遊戲規則」。''
==== 1. 確認研究主題 (Human) ====
* 由研究者確立核心問題、變項與範疇。這是靈魂所在，不可假手他人。
==== 2. 規範與格式檢索 (AI) ====
* 利用 AI 快速搜尋目標期刊或研討會的最新格式要求（Format），包含審查重點與評分標準。
* '''JSON 指令範例：'''
<pre>
<pre>
// 這是給學生的範本，請修改引號內的內容
{
{
   "task": "format_research",
   "role_definition": {
  "target": "Teaching Practice Research Program (MOE)",
    "role": "請填入角色 (如：資深環境社會學教授)",
   "requirements": ["Evaluation Criteria", "Citation style", "Section structure", "Blind review rules"]
    "style": "請填入風格 (如：蘇格拉底式詰問、批判性、引用實證)",
    "objective": "協助我找出 [你的領域] 中的研究缺口"
  },
   "task_instructions": {
    "step_1": "分析該領域近 5 年的三大新興趨勢。",
    "step_2": "找出 2 個長期未解的學術爭議或矛盾點。",
    "step_3": "結合我的在地觀察 [填入你的觀察]，建議 3 個具體的研究切入點。"
  },
  "constraints": [
    "禁止給出教科書式的籠統建議",
    "每一個建議都必須說明其理論貢獻潛力"
  ]
}
}
</pre>
</pre>


==== 3. 生成內容架構 (AI) ====
=== 1.3 變項操作化與假設挑戰 ===
* 請 AI 根據主題建議章節安排與大綱。
當 AI 給出建議後，不要照單全收。要求 AI 進行「反事實思考 (Counterfactual Thinking)」。
* '''JSON 指令範例：'''
* '''指令'''：「針對我的假設『X 正向影響 Y』，請提出三個**競爭假設 (Competing Hypotheses)**。」
<pre>
 
{
== 2. 第二階段：文獻探勘與矩陣建構 (Discovery) ==
  "task": "generate_outline",
告別傳統「逐篇閱讀」的流水帳模式。我們要建立的是「文獻綜述矩陣 (Synthesis Matrix)」。
  "topic": "[Your Research Topic]",
  "constraints": {
    "structure": "IMRAD",
    "depth": "Detailed with subsections"
  }
}
</pre>


==== 4. 設定 AI 角色 (Persona) ====
=== 2.1 視覺化你的研究路徑 (DOT Visualization) ===
* 明確定義 AI 的身份與審視標準。
在這個階段，你可能會使用多個工具 (ResearchRabbit, Elicit 等)。為了不迷失方向，你可以要求 AI '''「幫我畫出目前的研究工具工作流」'''。
* '''JSON 指令範例：'''
<pre>
{
  "system_setting": {
    "role": "Senior Researcher & Reviewer",
    "field": "Design Thinking & HCI",
    "tone": "Academic, Critical, Objective",
    "instruction": "Critique logical flaws before drafting."
  }
}
</pre>


=== 階段二：分段撰寫與初稿建構 (Drafting) ===
你可以將 AI 產出的 DOT 代碼貼到 [http://viz-js.com/ 線上 Graphviz 檢視器] 查看圖表。
''目標：採取「分段擊破」策略，利用 JSON 封包分次執行，避免一次生成長文導致的邏輯斷裂。''


==== 5. 擬定段落重點 (Human) ====
* '''指令'''：「請用 Graphviz DOT 語言，畫出我從種子論文到建立矩陣的流程圖。」
* 人類先寫出該段落的 Bullet points，這是給 AI 的導航點。
* '''AI 產出範例''' (學生可複製此代碼進行測試)：


==== 6. AI 分段撰寫 (AI) ====
* '''模組化執行'''：不要一次生成全文，每次只傳送一個段落的任務封包。
* '''JSON 指令範例：'''
<pre>
<pre>
{
digraph ResearchWorkflow {
   "command": "write_paragraph",
   rankdir=LR;
   "section": "Literature Review",
  node [shape=box, style="filled,rounded", fillcolor="#f9f9f9", fontname="Helvetica"];
   "focus_point": "The limitation of current GenAI tools in design education",
   edge [color="#666666"];
   "key_arguments": [
 
    "High quantity but low variety",
  Seed [label="種子論文\n(Seed Papers)", fillcolor="#e1f5fe"];
    "Students' over-reliance reduces critical thinking"
   Rabbit [label="ResearchRabbit\n(擴展引文網絡)", fillcolor="#fff9c4"];
  ],
   Elicit [label="Elicit\n(提取變項數據)", fillcolor="#fff9c4"];
   "constraints": {
   Matrix [label="綜合矩陣\n(Synthesis Matrix)", fillcolor="#dcedc8", shape="note"];
    "min_words": 200,
 
    "max_words": 300,
  Seed -> Rabbit [label="發現 Seminal Works"];
    "citation_placeholder": "[Citation Needed]"
  Rabbit -> Elicit [label="輸入選定文獻"];
   }
   Elicit -> Matrix [label="比較異同"];
}
}
</pre>
</pre>


==== 7. 內容方向審查 (Human) ====
=== 2.2 從摘要到矩陣 (Matrix Extraction) ===
* '''[關鍵節點]''' 確保 AI 產出的內容沒有偏離預期，邏輯線條清晰。唯有確認無誤，才可進入下一段。
使用長文本 AI (如 Claude 3, GPT-4o) 進行分析時，請明確要求產出表格：
* '''指令'''：「請建立綜合矩陣，包含欄位：理論框架、方法論、主要發現、研究限制。並分析文獻間的『矛盾點』。」


==== 8. 全文串聯 (AI) ====
== 3. 第三階段：深度閱讀 (Deep Reading) ==
* 當各段落完成後，由 AI 進行全文的連接詞修飾與邏輯串接。
面對艱澀論文，AI 的角色是 '''共同思考者 (Co-Thinker)'''。
使用 ChatPDF 或 Scispace 時，請善用「透鏡指令」：
* '''/DEEP [概念]'''：挖掘概念定義。
* '''/CHALLENGE'''：尋找邏輯漏洞。
* '''/VOICES'''：辨識學術流派對話。


=== 階段三：文獻查核與方法論對接 (Verification & Methodology) ===
== 4. 第四階段：寫作與擴寫 (Drafting) ==
''目標：這是全流程最關鍵的「品質防火牆」，專門對抗 AI 幻覺。''
寫作最忌諱「邊想邊寫」。請採用'''「骨架—肌肉」寫作法'''。


==== 9. ⚠️ 引用文獻真實性查核 (Human - Critical) ====
=== 4.1 使用 JSON 鎖定學術風格 ===
* '''紅線原則'''：AI 填入的每一篇文獻，研究者都必須'''親自下載原始論文'''確認其存在，並核對內容是否支持論點。絕不可信任 AI 生成的引用。
在讓 AI 擴寫你的子彈筆記之前，你必須先「調校」它的寫作口吻。否則 AI 容易寫出充滿 "Delve into" 或 "Tapestry" 的機器味文章。


==== 10. 依據真實文獻重寫 (AI) ====
請參考此 JSON 結構來設定你的寫作助手：
* 確認文獻無誤後，將正確摘要餵回給 AI，要求它依據真實內容重寫引文段落。
* '''JSON 指令範例：'''
<pre>
<pre>
// 在開始寫作前，先貼上這段設定
{
{
   "task": "rewrite_citation",
   "writer_profile": {
  "source_material": "[Paste real abstract here]",
    "role": "學術論文寫作助手",
   "instruction": "Rewrite the paragraph based ONLY on the provided source material. Do not hallucinate."
    "target_audience": "期刊審稿人 (Journal Reviewers)",
    "tone": ["客觀 (Objective)", "分析性 (Analytical)", "精簡 (Concise)"]
  },
   "formatting_rules": {
    "sentence_structure": "長短句交替，使用轉折詞 (e.g., Conversely, Furthermore) 增強連貫性。",
    "citations": "嚴格保留我輸入的引用標記 (Smith, 2023)，不可刪改。"
  },
  "negative_constraints": [
    "禁止使用情緒化形容詞",
    "禁止自行捏造數據或文獻"
  ]
}
}
</pre>
</pre>


==== 11. 方法論撰寫 (AI) ====
=== 4.2 論證結構視覺化 (Argument Mapping) ===
* 撰寫方法論章節，確保能回應「研究問題」並填補「文獻缺口」。
寫作中途，如果你覺得邏輯卡卡的，可以要求 AI：'''「請將我這段論證轉化為 DOT 樹狀圖，幫我檢查證據是否充足。」'''


==== 12. 方法論與新文獻二查 (Human) ====
* '''自我檢核技巧'''：將 AI 產出的代碼視覺化後，觀察是否有「理由」下面沒有掛著「證據 (引用/數據)」，那就是你需要補強的地方。
* 再次人工審查方法步驟的合理性，以及此階段新增文獻的真實性。
* '''DOT 代碼範例'''：


=== 階段四：潤飾、校對與定稿 (Refinement & Finalization) ===
''目標：去除「AI 味」，注入研究者的個人風格。''
==== 13. 風格潤飾 (Human + AI) ====
* 進行語句通順度的調整，更重要的是加入研究者的獨特見解與語氣。
* '''JSON 指令範例：'''
<pre>
<pre>
{
digraph ArgumentMap {
   "command": "polish_text",
   rankdir=TB;
  "input_text": "[Paste Draft]",
  node [shape=box, style=filled, fontname="Helvetica"];
   "style_guide": {
 
    "avoid": ["Overused connectors (e.g., Furthermore)", "Passive voice"],
  // 這是用來檢查邏輯斷層的圖
    "emphasize": ["Active verbs", "Concise arguments"]
  Claim [label="核心主張 (Main Claim)", fillcolor="#ffccbc"];
   }
   Reason1 [label="理由 1", fillcolor="#e1f5fe"];
  Reason2 [label="理由 2 (缺乏證據?)", fillcolor="#ffcdd2"];
  Ev1 [label="證據 (引用文獻)", fillcolor="#f5f5f5"];
 
  Claim -> Reason1;
  Claim -> Reason2;
   Reason1 -> Ev1;
}
}
</pre>
</pre>


==== 14. 引用元數據終檢 (AI) ====
== 5. 第五階段：潤飾與防護 (Polishing & Safety) ==
* 要求 AI 最後檢查一次所有參考文獻的格式（DOI、作者名、年份），確保符合 APA/IEEE 等規範。


== 實戰演練：從規則到產出的真實協作路徑 ==
=== 5.1 風格清洗：建立禁語清單 ===
為了讓讀者更具體理解上述 SOP 如何運作，本段落還原了一次真實的「教學實踐研究計畫」撰寫歷程。此案例不涉及具體研究內容，而是展示操作者（User）如何透過「結構化邏輯」引導 AI 完成任務。
AI 寫作有特定的「慣用詞 (Hallmarks)」。在潤飾提示語中，請加入 '''Negative Constraints (負面約束)'''。
* '''指令'''：「潤飾此段落，嚴格禁止使用：delve, tapestry, landscape, meticulous, plethora, game-changer。」


=== 5.2 提交前：自我檢核清單 (Checklist) ===
{| class="wikitable"
{| class="wikitable"
! 檢核項目 !! 說明
|-
|-
! 階段 !! 操作者行為 (User Action) !! AI 任務 (System Task) !! 核心操作邏輯解析
| ☑️ '''存在性檢查''' || 我是否已確認每一篇引用文獻都有 DOI？(防止 AI 瞎掰)
|-
|-
| '''1. 規則檢索''' || 要求 AI 查詢特定計畫的「審查重點」、「評分標準」與「三級三審」機制。 || '''外部知識獲取'''：聯網搜尋官方文件，確認遊戲規則。 || '''先確認「戰場規則」，而非急著寫作。'''確保後續所有產出都符合評審口味與官方格式。
| ☑️ '''內容一致性''' || 我是否親自閱讀過原文，確認 AI 引用的結論正確？
|-
|-
| '''2. 架構定義''' || 要求 AI 整理該計畫書的標準章節結構，並產出空白的大綱模板。 || '''結構化與正規化'''：建立符合官方要求的骨架。 || '''讓 AI 知道「容器」長什麼樣子'''，避免產出格式不符的內容。
| ☑️ '''透明揭露''' || 我是否在方法論中說明使用了哪些 AI 工具？
|-
| '''3. 核心注入 (JSON)''' || '''(關鍵步驟)''' 操作者不直接寫文章，而是將研究主題、執行機構、核心變項等資訊，整理成一個大型的 '''JSON 物件''' 餵給 AI。 || '''資料解析'''：讀取 JSON 中的 Key-Value，鎖定研究範圍。 || '''數據與文字分離'''。使用 JSON 強制 AI 理解研究的「參數」，而非讓 AI 瞎猜內容。
|-
| '''4. 方法論展開''' || 針對特定的實驗環節（如：學生黑客松流程），要求 AI 結合特定理論（如：設計思考）進行詳細步驟的設計。 || '''邏輯推演'''：將抽象理論轉化為具體執行步驟。 || '''從「大綱」進入「細節」'''。針對單一章節進行深度迭代，而非試圖一次生成全文。
|-
| '''5. 跨領域諮詢''' || 詢問 AI 關於跨領域（如：認知心理學、統計分析）的專業建議，評估可行性。 || '''知識圖譜連結'''：提供跨領域的關鍵字建議。 || '''將 AI 作為「顧問」而非「寫手」'''，利用其廣博知識補足研究者盲區。
|-
| '''6. 格式化輸出''' || 要求 AI 將最終內容整理為符合官方要求的特定格式，並進行潤飾。 || '''最終封裝'''：產出可用的文本初稿。 || '''最後才處理修辭'''。確保核心邏輯優先於文字優美度。
|}
|}
== 進階技巧：使用 DOT Code 進行視覺化 (Visualization) ==
對於複雜的研究架構或實驗流程，使用文字描述往往不夠直觀。我們可以要求 AI 將文字邏輯轉化為 **DOT Code (Graphviz)** 或 **Mermaid** 語法，直接在 Wiki 上生成流程圖。
* '''優勢'''：無需手繪，隨時可透過修改 Code 調整圖表結構。
* '''JSON 指令範例：'''
<pre>
{
  "task": "visualize_process",
  "input_text": "[Paste your methodology steps here]",
  "output_format": "DOT code (Graphviz)",
  "layout_direction": "Top-Down (TB)",
  "instruction": "Create a flowchart showing the relationship between variables and experiment stages."
}
</pre>
== 關鍵反思：駕馭 AI 的新能力 ==
這套 SOP 的價值，不僅在於「寫得快」，更在於它重新定義了研究者的能力需求：
# '''從「寫作力」轉向「鑑賞力」'''：過去我們需要花 80% 的力氣寫作；現在我們必須花 80% 的力氣在'''「審核」與「判斷」'''。如果你看不出 AI 寫得好不好，你就無法使用這套系統。
# '''嚴守「學術倫理紅線」'''：SOP 中的第 9 步驟（文獻查核）是絕對不可省略的底線。'''真實性查核是人類研究者最後、也是最重要的防線。'''
# '''Prompt Engineering 即研究力'''：能精準設定 JSON 參數的人，才能得到高品質的產出。這意味著研究者必須對自己的領域知識有更深刻的結構化理解。
[[Category:學術研究]]
[[Category:AI應用]]
[[Category:SOP]]
[[Category:人機協作]]

於 2025年11月19日 (三) 01:30 的修訂

AI 協作學術研究與寫作實戰手冊

模板:InfoBox

1. 第一階段：選題與問題意識 (Ideation)

研究的起點往往是最難的。新手常犯的錯誤是直接用口語問 AI「我可以做什麼題目」，這只會得到平庸的答案。 在此階段，我們引入 **JSON 結構化提示** 的概念。

1.1 為什麼要用 JSON 設定角色？

大型語言模型 (LLM) 本質上是機率預測機器。如果你給它的指令越模糊，它的預測就越發散。 使用 JSON 格式可以將你的提示語變成「程式碼變數」，強制 AI 遵守以下邏輯：

  • Role (角色)：鎖定知識領域，避免 AI 產生幻覺。
  • Task (任務)：拆解步驟，確保邏輯鏈條完整。
  • Constraints (限制)：設定負面約束（例如「不要給空泛建議」）。

1.2 實戰：定義你的 AI 導師

請參考以下結構，試著根據你的研究興趣，撰寫你專屬的 JSON Persona，貼給 AI 讓它進入狀態： 

// 這是給學生的範本，請修改引號內的內容
{
  "role_definition": {
    "role": "請填入角色 (如：資深環境社會學教授)",
    "style": "請填入風格 (如：蘇格拉底式詰問、批判性、引用實證)",
    "objective": "協助我找出 [你的領域] 中的研究缺口"
  },
  "task_instructions": {
    "step_1": "分析該領域近 5 年的三大新興趨勢。",
    "step_2": "找出 2 個長期未解的學術爭議或矛盾點。",
    "step_3": "結合我的在地觀察 [填入你的觀察]，建議 3 個具體的研究切入點。"
  },
  "constraints": [
    "禁止給出教科書式的籠統建議",
    "每一個建議都必須說明其理論貢獻潛力"
  ]
}

1.3 變項操作化與假設挑戰

當 AI 給出建議後，不要照單全收。要求 AI 進行「反事實思考 (Counterfactual Thinking)」。

  • 指令：「針對我的假設『X 正向影響 Y』，請提出三個**競爭假設 (Competing Hypotheses)**。」

2. 第二階段：文獻探勘與矩陣建構 (Discovery)

告別傳統「逐篇閱讀」的流水帳模式。我們要建立的是「文獻綜述矩陣 (Synthesis Matrix)」。

2.1 視覺化你的研究路徑 (DOT Visualization)

在這個階段，你可能會使用多個工具 (ResearchRabbit, Elicit 等)。為了不迷失方向，你可以要求 AI 「幫我畫出目前的研究工具工作流」。

你可以將 AI 產出的 DOT 代碼貼到 線上 Graphviz 檢視器 查看圖表。

  • 指令：「請用 Graphviz DOT 語言，畫出我從種子論文到建立矩陣的流程圖。」
  • AI 產出範例 (學生可複製此代碼進行測試)：
digraph ResearchWorkflow {
  rankdir=LR;
  node [shape=box, style="filled,rounded", fillcolor="#f9f9f9", fontname="Helvetica"];
  edge [color="#666666"];

  Seed [label="種子論文\n(Seed Papers)", fillcolor="#e1f5fe"];
  Rabbit [label="ResearchRabbit\n(擴展引文網絡)", fillcolor="#fff9c4"];
  Elicit [label="Elicit\n(提取變項數據)", fillcolor="#fff9c4"];
  Matrix [label="綜合矩陣\n(Synthesis Matrix)", fillcolor="#dcedc8", shape="note"];

  Seed -> Rabbit [label="發現 Seminal Works"];
  Rabbit -> Elicit [label="輸入選定文獻"];
  Elicit -> Matrix [label="比較異同"];
}

2.2 從摘要到矩陣 (Matrix Extraction)

使用長文本 AI (如 Claude 3, GPT-4o) 進行分析時，請明確要求產出表格：

  • 指令：「請建立綜合矩陣，包含欄位：理論框架、方法論、主要發現、研究限制。並分析文獻間的『矛盾點』。」

3. 第三階段：深度閱讀 (Deep Reading)

面對艱澀論文，AI 的角色是 共同思考者 (Co-Thinker)。 使用 ChatPDF 或 Scispace 時，請善用「透鏡指令」：

  • /DEEP [概念]：挖掘概念定義。
  • /CHALLENGE：尋找邏輯漏洞。
  • /VOICES：辨識學術流派對話。

4. 第四階段：寫作與擴寫 (Drafting)

寫作最忌諱「邊想邊寫」。請採用「骨架—肌肉」寫作法。

4.1 使用 JSON 鎖定學術風格

在讓 AI 擴寫你的子彈筆記之前，你必須先「調校」它的寫作口吻。否則 AI 容易寫出充滿 "Delve into" 或 "Tapestry" 的機器味文章。

請參考此 JSON 結構來設定你的寫作助手： 

// 在開始寫作前，先貼上這段設定
{
  "writer_profile": {
    "role": "學術論文寫作助手",
    "target_audience": "期刊審稿人 (Journal Reviewers)",
    "tone": ["客觀 (Objective)", "分析性 (Analytical)", "精簡 (Concise)"]
  },
  "formatting_rules": {
    "sentence_structure": "長短句交替，使用轉折詞 (e.g., Conversely, Furthermore) 增強連貫性。",
    "citations": "嚴格保留我輸入的引用標記 (Smith, 2023)，不可刪改。"
  },
  "negative_constraints": [
    "禁止使用情緒化形容詞",
    "禁止自行捏造數據或文獻"
  ]
}

4.2 論證結構視覺化 (Argument Mapping)

寫作中途，如果你覺得邏輯卡卡的，可以要求 AI：「請將我這段論證轉化為 DOT 樹狀圖，幫我檢查證據是否充足。」

  • 自我檢核技巧：將 AI 產出的代碼視覺化後，觀察是否有「理由」下面沒有掛著「證據 (引用/數據)」，那就是你需要補強的地方。
  • DOT 代碼範例：
digraph ArgumentMap {
  rankdir=TB;
  node [shape=box, style=filled, fontname="Helvetica"];
  
  // 這是用來檢查邏輯斷層的圖
  Claim [label="核心主張 (Main Claim)", fillcolor="#ffccbc"];
  Reason1 [label="理由 1", fillcolor="#e1f5fe"];
  Reason2 [label="理由 2 (缺乏證據?)", fillcolor="#ffcdd2"]; 
  Ev1 [label="證據 (引用文獻)", fillcolor="#f5f5f5"];
  
  Claim -> Reason1;
  Claim -> Reason2;
  Reason1 -> Ev1;
}

5. 第五階段：潤飾與防護 (Polishing & Safety)

5.1 風格清洗：建立禁語清單

AI 寫作有特定的「慣用詞 (Hallmarks)」。在潤飾提示語中，請加入 Negative Constraints (負面約束)。

  • 指令：「潤飾此段落，嚴格禁止使用：delve, tapestry, landscape, meticulous, plethora, game-changer。」

5.2 提交前：自我檢核清單 (Checklist)

檢核項目 說明
☑️ 存在性檢查 我是否已確認每一篇引用文獻都有 DOI？(防止 AI 瞎掰)
☑️ 內容一致性 我是否親自閱讀過原文，確認 AI 引用的結論正確？
☑️ 透明揭露 我是否在方法論中說明使用了哪些 AI 工具？
取自「https://wiki.interaction.tw/index.php?title=Research:研究文章AI輔助撰寫方式&oldid=387」