AI 協作學術研究與寫作實戰手冊

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？