與 AI 共舞：人機協作學術寫作標準化流程 (SOP)

導論：從「代筆」到「思考外骨骼」

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」。

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。

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，解決學術寫作中「效率」與「嚴謹」難以兼得的兩難。

核心技術解密：為何採用 JSON 結構化指令？

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。

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 { "key": "value" } 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。

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，即可快速迭代。

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，避免 AI 自由發揮導致離題。

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）。
JSON 指令範例：

{
  "task": "format_research",
  "target": "IEEE Conference on [Topic]",
  "requirements": ["Word count limit", "Citation style", "Section structure", "Blind review rules"]
}

3. 生成內容架構 (AI)

請 AI 根據主題建議章節安排與大綱。
JSON 指令範例：

{
  "task": "generate_outline",
  "topic": "[Your Research Topic]",
  "constraints": {
    "structure": "IMRAD (Introduction, Methods, Results, and Discussion)",
    "depth": "Detailed with subsections"
  }
}

4. 設定 AI 角色 (Persona)

明確定義 AI 的身份與審視標準。
JSON 指令範例：

{
  "system_setting": {
    "role": "Senior Researcher & Reviewer",
    "field": "Design Thinking & HCI",
    "tone": "Academic, Critical, Objective",
    "instruction": "Critique logical flaws before drafting."
  }
}

階段二：分段撰寫與初稿建構 (Drafting)

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)

人類先寫出該段落的 Bullet points，這是給 AI 的導航點。

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：

{
  "command": "write_paragraph",
  "section": "Literature Review",
  "focus_point": "The limitation of current GenAI tools in design education",
  "key_arguments": [
    "High quantity but low variety",
    "Students' over-reliance reduces critical thinking"
  ],
  "constraints": {
    "min_words": 200,
    "max_words": 300,
    "citation_placeholder": "[Citation Needed]"
  }
}

7. 內容方向審查 (Human)

[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。

8. 全文串聯 (AI)

當各段落完成後，由 AI 進行全文的連接詞修飾與邏輯串接。

階段三：文獻查核與方法論對接 (Verification & Methodology)

目標：這是全流程最關鍵的「品質防火牆」，專門對抗 AI 幻覺。

9. ⚠️ 引用文獻真實性查核 (Human - Critical)

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。

10. 依據真實文獻重寫 (AI)

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：

{
  "task": "rewrite_citation",
  "source_material": "[Paste real abstract here]",
  "instruction": "Rewrite the paragraph based ONLY on the provided source material. Do not hallucinate."
}

11. 方法論撰寫 (AI)

撰寫方法論章節，確保能回應「研究問題」並填補「文獻缺口」。

12. 方法論與新文獻二查 (Human)

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。

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：

{
  "command": "polish_text",
  "input_text": "[Paste Draft]",
  "style_guide": {
    "avoid": ["Overused connectors (e.g., Furthermore)", "Passive voice"],
    "emphasize": ["Active verbs", "Concise arguments"]
  }
}

14. 引用元數據終檢 (AI)

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。

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：

{
  "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."
}

範例產出 (DOT Code)：

digraph G {
  rankdir=LR;
  node [shape=box, fontname="Arial"];
  
  Start [label="研究動機"];
  Process1 [label="文獻回顧"];
  Process2 [label="實驗設計"];
  End [label="結果分析"];
  
  Start -> Process1;
  Process1 -> Process2;
  Process2 -> End;
}

(將上述代碼貼入支援 Graphviz 的 Wiki 區塊即可顯示流程圖)

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。